Gemini 2.5 Flash Preview 09-2025 is de previeweditie van september van Googles hybride redeneermodel. De gedocumenteerde invoer bestaat uit tekst, afbeeldingen, video en audio; de uitvoer is tekst. Het model kan de vraag combineren met visueel of gesproken materiaal en vervolgens een uitleg, een document, code of een gestructureerd antwoord produceren. Deze specifieke gedateerde editie staat los van de stabiele Gemini 2.5 Flash en van een veranderende latest-alias. Het is bedoeld voor multimodaal begrip en werk met ondersteuning van tools dat een geschreven resultaat oplevert.
Google beschrijft twee specifieke verbeteringen voor deze release: beter gebruik van tools door agents en zuinigere antwoordgeneratie wanneer de denkfunctie is ingeschakeld. Het eerste gaat over taken die verschillende samenhangende acties vereisen, zoals informatie verkrijgen, die vergelijken met het verzoek en de volgende stap kiezen. Het tweede gaat over bruikbare antwoorden produceren met minder gegenereerde tokens en met behoud van kwaliteit. Lever voor een ontwikkelassistent het waargenomen gedrag, de relevante code en het criterium voor een geslaagde wijziging aan. Definieer voor een onderzoeksassistent de vraag, het te onderzoeken materiaal en de onderbouwing die nodig is voor de conclusie.
De denkfunctie en een rechtstreeks antwoord maken deel uit van het hybride ontwerp. Een taak met de denkfunctie kan afhankelijkheden, wiskundige voorwaarden of een plan met meerdere stappen analyseren voordat het definitieve antwoord wordt opgesteld. Een eenvoudige extractie of korte uitleg kan een eenvoudiger antwoorddoel hebben. Geef aan welke beperkingen verplicht zijn, welke aannames het model mag doen en wat het eindresultaat moet bevatten. De modelkaart van de familie vermeldt dat denkbudgetten niet altijd consequent worden nageleefd. Een gevraagd budget bewijst dus niet dat er een strikte bovengrens voor het redeneren geldt. Deze beschrijving schrijft de denkniveaus of standaardinstellingen van een nieuwer model niet toe aan de septembereditie.
De modeltabel voor deze specifieke septembereditie vermeldt maximaal 1.048.576 invoertokens en 65.536 uitvoertokens. Het ruime invoerprofiel biedt plaats aan instructies, voorbeelden, referentietekst en multimediacontext binnen één taak. Label de twee bronnen en geef een gemeenschappelijke reeks criteria om vereisten met een voorgestelde oplossing te vergelijken. Duid bij de bespreking van een schermafbeelding de relevante toestand of component aan; benoem bij een audio- of videotaak de vraag of gebeurtenis, in plaats van om een ongerichte beschrijving te vragen. Het resultaat blijft tekst: ingebouwde beeldcreatie, stemgeneratie en gesproken dialoog in realtime horen bij andere modelprofielen.
Google documenteert functieaanroepen, code-uitvoering, zoekonderbouwing, URL-context en bestandszoeken voor deze specifieke preview. Bij een functieaanroep wordt een gedeclareerde functie gekozen en worden argumenten voorbereid; de gekoppelde toepassing voert de bewerking uit en geeft het resultaat terug. Code-uitvoering gebruikt gegenereerde Python-code voor berekeningen of tekstverwerking. Zoekonderbouwing levert webmateriaal voor een antwoord op basis van bronnen, terwijl URL-context werkt met de inhoud van opgegeven toegankelijke pagina's. Bestandszoeken biedt een bijkomende mogelijkheid om bronnen op te halen. Geef een agent een duidelijk doel voor elke tool en specificeer welke informatie elke stap moet opleveren, zodat de workflow kan voortgaan op basis van het werkelijk teruggegeven resultaat.
Dankzij ondersteuning voor gestructureerde uitvoer kan het eindresultaat als een reeks vastgelegde velden worden gebruikt. Vraag bij een vergelijking om een criterium, de bijbehorende bronpassage, het waargenomen verschil en de vraag die nog verduidelijking nodig heeft. Scheid bij een codetaak de voorgestelde wijziging van de uitleg en van de controles die nog nodig zijn. Googles specifieke modelprofiel vermeldt ook ondersteuning voor contextcaching en batchverwerking. Terugkerend bronmateriaal kan consistent worden gehouden bij verwante taken; caching op zich toont niet aan dat een bepaald verzoek tokens uit de cache heeft hergebruikt. Deze namen van mogelijkheden impliceren geen nieuwere schemacombinaties, cachedrempels of gelijktijdige toolmodi.
De modelkaart van de familie beschrijft een sparse mixture-of-experts-transformer met ingebouwd begrip van tekst, beelden en audio. De training combineert webtekst, code, afbeeldingen, audio en video; de natraining omvat gekoppelde multimodale instructies en antwoorden, menselijke voorkeuren en gegevens over toolgebruik. Bij de gegevensvoorbereiding worden deduplicatie en veiligheids- en kwaliteitsfilters toegepast. De pagina voor dit specifieke gedateerde model vermeldt januari 2025 als kennisgrens. Bij vragen die recentere informatie vereisen, moet het bronmateriaal of een geschikte ophaalstap worden aangeduid, in plaats van de trainingskennis van het model als een live informatiestroom te behandelen.
Wezenlijke beperkingen zijn onder meer het mogelijk verzinnen van feiten en moeilijkheden met causaal begrip, complexe logische deductie en contrafeitelijk redeneren. De modelkaart van de familie vermeldt ook dat antwoorden soms een onnodig belerende toon kunnen hebben. Vereis voor een bruikbaar resultaat dat het model feiten uit bronnen, aannames en voorgestelde acties van elkaar onderscheidt. Controleer vervolgens de onderdelen die bepalend zijn voor de beslissing. Een volledig eindresultaat van een agent kan de bevindingen, een onderbouwde volgende stap, de via tools verkregen informatie en eventuele open vragen bevatten. De nadruk op toolgebruik in de septemberrelease helpt die workflow te bepalen, terwijl voorbereide invoer en expliciete voltooiingscriteria hem bij de taak van de gebruiker houden.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 is de previeweditie van september van Googles hybride redeneermodel. De gedocumenteerde invoer bestaat uit tekst, afbeeldingen, video en audio; de uitvoer is tekst. Het model kan de vraag combineren met visueel of gesproken materiaal en vervolgens een uitleg, een document, code of een gestructureerd antwoord produceren. Deze specifieke gedateerde editie staat los van de stabiele Gemini 2.5 Flash en van een veranderende latest-alias. Het is bedoeld voor multimodaal begrip en werk met ondersteuning van tools dat een geschreven resultaat oplevert.\n\nGoogle beschrijft twee specifieke verbeteringen voor deze release: beter gebruik van tools door agents en zuinigere antwoordgeneratie wanneer de denkfunctie is ingeschakeld. Het eerste gaat over taken die verschillende samenhangende acties vereisen, zoals informatie verkrijgen, die vergelijken met het verzoek en de volgende stap kiezen. Het tweede gaat over bruikbare antwoorden produceren met minder gegenereerde tokens en met behoud van kwaliteit. Lever voor een ontwikkelassistent het waargenomen gedrag, de relevante code en het criterium voor een geslaagde wijziging aan. Definieer voor een onderzoeksassistent de vraag, het te onderzoeken materiaal en de onderbouwing die nodig is voor de conclusie.\n\nDe denkfunctie en een rechtstreeks antwoord maken deel uit van het hybride ontwerp. Een taak met de denkfunctie kan afhankelijkheden, wiskundige voorwaarden of een plan met meerdere stappen analyseren voordat het definitieve antwoord wordt opgesteld. Een eenvoudige extractie of korte uitleg kan een eenvoudiger antwoorddoel hebben. Geef aan welke beperkingen verplicht zijn, welke aannames het model mag doen en wat het eindresultaat moet bevatten. De modelkaart van de familie vermeldt dat denkbudgetten niet altijd consequent worden nageleefd. Een gevraagd budget bewijst dus niet dat er een strikte bovengrens voor het redeneren geldt. Deze beschrijving schrijft de denkniveaus of standaardinstellingen van een nieuwer model niet toe aan de septembereditie.\n\nDe modeltabel voor deze specifieke septembereditie vermeldt maximaal 1.048.576 invoertokens en 65.536 uitvoertokens. Het ruime invoerprofiel biedt plaats aan instructies, voorbeelden, referentietekst en multimediacontext binnen één taak. Label de twee bronnen en geef een gemeenschappelijke reeks criteria om vereisten met een voorgestelde oplossing te vergelijken. Duid bij de bespreking van een schermafbeelding de relevante toestand of component aan; benoem bij een audio- of videotaak de vraag of gebeurtenis, in plaats van om een ongerichte beschrijving te vragen. Het resultaat blijft tekst: ingebouwde beeldcreatie, stemgeneratie en gesproken dialoog in realtime horen bij andere modelprofielen.\n\nGoogle documenteert functieaanroepen, code-uitvoering, zoekonderbouwing, URL-context en bestandszoeken voor deze specifieke preview. Bij een functieaanroep wordt een gedeclareerde functie gekozen en worden argumenten voorbereid; de gekoppelde toepassing voert de bewerking uit en geeft het resultaat terug. Code-uitvoering gebruikt gegenereerde Python-code voor berekeningen of tekstverwerking. Zoekonderbouwing levert webmateriaal voor een antwoord op basis van bronnen, terwijl URL-context werkt met de inhoud van opgegeven toegankelijke pagina's. Bestandszoeken biedt een bijkomende mogelijkheid om bronnen op te halen. Geef een agent een duidelijk doel voor elke tool en specificeer welke informatie elke stap moet opleveren, zodat de workflow kan voortgaan op basis van het werkelijk teruggegeven resultaat.\n\nDankzij ondersteuning voor gestructureerde uitvoer kan het eindresultaat als een reeks vastgelegde velden worden gebruikt. Vraag bij een vergelijking om een criterium, de bijbehorende bronpassage, het waargenomen verschil en de vraag die nog verduidelijking nodig heeft. Scheid bij een codetaak de voorgestelde wijziging van de uitleg en van de controles die nog nodig zijn. Googles specifieke modelprofiel vermeldt ook ondersteuning voor contextcaching en batchverwerking. Terugkerend bronmateriaal kan consistent worden gehouden bij verwante taken; caching op zich toont niet aan dat een bepaald verzoek tokens uit de cache heeft hergebruikt. Deze namen van mogelijkheden impliceren geen nieuwere schemacombinaties, cachedrempels of gelijktijdige toolmodi.\n\nDe modelkaart van de familie beschrijft een sparse mixture-of-experts-transformer met ingebouwd begrip van tekst, beelden en audio. De training combineert webtekst, code, afbeeldingen, audio en video; de natraining omvat gekoppelde multimodale instructies en antwoorden, menselijke voorkeuren en gegevens over toolgebruik. Bij de gegevensvoorbereiding worden deduplicatie en veiligheids- en kwaliteitsfilters toegepast. De pagina voor dit specifieke gedateerde model vermeldt januari 2025 als kennisgrens. Bij vragen die recentere informatie vereisen, moet het bronmateriaal of een geschikte ophaalstap worden aangeduid, in plaats van de trainingskennis van het model als een live informatiestroom te behandelen.\n\nWezenlijke beperkingen zijn onder meer het mogelijk verzinnen van feiten en moeilijkheden met causaal begrip, complexe logische deductie en contrafeitelijk redeneren. De modelkaart van de familie vermeldt ook dat antwoorden soms een onnodig belerende toon kunnen hebben. Vereis voor een bruikbaar resultaat dat het model feiten uit bronnen, aannames en voorgestelde acties van elkaar onderscheidt. Controleer vervolgens de onderdelen die bepalend zijn voor de beslissing. Een volledig eindresultaat van een agent kan de bevindingen, een onderbouwde volgende stap, de via tools verkregen informatie en eventuele open vragen bevatten. De nadruk op toolgebruik in de septemberrelease helpt die workflow te bepalen, terwijl voorbereide invoer en expliciete voltooiingscriteria hem bij de taak van de gebruiker houden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 is Googles septembereditie voor multimodale analyse en werk met tools in meerdere stappen. Het combineert begrip van tekst, beelden, video en audio met een denkfunctie, gestructureerde antwoorden en een invoerlimiet van 1.048.576 tokens, met specifieke verbeteringen in het gebruik van tools door agents.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gemini 2.5 Flash Preview 09-2025 is de previeweditie van september van Googles hybride redeneermodel. De gedocumenteerde invoer bestaat uit tekst, afbeeldingen, video en audio; de uitvoer is tekst. Het model kan de vraag combineren met visueel of gesproken materiaal en vervolgens een uitleg, een document, code of een gestructureerd antwoord produceren. Deze specifieke gedateerde editie staat los van de stabiele Gemini 2.5 Flash en van een veranderende latest-alias. Het is bedoeld voor multimodaal begrip en werk met ondersteuning van tools dat een geschreven resultaat oplevert.
Google beschrijft twee specifieke verbeteringen voor deze release: beter gebruik van tools door agents en zuinigere antwoordgeneratie wanneer de denkfunctie is ingeschakeld. Het eerste gaat over taken die verschillende samenhangende acties vereisen, zoals informatie verkrijgen, die vergelijken met het verzoek en de volgende stap kiezen. Het tweede gaat over bruikbare antwoorden produceren met minder gegenereerde tokens en met behoud van kwaliteit. Lever voor een ontwikkelassistent het waargenomen gedrag, de relevante code en het criterium voor een geslaagde wijziging aan. Definieer voor een onderzoeksassistent de vraag, het te onderzoeken materiaal en de onderbouwing die nodig is voor de conclusie.
De denkfunctie en een rechtstreeks antwoord maken deel uit van het hybride ontwerp. Een taak met de denkfunctie kan afhankelijkheden, wiskundige voorwaarden of een plan met meerdere stappen analyseren voordat het definitieve antwoord wordt opgesteld. Een eenvoudige extractie of korte uitleg kan een eenvoudiger antwoorddoel hebben. Geef aan welke beperkingen verplicht zijn, welke aannames het model mag doen en wat het eindresultaat moet bevatten. De modelkaart van de familie vermeldt dat denkbudgetten niet altijd consequent worden nageleefd. Een gevraagd budget bewijst dus niet dat er een strikte bovengrens voor het redeneren geldt. Deze beschrijving schrijft de denkniveaus of standaardinstellingen van een nieuwer model niet toe aan de septembereditie.
De modeltabel voor deze specifieke septembereditie vermeldt maximaal 1.048.576 invoertokens en 65.536 uitvoertokens. Het ruime invoerprofiel biedt plaats aan instructies, voorbeelden, referentietekst en multimediacontext binnen één taak. Label de twee bronnen en geef een gemeenschappelijke reeks criteria om vereisten met een voorgestelde oplossing te vergelijken. Duid bij de bespreking van een schermafbeelding de relevante toestand of component aan; benoem bij een audio- of videotaak de vraag of gebeurtenis, in plaats van om een ongerichte beschrijving te vragen. Het resultaat blijft tekst: ingebouwde beeldcreatie, stemgeneratie en gesproken dialoog in realtime horen bij andere modelprofielen.
Google documenteert functieaanroepen, code-uitvoering, zoekonderbouwing, URL-context en bestandszoeken voor deze specifieke preview. Bij een functieaanroep wordt een gedeclareerde functie gekozen en worden argumenten voorbereid; de gekoppelde toepassing voert de bewerking uit en geeft het resultaat terug. Code-uitvoering gebruikt gegenereerde Python-code voor berekeningen of tekstverwerking. Zoekonderbouwing levert webmateriaal voor een antwoord op basis van bronnen, terwijl URL-context werkt met de inhoud van opgegeven toegankelijke pagina's. Bestandszoeken biedt een bijkomende mogelijkheid om bronnen op te halen. Geef een agent een duidelijk doel voor elke tool en specificeer welke informatie elke stap moet opleveren, zodat de workflow kan voortgaan op basis van het werkelijk teruggegeven resultaat.
Dankzij ondersteuning voor gestructureerde uitvoer kan het eindresultaat als een reeks vastgelegde velden worden gebruikt. Vraag bij een vergelijking om een criterium, de bijbehorende bronpassage, het waargenomen verschil en de vraag die nog verduidelijking nodig heeft. Scheid bij een codetaak de voorgestelde wijziging van de uitleg en van de controles die nog nodig zijn. Googles specifieke modelprofiel vermeldt ook ondersteuning voor contextcaching en batchverwerking. Terugkerend bronmateriaal kan consistent worden gehouden bij verwante taken; caching op zich toont niet aan dat een bepaald verzoek tokens uit de cache heeft hergebruikt. Deze namen van mogelijkheden impliceren geen nieuwere schemacombinaties, cachedrempels of gelijktijdige toolmodi.
De modelkaart van de familie beschrijft een sparse mixture-of-experts-transformer met ingebouwd begrip van tekst, beelden en audio. De training combineert webtekst, code, afbeeldingen, audio en video; de natraining omvat gekoppelde multimodale instructies en antwoorden, menselijke voorkeuren en gegevens over toolgebruik. Bij de gegevensvoorbereiding worden deduplicatie en veiligheids- en kwaliteitsfilters toegepast. De pagina voor dit specifieke gedateerde model vermeldt januari 2025 als kennisgrens. Bij vragen die recentere informatie vereisen, moet het bronmateriaal of een geschikte ophaalstap worden aangeduid, in plaats van de trainingskennis van het model als een live informatiestroom te behandelen.
Wezenlijke beperkingen zijn onder meer het mogelijk verzinnen van feiten en moeilijkheden met causaal begrip, complexe logische deductie en contrafeitelijk redeneren. De modelkaart van de familie vermeldt ook dat antwoorden soms een onnodig belerende toon kunnen hebben. Vereis voor een bruikbaar resultaat dat het model feiten uit bronnen, aannames en voorgestelde acties van elkaar onderscheidt. Controleer vervolgens de onderdelen die bepalend zijn voor de beslissing. Een volledig eindresultaat van een agent kan de bevindingen, een onderbouwde volgende stap, de via tools verkregen informatie en eventuele open vragen bevatten. De nadruk op toolgebruik in de septemberrelease helpt die workflow te bepalen, terwijl voorbereide invoer en expliciete voltooiingscriteria hem bij de taak van de gebruiker houden.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten gemini-2.5-flash-preview-09-2025 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0006 / 1K tokens Uitvoer · Uitvoertokens $0.005 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-preview-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Gebruik de hierboven getoonde methodepaden.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 is Googles septembereditie voor multimodale analyse en werk met tools in meerdere stappen. Het combineert begrip van tekst, beelden, video en audio met een denkfunctie, gestructureerde antwoorden en een invoerlimiet van 1.048.576 tokens, met specifieke verbeteringen in het gebruik van tools door agents.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gemini 2.5 Flash Preview 09-2025 is de previeweditie van september van Googles hybride redeneermodel. De gedocumenteerde invoer bestaat uit tekst, afbeeldingen, video en audio; de uitvoer is tekst. Het model kan de vraag combineren met visueel of gesproken materiaal en vervolgens een uitleg, een document, code of een gestructureerd antwoord produceren. Deze specifieke gedateerde editie staat los van de stabiele Gemini 2.5 Flash en van een veranderende latest-alias. Het is bedoeld voor multimodaal begrip en werk met ondersteuning van tools dat een geschreven resultaat oplevert.
Google beschrijft twee specifieke verbeteringen voor deze release: beter gebruik van tools door agents en zuinigere antwoordgeneratie wanneer de denkfunctie is ingeschakeld. Het eerste gaat over taken die verschillende samenhangende acties vereisen, zoals informatie verkrijgen, die vergelijken met het verzoek en de volgende stap kiezen. Het tweede gaat over bruikbare antwoorden produceren met minder gegenereerde tokens en met behoud van kwaliteit. Lever voor een ontwikkelassistent het waargenomen gedrag, de relevante code en het criterium voor een geslaagde wijziging aan. Definieer voor een onderzoeksassistent de vraag, het te onderzoeken materiaal en de onderbouwing die nodig is voor de conclusie.
De denkfunctie en een rechtstreeks antwoord maken deel uit van het hybride ontwerp. Een taak met de denkfunctie kan afhankelijkheden, wiskundige voorwaarden of een plan met meerdere stappen analyseren voordat het definitieve antwoord wordt opgesteld. Een eenvoudige extractie of korte uitleg kan een eenvoudiger antwoorddoel hebben. Geef aan welke beperkingen verplicht zijn, welke aannames het model mag doen en wat het eindresultaat moet bevatten. De modelkaart van de familie vermeldt dat denkbudgetten niet altijd consequent worden nageleefd. Een gevraagd budget bewijst dus niet dat er een strikte bovengrens voor het redeneren geldt. Deze beschrijving schrijft de denkniveaus of standaardinstellingen van een nieuwer model niet toe aan de septembereditie.
De modeltabel voor deze specifieke septembereditie vermeldt maximaal 1.048.576 invoertokens en 65.536 uitvoertokens. Het ruime invoerprofiel biedt plaats aan instructies, voorbeelden, referentietekst en multimediacontext binnen één taak. Label de twee bronnen en geef een gemeenschappelijke reeks criteria om vereisten met een voorgestelde oplossing te vergelijken. Duid bij de bespreking van een schermafbeelding de relevante toestand of component aan; benoem bij een audio- of videotaak de vraag of gebeurtenis, in plaats van om een ongerichte beschrijving te vragen. Het resultaat blijft tekst: ingebouwde beeldcreatie, stemgeneratie en gesproken dialoog in realtime horen bij andere modelprofielen.
Google documenteert functieaanroepen, code-uitvoering, zoekonderbouwing, URL-context en bestandszoeken voor deze specifieke preview. Bij een functieaanroep wordt een gedeclareerde functie gekozen en worden argumenten voorbereid; de gekoppelde toepassing voert de bewerking uit en geeft het resultaat terug. Code-uitvoering gebruikt gegenereerde Python-code voor berekeningen of tekstverwerking. Zoekonderbouwing levert webmateriaal voor een antwoord op basis van bronnen, terwijl URL-context werkt met de inhoud van opgegeven toegankelijke pagina's. Bestandszoeken biedt een bijkomende mogelijkheid om bronnen op te halen. Geef een agent een duidelijk doel voor elke tool en specificeer welke informatie elke stap moet opleveren, zodat de workflow kan voortgaan op basis van het werkelijk teruggegeven resultaat.
Dankzij ondersteuning voor gestructureerde uitvoer kan het eindresultaat als een reeks vastgelegde velden worden gebruikt. Vraag bij een vergelijking om een criterium, de bijbehorende bronpassage, het waargenomen verschil en de vraag die nog verduidelijking nodig heeft. Scheid bij een codetaak de voorgestelde wijziging van de uitleg en van de controles die nog nodig zijn. Googles specifieke modelprofiel vermeldt ook ondersteuning voor contextcaching en batchverwerking. Terugkerend bronmateriaal kan consistent worden gehouden bij verwante taken; caching op zich toont niet aan dat een bepaald verzoek tokens uit de cache heeft hergebruikt. Deze namen van mogelijkheden impliceren geen nieuwere schemacombinaties, cachedrempels of gelijktijdige toolmodi.
De modelkaart van de familie beschrijft een sparse mixture-of-experts-transformer met ingebouwd begrip van tekst, beelden en audio. De training combineert webtekst, code, afbeeldingen, audio en video; de natraining omvat gekoppelde multimodale instructies en antwoorden, menselijke voorkeuren en gegevens over toolgebruik. Bij de gegevensvoorbereiding worden deduplicatie en veiligheids- en kwaliteitsfilters toegepast. De pagina voor dit specifieke gedateerde model vermeldt januari 2025 als kennisgrens. Bij vragen die recentere informatie vereisen, moet het bronmateriaal of een geschikte ophaalstap worden aangeduid, in plaats van de trainingskennis van het model als een live informatiestroom te behandelen.
Wezenlijke beperkingen zijn onder meer het mogelijk verzinnen van feiten en moeilijkheden met causaal begrip, complexe logische deductie en contrafeitelijk redeneren. De modelkaart van de familie vermeldt ook dat antwoorden soms een onnodig belerende toon kunnen hebben. Vereis voor een bruikbaar resultaat dat het model feiten uit bronnen, aannames en voorgestelde acties van elkaar onderscheidt. Controleer vervolgens de onderdelen die bepalend zijn voor de beslissing. Een volledig eindresultaat van een agent kan de bevindingen, een onderbouwde volgende stap, de via tools verkregen informatie en eventuele open vragen bevatten. De nadruk op toolgebruik in de septemberrelease helpt die workflow te bepalen, terwijl voorbereide invoer en expliciete voltooiingscriteria hem bij de taak van de gebruiker houden.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten gemini-2.5-flash-preview-09-2025 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0006 / 1K tokens Uitvoer · Uitvoertokens $0.005 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.