Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
", "aboutText": "Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.\n\nVed programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.\n\nVed matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.\n\nDynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.\n\nVed multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.\n\nDen konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.\n\nDet underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.\n\nDen stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "66999164b3d749340a576fec0d8d3d3a8dd43b7685a5de27daf8f2b0e3cacf87", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "google/gemini-2.5-pro:batchGemini 2.5 Pro er Googles stabile tenkemodell for kompleks kode, matematikk, STEM-fag og analyse med lang kontekst. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst, med verktøy og strukturerte utdata. Det dynamiske resonneringsbudsjettet støtter 128–32,768 tokener og kan ikke slås helt av.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 2.5 Pro er Googles stabile tenkeprofil for avansert programmering, matematikk, STEM-fag og analyse med lang kontekst. Den kan forstå tekst, lyd, bilder, video og hele kodelagre, og Gemini API-profilen tar også imot PDF som inndata. Utdataene er tekst, blant annet kode, skriftlig analyse eller en strukturert oppføring. En nyttig oppgave gir underlagsmaterialet og ber om et resultat som kan kontrolleres, som en løsning med forklaring, et funn i en kodebase eller en sammenligning av flere dokumenter.
Ved programmering bør du oppgi relevante filer, observert virkemåte og endringen eller spørsmålet som betyr noe. Lang kontekst kan hjelpe modellen med å se forbindelser mellom moduler i stedet for å resonnere ut fra én isolert kodebit. Ved undersøkelse av en kodeflyt kan du be den spore en identifikator fra et inndataskjema gjennom behandling og lagring, finne hvor en kontrakt endres, og foreslå en avgrenset rettelse. Bevar begrensningene og be om underbyggende henvisninger. En foreslått revisjon må sammenlignes med den faktiske koden og eventuell validering som er utført gjennom de tilkoblede verktøyene.
Ved matematisk eller vitenskapelig analyse bør du oppgi problemet, forutsetningene, enhetene og ønsket svarform. Legg ved data eller figurer som beregningen avhenger av. Be om det underbygde resultatet og kontrollene som gjør det mulig å vurdere det, som grensetilfeller eller en sammenligning med de opprinnelige verdiene. Modellens resonneringsevne fjerner ikke tvetydigheter i problemstillingen. La en ukjent størrelse eller en udokumentert forutsetning være synlig i stedet for å erstatte den med en bekvem verdi.
Dynamisk tenking er den dokumenterte standarden. Gemini 2.5 GenerateContent-veiledningen støtter et eksplisitt resonneringsbudsjett fra 128 til 32,768 tokener for Pro, eller -1 for adaptiv tenking. Denne utgaven kan ikke slå tenking helt av. Disse innstillingene skiller seg fra Flashs alternativ med nullbudsjett og fra innstillingene for tenkenivå i Gemini 3. Tenkebudsjettet styrer resonneringen uten å garantere et nøyaktig antall interne tokener, og en svargrense må også gi plass til det ferdige resultatet.
Ved multimodalt dokumentarbeid bør du angi sidene, grafen, bildeområdet eller hendelsen i opptaket som skal underbygge svaret. En praktisk sammenstillingsoppgave kan be om motstridende påstander fra flere kildedokumenter, avsnittene som støtter dem, og forskjellene som har betydning for én beslutning. Be modellen skille mellom en uttrykkelig oppgitt faktaopplysning og en slutning. For video eller lyd bør du definere om resultatet skal være en beskrivelse, transkripsjon, oppsummering eller sammenligning. Bildet og lyden er underlag for et tekstresultat i denne profilen.
Den konkrete API-siden dokumenterer funksjonskall, kodekjøring, filsøk, søkeforankring, Maps-forankring, URL-kontekst og strukturerte utdata. Definer formålet med funksjonene og parameterfeltene, og bevar de faktiske resultatene i senere samtalerunder. For en oppføring som skal følge et skjema, bør du angi obligatoriske felt og hvordan manglende informasjon skal representeres. Den underliggende arkitekturen er en multimodal transformermodell med en sparsom blanding av eksperter; denne modellutformingen gir ikke i seg selv ekstern verktøykjøring eller en ferdig applikasjon utover teksten eller koden som returneres.
Det underliggende modellkortet oppgir en inndatakontekst på 1M og tekstutdata på 64K; API-tabellen angir 1,048,576 inndatatokener og 65,536 utdatatokener. Instruksjoner, kildeinnhold og bevart historikk inngår i klargjøringen av inndata. En maksimal svarramme inkluderer resonneringstokener, så en for liten grense kan avbryte det ferdige svaret. Hurtigbufring og satsvis behandling er dokumentert, sammen med alternativene Flex og Priority. Bevar hver kildeidentifikator og den ønskede sluttformen når du klargjør uavhengige oppgaver med lang kontekst.
Den stabile identifikatoren er forskjellig fra Experimental- og Preview-utgavene som omtales separat i det felles Pro-modellkortet. Ikke tilskriv deres versjonsspesifikke resultater til denne profilen bare fordi de deler Pro-navnet. Kortet beskriver mulige hallusinasjoner og begrensninger i årsaksforståelse, kompleks deduksjon og kontrafaktisk resonnering, med en kunnskapsgrense i januar 2025. Tilfør oppdaterte kilder når det er viktig, og gjennomgå kildehenvisninger, beregninger og foreslåtte endringer. Det nyttige resultatet er den underbygde tekst- eller kodeleveransen oppgaven ba om.
POST /v1/batchestexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrevd | Verdier & grenser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemini-2.5-pro:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltcompletion_window | Typestring | KravValgfritt | Verdier & grenser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfritt | Verdier & grenser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfritt | Verdier & grenser google/gemini-2.5-pro:batch, google/gemini-2.5-pro | Standard— |
Feltprovider.only | Typestring[] | KravValgfritt | Verdier & grenser google-vertex/global | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfritt | Verdier & grenser false, null | Standard— |
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtaleendpoint, model, requests |
Parametermaterial_types | Avtaletext |
Parameterrepresentation | Avtalerequests[] direkte i forespørselen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Avtale/v1/chat/completions |
Parameterfile_material | AvtaleKlienten kan lese det faktiske UTF-8-kodede JSONL-innholdet lokalt inn i requests[]. Feltet purpose for opplasting, input_file_id og filreferanser brukes ikke. Manglende eller tomt kundemateriale stopper klargjøringen før POST. |
Parameterserialization_order | Avtaleendpoint, model, provider (hvis angitt), completion_window (hvis angitt), requests til slutt |
Parameteroptional_controls | Avtaleprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | AvtaleForespørselsinnhold for tekstbasert Chat Completions lagt direkte inn i det dokumenterte Batch-formatet. |
Livssyklus: asynchronous
GET /v1/batches/{operation_id} · faktisk response.id fra den opprinnelige opprettelsen; samme bruker/nøkkel/gruppe
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00125 / 1K tokener Utdata · Utgående tokener $0.01 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med200 000 | Kostnad Inndata · Inngående tokener $0.00125 / 1K tokener Utdata · Utgående tokener $0.01 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn200 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0005 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"google/gemini-2.5-pro:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['google/gemini-2.5-pro:batch', 'google/gemini-2.5-pro']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"google/gemini-2.5-pro:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON fra results[].response.body direkte i svaret
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBehold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele den opprinnelige statusresponsen i JSON, alle resultater og custom_id-verdier samt hele svar- eller feilinnholdet. Lagre fullførte results[] som JSONL uten filtrering.
Bevar den opprinnelige operasjons-ID-en. 503 result_pending_check har X-Should-Retry:false; send aldri den opprinnelige batchen på nytt når utfallet er ukjent.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldig struktur i det dokumenterte formatet med innebygde forespørsler, dupliserte nøkler, ugyldig elementidentitet eller konflikt med modellens konfigurerte funksjoner. | Neste trinnRett de angitte feltene før du sender en ny forespørsel. |
Svar401 · authentication_error | VilkårUgyldig API-nøkkel. | Neste trinnBruk den autoriserte Ailoot-nøkkelen. |
Svar403 · permission_error | VilkårGruppen for batchbehandling er ikke tilgjengelig. | Neste trinnKontroller tilgangsrettighetene til nøkkelen/gruppen. |
Svar422 · invalid_request_error | VilkårBatch belastes saldoen; opprettelse via abonnement avvises. | Neste trinnBruk den autoriserte gruppen som belastes saldoen. |
Svar422 · price_unavailable | VilkårDet kan ikke beregnes en pris for batchens inndata. | Neste trinnBevar svaret; bruk de dokumenterte inndataene for API-familien. |
Svar402 · billing_error | VilkårBeløpsreservasjon for batchbehandling er ikke tilgjengelig. | Neste trinnLøs problemet som hindrer forespørselen i å bli godkjent før du sender en ny forespørsel. |
Svar503 · price_unavailable | VilkårPris for Batch-metoden eller systemets innebygde satser er ikke tilgjengelige. | Neste trinnBevar svaret; ikke erstatt prisene. |
Svar503 · api_error | VilkårDen nøyaktige leverandørruten er ikke tilgjengelig. | Neste trinnBevar svaret slik at ruten kan repareres. |
Svar503 · result_pending_check | VilkårDet opprinnelige resultatet må kontrolleres; X-Should-Retry:false. | Neste trinnBevar opprinnelig operation_id/id og les statusen; gjenta aldri den opprinnelige POST-forespørselen. |
Svar404 · not_found | VilkårStatusoperasjonen for batchen finnes ikke eller tilhører en annen identitet. | Neste trinnBruk nøyaktig den opprinnelige id-verdien og samme bruker/nøkkel/gruppe. |
Ailoot Ultra google/gemini-2.5-pro:batch
Bruk metodestiene som vises ovenfor.