Gemini 2.5 Flash Preview 09-2025 to wrześniowa edycja zapoznawcza hybrydowego modelu rozumującego Google. Udokumentowane dane wejściowe obejmują tekst, obrazy, wideo i dźwięk; wynikiem jest tekst. Model może połączyć pytanie z materiałem wizualnym lub mówionym, a następnie przygotować wyjaśnienie, dokument, kod lub ustrukturyzowaną odpowiedź. Ta konkretna edycja oznaczona datą różni się od stabilnego Gemini 2.5 Flash oraz od zmiennego aliasu latest. Służy do rozumienia multimodalnego i pracy wspomaganej narzędziami, której wynikiem jest tekst.
Google opisuje dwa konkretne usprawnienia tego wydania: lepsze korzystanie z narzędzi przez agentów oraz bardziej oszczędne generowanie odpowiedzi przy włączonym rozumowaniu. Pierwsze dotyczy zadań wymagających kilku powiązanych działań, takich jak pozyskanie informacji, porównanie ich z zapytaniem i wybór kolejnego kroku. Drugie dotyczy tworzenia użytecznych odpowiedzi przy mniejszej liczbie generowanych tokenów i zachowaniu jakości. Dla asystenta programistycznego podaj zaobserwowane zachowanie, odpowiedni kod oraz kryterium udanej zmiany. Dla asystenta badawczego określ pytanie, materiał do zbadania i dowody potrzebne do sformułowania wniosku.
Rozumowanie i odpowiedź bezpośrednia są elementami hybrydowej konstrukcji. Zadanie wymagające rozumowania może obejmować analizę zależności, warunków matematycznych lub wieloetapowego planu przed przygotowaniem końcowej odpowiedzi. Proste wydobycie informacji lub krótkie wyjaśnienie może mieć prostszy cel odpowiedzi. Wskaż, które ograniczenia są obowiązkowe, co model może założyć i co musi zawierać rezultat końcowy. Karta rodziny modeli producenta odnotowuje, że przestrzeganie budżetów rozumowania bywa niespójne, dlatego żądany budżet nie dowodzi istnienia ścisłego limitu rozumowania. Ten opis nie przypisuje wrześniowej edycji poziomów rozumowania ani ustawień domyślnych nowszego modelu.
Tabela dotycząca dokładnie wrześniowego modelu podaje do 1 048 576 tokenów wejściowych i 65 536 tokenów wyjściowych. Duży zakres danych wejściowych może pomieścić instrukcje, przykłady, tekst referencyjny i kontekst multimedialny w jednym zadaniu. Aby porównać wymagania z proponowanym rozwiązaniem, oznacz oba źródła i podaj wspólny zestaw kryteriów. Aby omówić zrzut ekranu, wskaż istotny stan lub komponent; w przypadku zadania z dźwiękiem lub wideo nazwij pytanie lub zdarzenie, zamiast prosić o nieukierunkowany opis. Wynik pozostaje tekstowy: natywne tworzenie obrazów, generowanie głosu i rozmowa głosowa w czasie rzeczywistym należą do innych profili modeli.
Google dokumentuje dla tej konkretnej wersji zapoznawczej wywoływanie funkcji, wykonywanie kodu, oparcie odpowiedzi na wynikach wyszukiwania, kontekst URL i przeszukiwanie plików. Wywoływanie funkcji polega na wyborze zadeklarowanej funkcji i przygotowaniu argumentów; połączona aplikacja wykonuje operację i zwraca jej wynik. Wykonywanie kodu wykorzystuje wygenerowany kod Python do obliczeń lub przetwarzania tekstu. Oparcie odpowiedzi na wynikach wyszukiwania dostarcza materiały z sieci do odpowiedzi uwzględniającej źródła, natomiast kontekst URL korzysta z zawartości wskazanych dostępnych stron. Przeszukiwanie plików zapewnia kolejną możliwość pobierania materiałów źródłowych. Określ dla agenta jasny cel użycia każdego narzędzia oraz informacje oczekiwane na każdym etapie, aby proces mógł być kontynuowany na podstawie faktycznie zwróconego wyniku.
Obsługa ustrukturyzowanych odpowiedzi pozwala wykorzystać rezultat końcowy jako zestaw określonych pól. W przypadku porównania poproś o kryterium, odpowiadający mu fragment źródła, zaobserwowaną różnicę i pytanie nadal wymagające wyjaśnienia. W zadaniu programistycznym oddziel proponowaną zmianę od jej wyjaśnienia oraz weryfikacji, które wciąż trzeba wykonać. Dokładny profil modelu Google wymienia również obsługę buforowania kontekstu i przetwarzania wsadowego. Powtarzające się materiały źródłowe można utrzymywać w spójnej postaci w powiązanych zadaniach; samo buforowanie nie dowodzi, że konkretne zapytanie ponownie wykorzystało tokeny z pamięci podręcznej. Nazwy tych możliwości nie oznaczają nowszych kombinacji schematów, progów buforowania ani jednoczesnych trybów narzędzi.
Karta rodziny modeli opisuje model typu Transformer o architekturze rzadkiej mieszanki ekspertów (sparse mixture-of-experts) z natywnym rozumieniem tekstu, materiałów wizualnych i dźwięku. Trening łączy tekst z sieci, kod, obrazy, dźwięk i wideo; dalsze dostrajanie obejmuje sparowane multimodalne instrukcje i odpowiedzi, preferencje ludzi oraz dane dotyczące używania narzędzi. Przygotowanie danych obejmuje usuwanie duplikatów oraz filtrowanie pod kątem bezpieczeństwa i jakości. Strona konkretnego modelu oznaczonego datą podaje styczeń 2025 jako granicę wiedzy. Pytania wymagające nowszych informacji powinny wskazywać materiał źródłowy lub odpowiedni krok pobierania danych, zamiast traktować wiedzę z treningu modelu jako bieżący strumień informacji.
Istotne ograniczenia obejmują możliwość zmyślania faktów oraz trudności z rozumieniem przyczynowości, złożonym wnioskowaniem logicznym i rozumowaniem kontrfaktycznym. Karta rodziny modeli odnotowuje również, że odpowiedzi mogą czasem mieć niepotrzebnie pouczający ton. Aby uzyskać użyteczny wynik, wymagaj od modelu rozróżniania faktów źródłowych, założeń i proponowanych działań, a następnie sprawdź części decydujące o decyzji. Kompletny rezultat pracy agenta może zawierać ustalenia, uzasadniony następny krok, informacje uzyskane z narzędzi oraz nierozstrzygnięte pytania. Nacisk wrześniowego wydania na używanie narzędzi pomaga określić taki proces, a przygotowane dane wejściowe i jawne kryteria ukończenia wiążą go z zadaniem użytkownika.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 to wrześniowa edycja zapoznawcza hybrydowego modelu rozumującego Google. Udokumentowane dane wejściowe obejmują tekst, obrazy, wideo i dźwięk; wynikiem jest tekst. Model może połączyć pytanie z materiałem wizualnym lub mówionym, a następnie przygotować wyjaśnienie, dokument, kod lub ustrukturyzowaną odpowiedź. Ta konkretna edycja oznaczona datą różni się od stabilnego Gemini 2.5 Flash oraz od zmiennego aliasu latest. Służy do rozumienia multimodalnego i pracy wspomaganej narzędziami, której wynikiem jest tekst.\n\nGoogle opisuje dwa konkretne usprawnienia tego wydania: lepsze korzystanie z narzędzi przez agentów oraz bardziej oszczędne generowanie odpowiedzi przy włączonym rozumowaniu. Pierwsze dotyczy zadań wymagających kilku powiązanych działań, takich jak pozyskanie informacji, porównanie ich z zapytaniem i wybór kolejnego kroku. Drugie dotyczy tworzenia użytecznych odpowiedzi przy mniejszej liczbie generowanych tokenów i zachowaniu jakości. Dla asystenta programistycznego podaj zaobserwowane zachowanie, odpowiedni kod oraz kryterium udanej zmiany. Dla asystenta badawczego określ pytanie, materiał do zbadania i dowody potrzebne do sformułowania wniosku.\n\nRozumowanie i odpowiedź bezpośrednia są elementami hybrydowej konstrukcji. Zadanie wymagające rozumowania może obejmować analizę zależności, warunków matematycznych lub wieloetapowego planu przed przygotowaniem końcowej odpowiedzi. Proste wydobycie informacji lub krótkie wyjaśnienie może mieć prostszy cel odpowiedzi. Wskaż, które ograniczenia są obowiązkowe, co model może założyć i co musi zawierać rezultat końcowy. Karta rodziny modeli producenta odnotowuje, że przestrzeganie budżetów rozumowania bywa niespójne, dlatego żądany budżet nie dowodzi istnienia ścisłego limitu rozumowania. Ten opis nie przypisuje wrześniowej edycji poziomów rozumowania ani ustawień domyślnych nowszego modelu.\n\nTabela dotycząca dokładnie wrześniowego modelu podaje do 1 048 576 tokenów wejściowych i 65 536 tokenów wyjściowych. Duży zakres danych wejściowych może pomieścić instrukcje, przykłady, tekst referencyjny i kontekst multimedialny w jednym zadaniu. Aby porównać wymagania z proponowanym rozwiązaniem, oznacz oba źródła i podaj wspólny zestaw kryteriów. Aby omówić zrzut ekranu, wskaż istotny stan lub komponent; w przypadku zadania z dźwiękiem lub wideo nazwij pytanie lub zdarzenie, zamiast prosić o nieukierunkowany opis. Wynik pozostaje tekstowy: natywne tworzenie obrazów, generowanie głosu i rozmowa głosowa w czasie rzeczywistym należą do innych profili modeli.\n\nGoogle dokumentuje dla tej konkretnej wersji zapoznawczej wywoływanie funkcji, wykonywanie kodu, oparcie odpowiedzi na wynikach wyszukiwania, kontekst URL i przeszukiwanie plików. Wywoływanie funkcji polega na wyborze zadeklarowanej funkcji i przygotowaniu argumentów; połączona aplikacja wykonuje operację i zwraca jej wynik. Wykonywanie kodu wykorzystuje wygenerowany kod Python do obliczeń lub przetwarzania tekstu. Oparcie odpowiedzi na wynikach wyszukiwania dostarcza materiały z sieci do odpowiedzi uwzględniającej źródła, natomiast kontekst URL korzysta z zawartości wskazanych dostępnych stron. Przeszukiwanie plików zapewnia kolejną możliwość pobierania materiałów źródłowych. Określ dla agenta jasny cel użycia każdego narzędzia oraz informacje oczekiwane na każdym etapie, aby proces mógł być kontynuowany na podstawie faktycznie zwróconego wyniku.\n\nObsługa ustrukturyzowanych odpowiedzi pozwala wykorzystać rezultat końcowy jako zestaw określonych pól. W przypadku porównania poproś o kryterium, odpowiadający mu fragment źródła, zaobserwowaną różnicę i pytanie nadal wymagające wyjaśnienia. W zadaniu programistycznym oddziel proponowaną zmianę od jej wyjaśnienia oraz weryfikacji, które wciąż trzeba wykonać. Dokładny profil modelu Google wymienia również obsługę buforowania kontekstu i przetwarzania wsadowego. Powtarzające się materiały źródłowe można utrzymywać w spójnej postaci w powiązanych zadaniach; samo buforowanie nie dowodzi, że konkretne zapytanie ponownie wykorzystało tokeny z pamięci podręcznej. Nazwy tych możliwości nie oznaczają nowszych kombinacji schematów, progów buforowania ani jednoczesnych trybów narzędzi.\n\nKarta rodziny modeli opisuje model typu Transformer o architekturze rzadkiej mieszanki ekspertów (sparse mixture-of-experts) z natywnym rozumieniem tekstu, materiałów wizualnych i dźwięku. Trening łączy tekst z sieci, kod, obrazy, dźwięk i wideo; dalsze dostrajanie obejmuje sparowane multimodalne instrukcje i odpowiedzi, preferencje ludzi oraz dane dotyczące używania narzędzi. Przygotowanie danych obejmuje usuwanie duplikatów oraz filtrowanie pod kątem bezpieczeństwa i jakości. Strona konkretnego modelu oznaczonego datą podaje styczeń 2025 jako granicę wiedzy. Pytania wymagające nowszych informacji powinny wskazywać materiał źródłowy lub odpowiedni krok pobierania danych, zamiast traktować wiedzę z treningu modelu jako bieżący strumień informacji.\n\nIstotne ograniczenia obejmują możliwość zmyślania faktów oraz trudności z rozumieniem przyczynowości, złożonym wnioskowaniem logicznym i rozumowaniem kontrfaktycznym. Karta rodziny modeli odnotowuje również, że odpowiedzi mogą czasem mieć niepotrzebnie pouczający ton. Aby uzyskać użyteczny wynik, wymagaj od modelu rozróżniania faktów źródłowych, założeń i proponowanych działań, a następnie sprawdź części decydujące o decyzji. Kompletny rezultat pracy agenta może zawierać ustalenia, uzasadniony następny krok, informacje uzyskane z narzędzi oraz nierozstrzygnięte pytania. Nacisk wrześniowego wydania na używanie narzędzi pomaga określić taki proces, a przygotowane dane wejściowe i jawne kryteria ukończenia wiążą go z zadaniem użytkownika.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 to wrześniowa edycja Google do analizy multimodalnej i wieloetapowej pracy z narzędziami. Łączy rozumienie tekstu, obrazów, wideo i dźwięku z rozumowaniem, ustrukturyzowanymi odpowiedziami oraz limitem wejściowym 1 048 576 tokenów, wprowadzając konkretne usprawnienia w korzystaniu z narzędzi przez agentów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 2.5 Flash Preview 09-2025 to wrześniowa edycja zapoznawcza hybrydowego modelu rozumującego Google. Udokumentowane dane wejściowe obejmują tekst, obrazy, wideo i dźwięk; wynikiem jest tekst. Model może połączyć pytanie z materiałem wizualnym lub mówionym, a następnie przygotować wyjaśnienie, dokument, kod lub ustrukturyzowaną odpowiedź. Ta konkretna edycja oznaczona datą różni się od stabilnego Gemini 2.5 Flash oraz od zmiennego aliasu latest. Służy do rozumienia multimodalnego i pracy wspomaganej narzędziami, której wynikiem jest tekst.
Google opisuje dwa konkretne usprawnienia tego wydania: lepsze korzystanie z narzędzi przez agentów oraz bardziej oszczędne generowanie odpowiedzi przy włączonym rozumowaniu. Pierwsze dotyczy zadań wymagających kilku powiązanych działań, takich jak pozyskanie informacji, porównanie ich z zapytaniem i wybór kolejnego kroku. Drugie dotyczy tworzenia użytecznych odpowiedzi przy mniejszej liczbie generowanych tokenów i zachowaniu jakości. Dla asystenta programistycznego podaj zaobserwowane zachowanie, odpowiedni kod oraz kryterium udanej zmiany. Dla asystenta badawczego określ pytanie, materiał do zbadania i dowody potrzebne do sformułowania wniosku.
Rozumowanie i odpowiedź bezpośrednia są elementami hybrydowej konstrukcji. Zadanie wymagające rozumowania może obejmować analizę zależności, warunków matematycznych lub wieloetapowego planu przed przygotowaniem końcowej odpowiedzi. Proste wydobycie informacji lub krótkie wyjaśnienie może mieć prostszy cel odpowiedzi. Wskaż, które ograniczenia są obowiązkowe, co model może założyć i co musi zawierać rezultat końcowy. Karta rodziny modeli producenta odnotowuje, że przestrzeganie budżetów rozumowania bywa niespójne, dlatego żądany budżet nie dowodzi istnienia ścisłego limitu rozumowania. Ten opis nie przypisuje wrześniowej edycji poziomów rozumowania ani ustawień domyślnych nowszego modelu.
Tabela dotycząca dokładnie wrześniowego modelu podaje do 1 048 576 tokenów wejściowych i 65 536 tokenów wyjściowych. Duży zakres danych wejściowych może pomieścić instrukcje, przykłady, tekst referencyjny i kontekst multimedialny w jednym zadaniu. Aby porównać wymagania z proponowanym rozwiązaniem, oznacz oba źródła i podaj wspólny zestaw kryteriów. Aby omówić zrzut ekranu, wskaż istotny stan lub komponent; w przypadku zadania z dźwiękiem lub wideo nazwij pytanie lub zdarzenie, zamiast prosić o nieukierunkowany opis. Wynik pozostaje tekstowy: natywne tworzenie obrazów, generowanie głosu i rozmowa głosowa w czasie rzeczywistym należą do innych profili modeli.
Google dokumentuje dla tej konkretnej wersji zapoznawczej wywoływanie funkcji, wykonywanie kodu, oparcie odpowiedzi na wynikach wyszukiwania, kontekst URL i przeszukiwanie plików. Wywoływanie funkcji polega na wyborze zadeklarowanej funkcji i przygotowaniu argumentów; połączona aplikacja wykonuje operację i zwraca jej wynik. Wykonywanie kodu wykorzystuje wygenerowany kod Python do obliczeń lub przetwarzania tekstu. Oparcie odpowiedzi na wynikach wyszukiwania dostarcza materiały z sieci do odpowiedzi uwzględniającej źródła, natomiast kontekst URL korzysta z zawartości wskazanych dostępnych stron. Przeszukiwanie plików zapewnia kolejną możliwość pobierania materiałów źródłowych. Określ dla agenta jasny cel użycia każdego narzędzia oraz informacje oczekiwane na każdym etapie, aby proces mógł być kontynuowany na podstawie faktycznie zwróconego wyniku.
Obsługa ustrukturyzowanych odpowiedzi pozwala wykorzystać rezultat końcowy jako zestaw określonych pól. W przypadku porównania poproś o kryterium, odpowiadający mu fragment źródła, zaobserwowaną różnicę i pytanie nadal wymagające wyjaśnienia. W zadaniu programistycznym oddziel proponowaną zmianę od jej wyjaśnienia oraz weryfikacji, które wciąż trzeba wykonać. Dokładny profil modelu Google wymienia również obsługę buforowania kontekstu i przetwarzania wsadowego. Powtarzające się materiały źródłowe można utrzymywać w spójnej postaci w powiązanych zadaniach; samo buforowanie nie dowodzi, że konkretne zapytanie ponownie wykorzystało tokeny z pamięci podręcznej. Nazwy tych możliwości nie oznaczają nowszych kombinacji schematów, progów buforowania ani jednoczesnych trybów narzędzi.
Karta rodziny modeli opisuje model typu Transformer o architekturze rzadkiej mieszanki ekspertów (sparse mixture-of-experts) z natywnym rozumieniem tekstu, materiałów wizualnych i dźwięku. Trening łączy tekst z sieci, kod, obrazy, dźwięk i wideo; dalsze dostrajanie obejmuje sparowane multimodalne instrukcje i odpowiedzi, preferencje ludzi oraz dane dotyczące używania narzędzi. Przygotowanie danych obejmuje usuwanie duplikatów oraz filtrowanie pod kątem bezpieczeństwa i jakości. Strona konkretnego modelu oznaczonego datą podaje styczeń 2025 jako granicę wiedzy. Pytania wymagające nowszych informacji powinny wskazywać materiał źródłowy lub odpowiedni krok pobierania danych, zamiast traktować wiedzę z treningu modelu jako bieżący strumień informacji.
Istotne ograniczenia obejmują możliwość zmyślania faktów oraz trudności z rozumieniem przyczynowości, złożonym wnioskowaniem logicznym i rozumowaniem kontrfaktycznym. Karta rodziny modeli odnotowuje również, że odpowiedzi mogą czasem mieć niepotrzebnie pouczający ton. Aby uzyskać użyteczny wynik, wymagaj od modelu rozróżniania faktów źródłowych, założeń i proponowanych działań, a następnie sprawdź części decydujące o decyzji. Kompletny rezultat pracy agenta może zawierać ustalenia, uzasadniony następny krok, informacje uzyskane z narzędzi oraz nierozstrzygnięte pytania. Nacisk wrześniowego wydania na używanie narzędzi pomaga określić taki proces, a przygotowane dane wejściowe i jawne kryteria ukończenia wiążą go z zadaniem użytkownika.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity gemini-2.5-flash-preview-09-2025 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Użyj ścieżek metod podanych powyżej.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 to wrześniowa edycja Google do analizy multimodalnej i wieloetapowej pracy z narzędziami. Łączy rozumienie tekstu, obrazów, wideo i dźwięku z rozumowaniem, ustrukturyzowanymi odpowiedziami oraz limitem wejściowym 1 048 576 tokenów, wprowadzając konkretne usprawnienia w korzystaniu z narzędzi przez agentów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 2.5 Flash Preview 09-2025 to wrześniowa edycja zapoznawcza hybrydowego modelu rozumującego Google. Udokumentowane dane wejściowe obejmują tekst, obrazy, wideo i dźwięk; wynikiem jest tekst. Model może połączyć pytanie z materiałem wizualnym lub mówionym, a następnie przygotować wyjaśnienie, dokument, kod lub ustrukturyzowaną odpowiedź. Ta konkretna edycja oznaczona datą różni się od stabilnego Gemini 2.5 Flash oraz od zmiennego aliasu latest. Służy do rozumienia multimodalnego i pracy wspomaganej narzędziami, której wynikiem jest tekst.
Google opisuje dwa konkretne usprawnienia tego wydania: lepsze korzystanie z narzędzi przez agentów oraz bardziej oszczędne generowanie odpowiedzi przy włączonym rozumowaniu. Pierwsze dotyczy zadań wymagających kilku powiązanych działań, takich jak pozyskanie informacji, porównanie ich z zapytaniem i wybór kolejnego kroku. Drugie dotyczy tworzenia użytecznych odpowiedzi przy mniejszej liczbie generowanych tokenów i zachowaniu jakości. Dla asystenta programistycznego podaj zaobserwowane zachowanie, odpowiedni kod oraz kryterium udanej zmiany. Dla asystenta badawczego określ pytanie, materiał do zbadania i dowody potrzebne do sformułowania wniosku.
Rozumowanie i odpowiedź bezpośrednia są elementami hybrydowej konstrukcji. Zadanie wymagające rozumowania może obejmować analizę zależności, warunków matematycznych lub wieloetapowego planu przed przygotowaniem końcowej odpowiedzi. Proste wydobycie informacji lub krótkie wyjaśnienie może mieć prostszy cel odpowiedzi. Wskaż, które ograniczenia są obowiązkowe, co model może założyć i co musi zawierać rezultat końcowy. Karta rodziny modeli producenta odnotowuje, że przestrzeganie budżetów rozumowania bywa niespójne, dlatego żądany budżet nie dowodzi istnienia ścisłego limitu rozumowania. Ten opis nie przypisuje wrześniowej edycji poziomów rozumowania ani ustawień domyślnych nowszego modelu.
Tabela dotycząca dokładnie wrześniowego modelu podaje do 1 048 576 tokenów wejściowych i 65 536 tokenów wyjściowych. Duży zakres danych wejściowych może pomieścić instrukcje, przykłady, tekst referencyjny i kontekst multimedialny w jednym zadaniu. Aby porównać wymagania z proponowanym rozwiązaniem, oznacz oba źródła i podaj wspólny zestaw kryteriów. Aby omówić zrzut ekranu, wskaż istotny stan lub komponent; w przypadku zadania z dźwiękiem lub wideo nazwij pytanie lub zdarzenie, zamiast prosić o nieukierunkowany opis. Wynik pozostaje tekstowy: natywne tworzenie obrazów, generowanie głosu i rozmowa głosowa w czasie rzeczywistym należą do innych profili modeli.
Google dokumentuje dla tej konkretnej wersji zapoznawczej wywoływanie funkcji, wykonywanie kodu, oparcie odpowiedzi na wynikach wyszukiwania, kontekst URL i przeszukiwanie plików. Wywoływanie funkcji polega na wyborze zadeklarowanej funkcji i przygotowaniu argumentów; połączona aplikacja wykonuje operację i zwraca jej wynik. Wykonywanie kodu wykorzystuje wygenerowany kod Python do obliczeń lub przetwarzania tekstu. Oparcie odpowiedzi na wynikach wyszukiwania dostarcza materiały z sieci do odpowiedzi uwzględniającej źródła, natomiast kontekst URL korzysta z zawartości wskazanych dostępnych stron. Przeszukiwanie plików zapewnia kolejną możliwość pobierania materiałów źródłowych. Określ dla agenta jasny cel użycia każdego narzędzia oraz informacje oczekiwane na każdym etapie, aby proces mógł być kontynuowany na podstawie faktycznie zwróconego wyniku.
Obsługa ustrukturyzowanych odpowiedzi pozwala wykorzystać rezultat końcowy jako zestaw określonych pól. W przypadku porównania poproś o kryterium, odpowiadający mu fragment źródła, zaobserwowaną różnicę i pytanie nadal wymagające wyjaśnienia. W zadaniu programistycznym oddziel proponowaną zmianę od jej wyjaśnienia oraz weryfikacji, które wciąż trzeba wykonać. Dokładny profil modelu Google wymienia również obsługę buforowania kontekstu i przetwarzania wsadowego. Powtarzające się materiały źródłowe można utrzymywać w spójnej postaci w powiązanych zadaniach; samo buforowanie nie dowodzi, że konkretne zapytanie ponownie wykorzystało tokeny z pamięci podręcznej. Nazwy tych możliwości nie oznaczają nowszych kombinacji schematów, progów buforowania ani jednoczesnych trybów narzędzi.
Karta rodziny modeli opisuje model typu Transformer o architekturze rzadkiej mieszanki ekspertów (sparse mixture-of-experts) z natywnym rozumieniem tekstu, materiałów wizualnych i dźwięku. Trening łączy tekst z sieci, kod, obrazy, dźwięk i wideo; dalsze dostrajanie obejmuje sparowane multimodalne instrukcje i odpowiedzi, preferencje ludzi oraz dane dotyczące używania narzędzi. Przygotowanie danych obejmuje usuwanie duplikatów oraz filtrowanie pod kątem bezpieczeństwa i jakości. Strona konkretnego modelu oznaczonego datą podaje styczeń 2025 jako granicę wiedzy. Pytania wymagające nowszych informacji powinny wskazywać materiał źródłowy lub odpowiedni krok pobierania danych, zamiast traktować wiedzę z treningu modelu jako bieżący strumień informacji.
Istotne ograniczenia obejmują możliwość zmyślania faktów oraz trudności z rozumieniem przyczynowości, złożonym wnioskowaniem logicznym i rozumowaniem kontrfaktycznym. Karta rodziny modeli odnotowuje również, że odpowiedzi mogą czasem mieć niepotrzebnie pouczający ton. Aby uzyskać użyteczny wynik, wymagaj od modelu rozróżniania faktów źródłowych, założeń i proponowanych działań, a następnie sprawdź części decydujące o decyzji. Kompletny rezultat pracy agenta może zawierać ustalenia, uzasadniony następny krok, informacje uzyskane z narzędzi oraz nierozstrzygnięte pytania. Nacisk wrześniowego wydania na używanie narzędzi pomaga określić taki proces, a przygotowane dane wejściowe i jawne kryteria ukończenia wiążą go z zadaniem użytkownika.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity gemini-2.5-flash-preview-09-2025 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0006 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.