Gemini 3.1 Flash-Lite er Googles stabile, lette multimodale tekstmodell for hyppige, veldefinerte oppgaver. Den bygger på Gemini 3 Pro. Oversettelse og klassifisering er sentrale arbeidsoppgaver; andre nyttige oppgaver omfatter transkripsjon, dokumentsammendrag, uttrekk av entiteter og klassifisering for modellvalg. Tekst, bilder, lyd, video og PDF kan gi kildematerialet, og resultatet er tekst. En nyttig instruks ber om én operasjon og én sluttform, for eksempel en oversatt melding eller en post med felt funnet i et dokument.
Ved oversettelse oppgir du kildeteksten, målspråket, målgruppen og terminologi som skal beholdes. Googles eksempel bruker instruksjoner som bare returnerer oversettelsen. Ved oversettelse av en melding til kundestøtte bevarer du produktnavn og ordrereferanser mens resten oversettes naturlig. Spesifiser hvordan tvetydighet skal håndteres, slik at resultatet ikke tilfører en dato, et løfte eller en detalj som mangler i kilden. Hold den forespurte formen passende for målet, for eksempel et kort svar eller en merket oversettelsespost.
Ved transkripsjon oppgir du opptaket og definerer om svaret skal være de talte ordene, en lesbar redigert transkripsjon eller et sammendrag. Dette er ulike utdata. Identifiser det relevante intervallet når et langt opptak bare inneholder én passasje som oppgaven trenger. Produsentens utviklereksempel sender lyd direkte og ber om en teksttranskripsjon. Kontroller navn, tall og uklare passasjer mot opptaket, og behold originalkilden for gjennomgang. Denne generelle multimodale tekstprofilen innebærer ikke i seg selv lydutdata eller et eget resultat med talerdiarisering.
Ved klassifisering eller uttrekk definerer du kategoriene, skjemaet og regelen for manglende verdier. Utviklerveiledningen viser strukturert JSON for analyse av en kundeomtale, med et støttende sitat og definerte felt. En strukturert post kan inneholde det nevnte produktet, problemkategorien og setningen som begrunner valget. Ta med et representativt tilfelle som skal forbli ukjent fremfor å tvinges inn i en kategori. En syntaktisk gyldig post må fortsatt sammenlignes med den faktiske kildeteksten.
Dokumentbehandling kan gjøre en PDF om til et kort sammendrag eller en feltpost. Oppgi spørsmålet, og behold side- eller avsnittsreferanser der funnet må kontrolleres. En tabellgjennomgang bør spesifisere kolonnene og regelen som betyr noe; en visuell oppgave bør identifisere etiketten eller området som trengs for svaret. Modellruting er et annet dokumentert bruksområde: modellen klassifiserer kompleksiteten i en forespørsel og returnerer et tillatt valg. Den tilkoblede applikasjonen, ikke selve klassifiseringsteksten, avgjør hva som skal kjøres videre.
Resonnering støttes, og produsenten viser høyere innsats for oppgaver som drar nytte av mer analyse. Den konkrete siden for den stabile modellen oppgir også funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring, URL-kontekst og strukturerte utdata. Computer Use støttes ikke i denne stabile 3.1-profilen; den senere 3.5 Flash-Lite-profilen har en annen egenskapstabell. Definer verktøyformål og parametere tydelig, og fortsett fra reelle returnerte resultater. Et funksjonsforslag bekrefter ikke at operasjonen er utført.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den stabile API-tabellen angir 1048576 inndatatokener og 65536 utdatatokener. Ta med instruksjoner, samtale og kildemedier når inndataene forberedes, og be om et resultat som passer til den tiltenkte leveransen. Hurtigbufring, batch-, Flex- og Priority-behandling er dokumentert for denne produsentprofilen. For gjentatte uavhengige elementer viderefører du inndataidentifikatoren til resultatet og beholder et konsekvent skjema, slik at et manglende svar kan oppdages.
Denne stabile modellidentifikatoren er adskilt fra Gemini 3.1 Flash-Lite Preview og senere Flash-Lite-utgaver. Behold den konkrete utgaven når gjentatt behandling forberedes, fremfor å regne et kjent familienavn som garanti for en fast revisjon. Kontroller oversettelser for bevart mening og terminologi, transkripsjoner mot lyden og uthentede felt mot dokumentet. Profilens praktiske rolle er avgrenset multimodal tekstbehandling med et tydelig resultat, mens den bredere oppgavens resonnering eller eksterne handlinger overlates til et passende senere trinn.
", "aboutText": "Gemini 3.1 Flash-Lite er Googles stabile, lette multimodale tekstmodell for hyppige, veldefinerte oppgaver. Den bygger på Gemini 3 Pro. Oversettelse og klassifisering er sentrale arbeidsoppgaver; andre nyttige oppgaver omfatter transkripsjon, dokumentsammendrag, uttrekk av entiteter og klassifisering for modellvalg. Tekst, bilder, lyd, video og PDF kan gi kildematerialet, og resultatet er tekst. En nyttig instruks ber om én operasjon og én sluttform, for eksempel en oversatt melding eller en post med felt funnet i et dokument.\n\nVed oversettelse oppgir du kildeteksten, målspråket, målgruppen og terminologi som skal beholdes. Googles eksempel bruker instruksjoner som bare returnerer oversettelsen. Ved oversettelse av en melding til kundestøtte bevarer du produktnavn og ordrereferanser mens resten oversettes naturlig. Spesifiser hvordan tvetydighet skal håndteres, slik at resultatet ikke tilfører en dato, et løfte eller en detalj som mangler i kilden. Hold den forespurte formen passende for målet, for eksempel et kort svar eller en merket oversettelsespost.\n\nVed transkripsjon oppgir du opptaket og definerer om svaret skal være de talte ordene, en lesbar redigert transkripsjon eller et sammendrag. Dette er ulike utdata. Identifiser det relevante intervallet når et langt opptak bare inneholder én passasje som oppgaven trenger. Produsentens utviklereksempel sender lyd direkte og ber om en teksttranskripsjon. Kontroller navn, tall og uklare passasjer mot opptaket, og behold originalkilden for gjennomgang. Denne generelle multimodale tekstprofilen innebærer ikke i seg selv lydutdata eller et eget resultat med talerdiarisering.\n\nVed klassifisering eller uttrekk definerer du kategoriene, skjemaet og regelen for manglende verdier. Utviklerveiledningen viser strukturert JSON for analyse av en kundeomtale, med et støttende sitat og definerte felt. En strukturert post kan inneholde det nevnte produktet, problemkategorien og setningen som begrunner valget. Ta med et representativt tilfelle som skal forbli ukjent fremfor å tvinges inn i en kategori. En syntaktisk gyldig post må fortsatt sammenlignes med den faktiske kildeteksten.\n\nDokumentbehandling kan gjøre en PDF om til et kort sammendrag eller en feltpost. Oppgi spørsmålet, og behold side- eller avsnittsreferanser der funnet må kontrolleres. En tabellgjennomgang bør spesifisere kolonnene og regelen som betyr noe; en visuell oppgave bør identifisere etiketten eller området som trengs for svaret. Modellruting er et annet dokumentert bruksområde: modellen klassifiserer kompleksiteten i en forespørsel og returnerer et tillatt valg. Den tilkoblede applikasjonen, ikke selve klassifiseringsteksten, avgjør hva som skal kjøres videre.\n\nResonnering støttes, og produsenten viser høyere innsats for oppgaver som drar nytte av mer analyse. Den konkrete siden for den stabile modellen oppgir også funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring, URL-kontekst og strukturerte utdata. Computer Use støttes ikke i denne stabile 3.1-profilen; den senere 3.5 Flash-Lite-profilen har en annen egenskapstabell. Definer verktøyformål og parametere tydelig, og fortsett fra reelle returnerte resultater. Et funksjonsforslag bekrefter ikke at operasjonen er utført.\n\nDet opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den stabile API-tabellen angir 1048576 inndatatokener og 65536 utdatatokener. Ta med instruksjoner, samtale og kildemedier når inndataene forberedes, og be om et resultat som passer til den tiltenkte leveransen. Hurtigbufring, batch-, Flex- og Priority-behandling er dokumentert for denne produsentprofilen. For gjentatte uavhengige elementer viderefører du inndataidentifikatoren til resultatet og beholder et konsekvent skjema, slik at et manglende svar kan oppdages.\n\nDenne stabile modellidentifikatoren er adskilt fra Gemini 3.1 Flash-Lite Preview og senere Flash-Lite-utgaver. Behold den konkrete utgaven når gjentatt behandling forberedes, fremfor å regne et kjent familienavn som garanti for en fast revisjon. Kontroller oversettelser for bevart mening og terminologi, transkripsjoner mot lyden og uthentede felt mot dokumentet. Profilens praktiske rolle er avgrenset multimodal tekstbehandling med et tydelig resultat, mens den bredere oppgavens resonnering eller eksterne handlinger overlates til et passende senere trinn.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fd5b44ecc72dc8d589d9ada824d3fc06712aa216776a028862300fedac95ce75", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "google/gemini-3.1-flash-lite:batchGemini 3.1 Flash-Lite er Googles stabile multimodale modell for oversettelse, transkripsjon, klassifisering og enkelt uttrekk i stor skala. Den tar imot tekst, bilder, lyd, video og PDF og returnerer tekst, med resonnering, verktøy og strukturerte utdata. De konkrete inn- og utdatagrensene er 1048576/65536 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.1 Flash-Lite er Googles stabile, lette multimodale tekstmodell for hyppige, veldefinerte oppgaver. Den bygger på Gemini 3 Pro. Oversettelse og klassifisering er sentrale arbeidsoppgaver; andre nyttige oppgaver omfatter transkripsjon, dokumentsammendrag, uttrekk av entiteter og klassifisering for modellvalg. Tekst, bilder, lyd, video og PDF kan gi kildematerialet, og resultatet er tekst. En nyttig instruks ber om én operasjon og én sluttform, for eksempel en oversatt melding eller en post med felt funnet i et dokument.
Ved oversettelse oppgir du kildeteksten, målspråket, målgruppen og terminologi som skal beholdes. Googles eksempel bruker instruksjoner som bare returnerer oversettelsen. Ved oversettelse av en melding til kundestøtte bevarer du produktnavn og ordrereferanser mens resten oversettes naturlig. Spesifiser hvordan tvetydighet skal håndteres, slik at resultatet ikke tilfører en dato, et løfte eller en detalj som mangler i kilden. Hold den forespurte formen passende for målet, for eksempel et kort svar eller en merket oversettelsespost.
Ved transkripsjon oppgir du opptaket og definerer om svaret skal være de talte ordene, en lesbar redigert transkripsjon eller et sammendrag. Dette er ulike utdata. Identifiser det relevante intervallet når et langt opptak bare inneholder én passasje som oppgaven trenger. Produsentens utviklereksempel sender lyd direkte og ber om en teksttranskripsjon. Kontroller navn, tall og uklare passasjer mot opptaket, og behold originalkilden for gjennomgang. Denne generelle multimodale tekstprofilen innebærer ikke i seg selv lydutdata eller et eget resultat med talerdiarisering.
Ved klassifisering eller uttrekk definerer du kategoriene, skjemaet og regelen for manglende verdier. Utviklerveiledningen viser strukturert JSON for analyse av en kundeomtale, med et støttende sitat og definerte felt. En strukturert post kan inneholde det nevnte produktet, problemkategorien og setningen som begrunner valget. Ta med et representativt tilfelle som skal forbli ukjent fremfor å tvinges inn i en kategori. En syntaktisk gyldig post må fortsatt sammenlignes med den faktiske kildeteksten.
Dokumentbehandling kan gjøre en PDF om til et kort sammendrag eller en feltpost. Oppgi spørsmålet, og behold side- eller avsnittsreferanser der funnet må kontrolleres. En tabellgjennomgang bør spesifisere kolonnene og regelen som betyr noe; en visuell oppgave bør identifisere etiketten eller området som trengs for svaret. Modellruting er et annet dokumentert bruksområde: modellen klassifiserer kompleksiteten i en forespørsel og returnerer et tillatt valg. Den tilkoblede applikasjonen, ikke selve klassifiseringsteksten, avgjør hva som skal kjøres videre.
Resonnering støttes, og produsenten viser høyere innsats for oppgaver som drar nytte av mer analyse. Den konkrete siden for den stabile modellen oppgir også funksjonskall, kodekjøring, filsøk, forankring i søkeresultater, Maps-forankring, URL-kontekst og strukturerte utdata. Computer Use støttes ikke i denne stabile 3.1-profilen; den senere 3.5 Flash-Lite-profilen har en annen egenskapstabell. Definer verktøyformål og parametere tydelig, og fortsett fra reelle returnerte resultater. Et funksjonsforslag bekrefter ikke at operasjonen er utført.
Det opprinnelige modellkortet oppgir opptil 1M kontekst og 64K tekstutdata; den stabile API-tabellen angir 1048576 inndatatokener og 65536 utdatatokener. Ta med instruksjoner, samtale og kildemedier når inndataene forberedes, og be om et resultat som passer til den tiltenkte leveransen. Hurtigbufring, batch-, Flex- og Priority-behandling er dokumentert for denne produsentprofilen. For gjentatte uavhengige elementer viderefører du inndataidentifikatoren til resultatet og beholder et konsekvent skjema, slik at et manglende svar kan oppdages.
Denne stabile modellidentifikatoren er adskilt fra Gemini 3.1 Flash-Lite Preview og senere Flash-Lite-utgaver. Behold den konkrete utgaven når gjentatt behandling forberedes, fremfor å regne et kjent familienavn som garanti for en fast revisjon. Kontroller oversettelser for bevart mening og terminologi, transkripsjoner mot lyden og uthentede felt mot dokumentet. Profilens praktiske rolle er avgrenset multimodal tekstbehandling med et tydelig resultat, mens den bredere oppgavens resonnering eller eksterne handlinger overlates til et passende senere trinn.
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-3.1-flash-lite: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-3.1-flash-lite:batch, google/gemini-3.1-flash-lite | 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 $0.00025 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000025 / 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 medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00025 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000025 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-3.1-flash-lite: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-3.1-flash-lite:batch', 'google/gemini-3.1-flash-lite']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"google/gemini-3.1-flash-lite: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-3.1-flash-lite:batch
Bruk metodestiene som vises ovenfor.