Gemini 2.5 Pro to stabilny profil myślenia Google do zaawansowanego programowania, matematyki, STEM i analizy długiego kontekstu. Potrafi rozumieć tekst, audio, obrazy, wideo i całe repozytoria kodu, a jego profil Gemini API przyjmuje również wejście PDF. Wyjściem jest tekst, w tym kod, pisemna analiza lub rekord strukturalny. Przydatne zlecenie dostarcza dowodów i wymaga wyniku, który można sprawdzić, takiego jak rozwiązanie z wyjaśnieniem, ustalenie dotyczące kodu projektu lub porównanie kilku dokumentów.
Dla programowania podaj odpowiednie pliki, zaobserwowane zachowanie i istotną zmianę lub pytanie. Długi kontekst może pomóc modelowi powiązać moduły zamiast rozumować na podstawie jednego izolowanego fragmentu. W badaniu ścieżki kodu poproś o prześledzenie identyfikatora od formularza wejściowego przez przetwarzanie i zapis, wskazanie miejsca zmiany kontraktu i zaproponowanie konkretnej poprawki. Zachowaj ograniczenia i poproś o potwierdzające odwołania. Proponowana zmiana wymaga porównania z rzeczywistym kodem i wszelką walidacją wykonaną przez połączone narzędzia.
Dla matematyki lub analizy naukowej określ problem, założenia, jednostki i wymaganą postać odpowiedzi. Dostarcz dane lub rysunki, od których zależy obliczenie. Poproś o poparty wynik i kontrole pozwalające go ocenić, takie jak przypadki brzegowe lub porównanie z oryginalnymi wartościami. Możliwości rozumowania modelu nie usuwają niejednoznaczności treści problemu. Zachowuj widoczną nieznaną wielkość lub niepoparte założenie zamiast zastępować je wygodną wartością.
Dynamiczne myślenie jest udokumentowanym ustawieniem domyślnym. Przewodnik Gemini 2.5 GenerateContent obsługuje jawny budżet rozumowania od 128 do 32,768 tokenów dla Pro lub -1 dla myślenia adaptacyjnego. Ta edycja nie może całkowicie wyłączyć myślenia. Ustawienia te różnią się od opcji zerowego budżetu Flash i poziomów myślenia Gemini 3. Budżet myślenia kieruje rozumowaniem zamiast gwarantować dokładną liczbę tokenów wewnętrznych, a limit odpowiedzi musi również pozostawiać miejsce na rezultat końcowy.
W multimodalnej pracy dokumentowej wskaż strony, wykres, obszar obrazu lub zdarzenie w nagraniu, które powinny wspierać odpowiedź. Praktyczne zadanie syntezy może wymagać konkurujących twierdzeń z kilku dokumentów źródłowych, potwierdzających je fragmentów i różnic istotnych dla jednej decyzji. Poproś model o odróżnianie stwierdzonego faktu od wniosku. Dla wideo lub audio określ, czy wynik ma być opisem, transkryptem, podsumowaniem czy porównaniem. Obraz i dźwięk są w tym profilu dowodami dla wyniku tekstowego.
Dokładna strona API dokumentuje wywoływanie funkcji, wykonywanie kodu, wyszukiwanie plików, ugruntowanie przez wyszukiwanie, ugruntowanie Maps, kontekst URL i structured outputs. Zdefiniuj cele funkcji i pola parametrów oraz zachowuj rzeczywiste wyniki w późniejszych turach. Dla rekordu ograniczonego schematem określ wymagane pola i sposób reprezentacji brakujących informacji. Natywna architektura to multimodalny rzadki transformer mixture-of-experts; ta konstrukcja modelu sama w sobie nie zapewnia zewnętrznego wykonania narzędzi ani gotowej aplikacji poza zwróconym tekstem lub kodem.
Natywna karta podaje kontekst wejściowy 1M i wyjście tekstowe 64K; tabela API określa 1,048,576 tokenów wejściowych i 65,536 tokenów wyjściowych. Instrukcje, treść źródeł i zachowana historia składają się na przygotowanie wejścia. Maksymalny limit odpowiedzi obejmuje tokeny rozumowania, więc zbyt mały limit może przerwać odpowiedź końcową. Udokumentowano buforowanie i przetwarzanie wsadowe wraz z opcjami Flex i Priority. Przy przygotowaniu niezależnych zadań z długim kontekstem zachowuj identyfikator każdego źródła i żądaną postać końcową.
Stabilny identyfikator jest odrębny od edycji Experimental i Preview omawianych osobno we wspólnej karcie modelu Pro. Nie przypisuj ich wyników właściwych dla danej wersji temu profilowi tylko dlatego, że współdzielą nazwę Pro. Karta wskazuje możliwe halucynacje i ograniczenia w rozumieniu przyczynowości, złożonej dedukcji i rozumowaniu kontrfaktycznym, z datą graniczną wiedzy styczeń 2025. Dostarcz aktualne dowody, gdy mają znaczenie, i sprawdzaj odwołania do źródeł, obliczenia i proponowane modyfikacje. Przydatne wyjście to poparty rezultat tekstowy lub kodowy wymagany w zadaniu.
", "aboutText": "Gemini 2.5 Pro to stabilny profil myślenia Google do zaawansowanego programowania, matematyki, STEM i analizy długiego kontekstu. Potrafi rozumieć tekst, audio, obrazy, wideo i całe repozytoria kodu, a jego profil Gemini API przyjmuje również wejście PDF. Wyjściem jest tekst, w tym kod, pisemna analiza lub rekord strukturalny. Przydatne zlecenie dostarcza dowodów i wymaga wyniku, który można sprawdzić, takiego jak rozwiązanie z wyjaśnieniem, ustalenie dotyczące kodu projektu lub porównanie kilku dokumentów.\n\nDla programowania podaj odpowiednie pliki, zaobserwowane zachowanie i istotną zmianę lub pytanie. Długi kontekst może pomóc modelowi powiązać moduły zamiast rozumować na podstawie jednego izolowanego fragmentu. W badaniu ścieżki kodu poproś o prześledzenie identyfikatora od formularza wejściowego przez przetwarzanie i zapis, wskazanie miejsca zmiany kontraktu i zaproponowanie konkretnej poprawki. Zachowaj ograniczenia i poproś o potwierdzające odwołania. Proponowana zmiana wymaga porównania z rzeczywistym kodem i wszelką walidacją wykonaną przez połączone narzędzia.\n\nDla matematyki lub analizy naukowej określ problem, założenia, jednostki i wymaganą postać odpowiedzi. Dostarcz dane lub rysunki, od których zależy obliczenie. Poproś o poparty wynik i kontrole pozwalające go ocenić, takie jak przypadki brzegowe lub porównanie z oryginalnymi wartościami. Możliwości rozumowania modelu nie usuwają niejednoznaczności treści problemu. Zachowuj widoczną nieznaną wielkość lub niepoparte założenie zamiast zastępować je wygodną wartością.\n\nDynamiczne myślenie jest udokumentowanym ustawieniem domyślnym. Przewodnik Gemini 2.5 GenerateContent obsługuje jawny budżet rozumowania od 128 do 32,768 tokenów dla Pro lub -1 dla myślenia adaptacyjnego. Ta edycja nie może całkowicie wyłączyć myślenia. Ustawienia te różnią się od opcji zerowego budżetu Flash i poziomów myślenia Gemini 3. Budżet myślenia kieruje rozumowaniem zamiast gwarantować dokładną liczbę tokenów wewnętrznych, a limit odpowiedzi musi również pozostawiać miejsce na rezultat końcowy.\n\nW multimodalnej pracy dokumentowej wskaż strony, wykres, obszar obrazu lub zdarzenie w nagraniu, które powinny wspierać odpowiedź. Praktyczne zadanie syntezy może wymagać konkurujących twierdzeń z kilku dokumentów źródłowych, potwierdzających je fragmentów i różnic istotnych dla jednej decyzji. Poproś model o odróżnianie stwierdzonego faktu od wniosku. Dla wideo lub audio określ, czy wynik ma być opisem, transkryptem, podsumowaniem czy porównaniem. Obraz i dźwięk są w tym profilu dowodami dla wyniku tekstowego.\n\nDokładna strona API dokumentuje wywoływanie funkcji, wykonywanie kodu, wyszukiwanie plików, ugruntowanie przez wyszukiwanie, ugruntowanie Maps, kontekst URL i structured outputs. Zdefiniuj cele funkcji i pola parametrów oraz zachowuj rzeczywiste wyniki w późniejszych turach. Dla rekordu ograniczonego schematem określ wymagane pola i sposób reprezentacji brakujących informacji. Natywna architektura to multimodalny rzadki transformer mixture-of-experts; ta konstrukcja modelu sama w sobie nie zapewnia zewnętrznego wykonania narzędzi ani gotowej aplikacji poza zwróconym tekstem lub kodem.\n\nNatywna karta podaje kontekst wejściowy 1M i wyjście tekstowe 64K; tabela API określa 1,048,576 tokenów wejściowych i 65,536 tokenów wyjściowych. Instrukcje, treść źródeł i zachowana historia składają się na przygotowanie wejścia. Maksymalny limit odpowiedzi obejmuje tokeny rozumowania, więc zbyt mały limit może przerwać odpowiedź końcową. Udokumentowano buforowanie i przetwarzanie wsadowe wraz z opcjami Flex i Priority. Przy przygotowaniu niezależnych zadań z długim kontekstem zachowuj identyfikator każdego źródła i żądaną postać końcową.\n\nStabilny identyfikator jest odrębny od edycji Experimental i Preview omawianych osobno we wspólnej karcie modelu Pro. Nie przypisuj ich wyników właściwych dla danej wersji temu profilowi tylko dlatego, że współdzielą nazwę Pro. Karta wskazuje możliwe halucynacje i ograniczenia w rozumieniu przyczynowości, złożonej dedukcji i rozumowaniu kontrfaktycznym, z datą graniczną wiedzy styczeń 2025. Dostarcz aktualne dowody, gdy mają znaczenie, i sprawdzaj odwołania do źródeł, obliczenia i proponowane modyfikacje. Przydatne wyjście to poparty rezultat tekstowy lub kodowy wymagany w zadaniu.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.gemini-2.5-proGemini 2.5 Pro to stabilny model myślący Google do złożonego kodu, matematyki, STEM i analizy długiego kontekstu. Przyjmuje tekst, obrazy, audio, wideo i PDF, a zwraca tekst, z narzędziami i wyjściem strukturalnym. Dynamiczny budżet rozumowania obsługuje 128–32,768 tokenów i nie można go całkowicie wyłączyć.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 2.5 Pro to stabilny profil myślenia Google do zaawansowanego programowania, matematyki, STEM i analizy długiego kontekstu. Potrafi rozumieć tekst, audio, obrazy, wideo i całe repozytoria kodu, a jego profil Gemini API przyjmuje również wejście PDF. Wyjściem jest tekst, w tym kod, pisemna analiza lub rekord strukturalny. Przydatne zlecenie dostarcza dowodów i wymaga wyniku, który można sprawdzić, takiego jak rozwiązanie z wyjaśnieniem, ustalenie dotyczące kodu projektu lub porównanie kilku dokumentów.
Dla programowania podaj odpowiednie pliki, zaobserwowane zachowanie i istotną zmianę lub pytanie. Długi kontekst może pomóc modelowi powiązać moduły zamiast rozumować na podstawie jednego izolowanego fragmentu. W badaniu ścieżki kodu poproś o prześledzenie identyfikatora od formularza wejściowego przez przetwarzanie i zapis, wskazanie miejsca zmiany kontraktu i zaproponowanie konkretnej poprawki. Zachowaj ograniczenia i poproś o potwierdzające odwołania. Proponowana zmiana wymaga porównania z rzeczywistym kodem i wszelką walidacją wykonaną przez połączone narzędzia.
Dla matematyki lub analizy naukowej określ problem, założenia, jednostki i wymaganą postać odpowiedzi. Dostarcz dane lub rysunki, od których zależy obliczenie. Poproś o poparty wynik i kontrole pozwalające go ocenić, takie jak przypadki brzegowe lub porównanie z oryginalnymi wartościami. Możliwości rozumowania modelu nie usuwają niejednoznaczności treści problemu. Zachowuj widoczną nieznaną wielkość lub niepoparte założenie zamiast zastępować je wygodną wartością.
Dynamiczne myślenie jest udokumentowanym ustawieniem domyślnym. Przewodnik Gemini 2.5 GenerateContent obsługuje jawny budżet rozumowania od 128 do 32,768 tokenów dla Pro lub -1 dla myślenia adaptacyjnego. Ta edycja nie może całkowicie wyłączyć myślenia. Ustawienia te różnią się od opcji zerowego budżetu Flash i poziomów myślenia Gemini 3. Budżet myślenia kieruje rozumowaniem zamiast gwarantować dokładną liczbę tokenów wewnętrznych, a limit odpowiedzi musi również pozostawiać miejsce na rezultat końcowy.
W multimodalnej pracy dokumentowej wskaż strony, wykres, obszar obrazu lub zdarzenie w nagraniu, które powinny wspierać odpowiedź. Praktyczne zadanie syntezy może wymagać konkurujących twierdzeń z kilku dokumentów źródłowych, potwierdzających je fragmentów i różnic istotnych dla jednej decyzji. Poproś model o odróżnianie stwierdzonego faktu od wniosku. Dla wideo lub audio określ, czy wynik ma być opisem, transkryptem, podsumowaniem czy porównaniem. Obraz i dźwięk są w tym profilu dowodami dla wyniku tekstowego.
Dokładna strona API dokumentuje wywoływanie funkcji, wykonywanie kodu, wyszukiwanie plików, ugruntowanie przez wyszukiwanie, ugruntowanie Maps, kontekst URL i structured outputs. Zdefiniuj cele funkcji i pola parametrów oraz zachowuj rzeczywiste wyniki w późniejszych turach. Dla rekordu ograniczonego schematem określ wymagane pola i sposób reprezentacji brakujących informacji. Natywna architektura to multimodalny rzadki transformer mixture-of-experts; ta konstrukcja modelu sama w sobie nie zapewnia zewnętrznego wykonania narzędzi ani gotowej aplikacji poza zwróconym tekstem lub kodem.
Natywna karta podaje kontekst wejściowy 1M i wyjście tekstowe 64K; tabela API określa 1,048,576 tokenów wejściowych i 65,536 tokenów wyjściowych. Instrukcje, treść źródeł i zachowana historia składają się na przygotowanie wejścia. Maksymalny limit odpowiedzi obejmuje tokeny rozumowania, więc zbyt mały limit może przerwać odpowiedź końcową. Udokumentowano buforowanie i przetwarzanie wsadowe wraz z opcjami Flex i Priority. Przy przygotowaniu niezależnych zadań z długim kontekstem zachowuj identyfikator każdego źródła i żądaną postać końcową.
Stabilny identyfikator jest odrębny od edycji Experimental i Preview omawianych osobno we wspólnej karcie modelu Pro. Nie przypisuj ich wyników właściwych dla danej wersji temu profilowi tylko dlatego, że współdzielą nazwę Pro. Karta wskazuje możliwe halucynacje i ograniczenia w rozumieniu przyczynowości, złożonej dedukcji i rozumowaniu kontrfaktycznym, z datą graniczną wiedzy styczeń 2025. Dostarcz aktualne dowody, gdy mają znaczenie, i sprawdzaj odwołania do źródeł, obliczenia i proponowane modyfikacje. Przydatne wyjście to poparty rezultat tekstowy lub kodowy wymagany w zadaniu.
POST /v1/messagestext, imagetext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity gemini-2.5-pro | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring|content_block[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polesystem | Typstring|content_block[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity Minimum: 1 Limit dotyczy: dokładny limit wybranego modelu/karty | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop_sequences | Typstring[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typtool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].name | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie | Domyślnie— |
Poletools[].description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].input_schema | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polethinking.type | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polethinking.budget_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleoutput_config.effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemetadata | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polecache_control | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Tekst · tekst UTF8
messages[].content lub blok type=text
Tekst + obraz
{type:image,source:{type:base64,media_type,data}} lub źródło type=url
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext, image |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Parametrtext_file_material | Kontraktrzeczywista treść UTF-8 wstawiona jako tekst; ID/URLs plików wymagają oddzielnej, dokładnie określonej obsługi |
Cykl życia: exact retained published method
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
POST /v1/messages| Rozmiar żądania w tokenach | Wejście | Wyjście | Odczyt cache | Zapis do cache | Cache 5 min | Cache 1 godz. |
|---|---|---|---|---|---|---|
| Rozmiar żądania w tokenach(0; 200 000] | Wejście0,00125 USD | Wyjście0,01 USD | Odczyt cache0,000125 USD | Zapis do cachePodstawowa: — | Cache 5 minPodstawowa: — | Cache 1 godz.Podstawowa: — |
| Rozmiar żądania w tokenach(200 000; ∞) | Wejście0,0025 USD | Wyjście0,015 USD | Odczyt cache0,00025 USD | Zapis do cachePodstawowa: — | Cache 5 minPodstawowa: — | Cache 1 godz.Podstawowa: — |
Stawki w USD za 1K tokenów. Jeśli nie określono stawki, dziedziczona jest stawka podstawowa tej metody; «—» oznacza brak stawki podstawowej.
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 →
Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaOpenAI Chat · Podstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów Wyjście · Wyjściowe tokeny rozumowania $0.02 / 1K tokenów |
| KonfiguracjaOpenAI Chat · Przedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie200 000 | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaOpenAI Chat · Przedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż200 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.005 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaAnthropic Messages · Podstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów Wyjście · Wyjściowe tokeny rozumowania $0.02 / 1K tokenów |
| KonfiguracjaAnthropic Messages · Przedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie200 000 | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaAnthropic Messages · Przedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż200 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.005 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-pro", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-pro", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-2.5-pro",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-2.5-pro",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='gemini-2.5-pro',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro to stabilny model myślący Google do złożonego kodu, matematyki, STEM i analizy długiego kontekstu. Przyjmuje tekst, obrazy, audio, wideo i PDF, a zwraca tekst, z narzędziami i wyjściem strukturalnym. Dynamiczny budżet rozumowania obsługuje 128–32,768 tokenów i nie można go całkowicie wyłączyć.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 2.5 Pro to stabilny profil myślenia Google do zaawansowanego programowania, matematyki, STEM i analizy długiego kontekstu. Potrafi rozumieć tekst, audio, obrazy, wideo i całe repozytoria kodu, a jego profil Gemini API przyjmuje również wejście PDF. Wyjściem jest tekst, w tym kod, pisemna analiza lub rekord strukturalny. Przydatne zlecenie dostarcza dowodów i wymaga wyniku, który można sprawdzić, takiego jak rozwiązanie z wyjaśnieniem, ustalenie dotyczące kodu projektu lub porównanie kilku dokumentów.
Dla programowania podaj odpowiednie pliki, zaobserwowane zachowanie i istotną zmianę lub pytanie. Długi kontekst może pomóc modelowi powiązać moduły zamiast rozumować na podstawie jednego izolowanego fragmentu. W badaniu ścieżki kodu poproś o prześledzenie identyfikatora od formularza wejściowego przez przetwarzanie i zapis, wskazanie miejsca zmiany kontraktu i zaproponowanie konkretnej poprawki. Zachowaj ograniczenia i poproś o potwierdzające odwołania. Proponowana zmiana wymaga porównania z rzeczywistym kodem i wszelką walidacją wykonaną przez połączone narzędzia.
Dla matematyki lub analizy naukowej określ problem, założenia, jednostki i wymaganą postać odpowiedzi. Dostarcz dane lub rysunki, od których zależy obliczenie. Poproś o poparty wynik i kontrole pozwalające go ocenić, takie jak przypadki brzegowe lub porównanie z oryginalnymi wartościami. Możliwości rozumowania modelu nie usuwają niejednoznaczności treści problemu. Zachowuj widoczną nieznaną wielkość lub niepoparte założenie zamiast zastępować je wygodną wartością.
Dynamiczne myślenie jest udokumentowanym ustawieniem domyślnym. Przewodnik Gemini 2.5 GenerateContent obsługuje jawny budżet rozumowania od 128 do 32,768 tokenów dla Pro lub -1 dla myślenia adaptacyjnego. Ta edycja nie może całkowicie wyłączyć myślenia. Ustawienia te różnią się od opcji zerowego budżetu Flash i poziomów myślenia Gemini 3. Budżet myślenia kieruje rozumowaniem zamiast gwarantować dokładną liczbę tokenów wewnętrznych, a limit odpowiedzi musi również pozostawiać miejsce na rezultat końcowy.
W multimodalnej pracy dokumentowej wskaż strony, wykres, obszar obrazu lub zdarzenie w nagraniu, które powinny wspierać odpowiedź. Praktyczne zadanie syntezy może wymagać konkurujących twierdzeń z kilku dokumentów źródłowych, potwierdzających je fragmentów i różnic istotnych dla jednej decyzji. Poproś model o odróżnianie stwierdzonego faktu od wniosku. Dla wideo lub audio określ, czy wynik ma być opisem, transkryptem, podsumowaniem czy porównaniem. Obraz i dźwięk są w tym profilu dowodami dla wyniku tekstowego.
Dokładna strona API dokumentuje wywoływanie funkcji, wykonywanie kodu, wyszukiwanie plików, ugruntowanie przez wyszukiwanie, ugruntowanie Maps, kontekst URL i structured outputs. Zdefiniuj cele funkcji i pola parametrów oraz zachowuj rzeczywiste wyniki w późniejszych turach. Dla rekordu ograniczonego schematem określ wymagane pola i sposób reprezentacji brakujących informacji. Natywna architektura to multimodalny rzadki transformer mixture-of-experts; ta konstrukcja modelu sama w sobie nie zapewnia zewnętrznego wykonania narzędzi ani gotowej aplikacji poza zwróconym tekstem lub kodem.
Natywna karta podaje kontekst wejściowy 1M i wyjście tekstowe 64K; tabela API określa 1,048,576 tokenów wejściowych i 65,536 tokenów wyjściowych. Instrukcje, treść źródeł i zachowana historia składają się na przygotowanie wejścia. Maksymalny limit odpowiedzi obejmuje tokeny rozumowania, więc zbyt mały limit może przerwać odpowiedź końcową. Udokumentowano buforowanie i przetwarzanie wsadowe wraz z opcjami Flex i Priority. Przy przygotowaniu niezależnych zadań z długim kontekstem zachowuj identyfikator każdego źródła i żądaną postać końcową.
Stabilny identyfikator jest odrębny od edycji Experimental i Preview omawianych osobno we wspólnej karcie modelu Pro. Nie przypisuj ich wyników właściwych dla danej wersji temu profilowi tylko dlatego, że współdzielą nazwę Pro. Karta wskazuje możliwe halucynacje i ograniczenia w rozumieniu przyczynowości, złożonej dedukcji i rozumowaniu kontrfaktycznym, z datą graniczną wiedzy styczeń 2025. Dostarcz aktualne dowody, gdy mają znaczenie, i sprawdzaj odwołania do źródeł, obliczenia i proponowane modyfikacje. Przydatne wyjście to poparty rezultat tekstowy lub kodowy wymagany w zadaniu.
POST /v1beta/models/{model}:generateContenttext, imagetext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polepath.model | Typstring | WymaganieWymagane | Wartości i limity gemini-2.5-pro | Domyślnie— |
Polecontents | Typcontent[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polecontents[].role | Typstring | WymaganieOpcjonalne | Wartości i limity user, model | Domyślnie— |
Polecontents[].parts | Typpart[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
PolesystemInstruction | Typcontent | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
PolegenerationConfig.maxOutputTokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
PolegenerationConfig.temperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
PolegenerationConfig.topP | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
PolegenerationConfig.topK | Typinteger | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
PolegenerationConfig.stopSequences | Typstring[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
PolegenerationConfig.thinkingConfig.includeThoughts | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
PolegenerationConfig.thinkingConfig.thinkingBudget | Typinteger | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].functionDeclarations | Typfunction_declaration[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
PoletoolConfig.functionCallingConfig.mode | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
PolesafetySettings | Typobject[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
PolesessionId | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Tekst · tekst UTF8
contents[].parts[].text
Tekst + obraz
parts[].inlineData={mimeType,data}
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext, image |
Parametrrequired | Kontraktcontents |
Parametroptional_controls | Kontraktnull |
Parametrcontent_type | Kontraktapplication/json |
Parametrtext_file_material | Kontraktrzeczywista treść UTF-8 wstawiona jako tekst; ID/URLs plików wymagają oddzielnej, dokładnie określonej obsługi |
Cykl życia: exact retained published method
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
POST /v1beta/models/{model}:generateContent| Rozmiar żądania w tokenach | Wejście | Wyjście | Odczyt cache | Zapis do cache | Cache 5 min | Cache 1 godz. |
|---|---|---|---|---|---|---|
| Rozmiar żądania w tokenach(0; 200 000] | Wejście0,00125 USD | Wyjście0,01 USD | Odczyt cache0,000125 USD | Zapis do cachePodstawowa: — | Cache 5 minPodstawowa: — | Cache 1 godz.Podstawowa: — |
| Rozmiar żądania w tokenach(200 000; ∞) | Wejście0,0025 USD | Wyjście0,015 USD | Odczyt cache0,00025 USD | Zapis do cachePodstawowa: — | Cache 5 minPodstawowa: — | Cache 1 godz.Podstawowa: — |
Stawki w USD za 1K tokenów. Jeśli nie określono stawki, dziedziczona jest stawka podstawowa tej metody; «—» oznacza brak stawki podstawowej.
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 →
Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaOpenAI Chat · Podstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów Wyjście · Wyjściowe tokeny rozumowania $0.02 / 1K tokenów |
| KonfiguracjaOpenAI Chat · Przedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie200 000 | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaOpenAI Chat · Przedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż200 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.005 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaAnthropic Messages · Podstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów Wyjście · Wyjściowe tokeny rozumowania $0.02 / 1K tokenów |
| KonfiguracjaAnthropic Messages · Przedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie200 000 | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaAnthropic Messages · Przedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż200 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.005 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-pro:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-pro:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\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(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-2.5-pro", contents="Explain the difference between an observation and a hypothesis 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(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-2.5-pro", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\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=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\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\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-2.5-pro',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson lub obsługiwane strumieniowanie
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkich kandydatów i części, w tym wywołania funkcji, sygnatury myślenia i dane użycia; składaj fragmenty strumienia w kolejności.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
PoleresponseId | Typstring |
PolemodelVersion | Typstring |
Polecandidates[].content.parts[] | Typtext|inlineData|functionCall|other part |
Polecandidates[].finishReason | Typstring |
PoleusageMetadata | 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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro to stabilny model myślący Google do złożonego kodu, matematyki, STEM i analizy długiego kontekstu. Przyjmuje tekst, obrazy, audio, wideo i PDF, a zwraca tekst, z narzędziami i wyjściem strukturalnym. Dynamiczny budżet rozumowania obsługuje 128–32,768 tokenów i nie można go całkowicie wyłączyć.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 2.5 Pro to stabilny profil myślenia Google do zaawansowanego programowania, matematyki, STEM i analizy długiego kontekstu. Potrafi rozumieć tekst, audio, obrazy, wideo i całe repozytoria kodu, a jego profil Gemini API przyjmuje również wejście PDF. Wyjściem jest tekst, w tym kod, pisemna analiza lub rekord strukturalny. Przydatne zlecenie dostarcza dowodów i wymaga wyniku, który można sprawdzić, takiego jak rozwiązanie z wyjaśnieniem, ustalenie dotyczące kodu projektu lub porównanie kilku dokumentów.
Dla programowania podaj odpowiednie pliki, zaobserwowane zachowanie i istotną zmianę lub pytanie. Długi kontekst może pomóc modelowi powiązać moduły zamiast rozumować na podstawie jednego izolowanego fragmentu. W badaniu ścieżki kodu poproś o prześledzenie identyfikatora od formularza wejściowego przez przetwarzanie i zapis, wskazanie miejsca zmiany kontraktu i zaproponowanie konkretnej poprawki. Zachowaj ograniczenia i poproś o potwierdzające odwołania. Proponowana zmiana wymaga porównania z rzeczywistym kodem i wszelką walidacją wykonaną przez połączone narzędzia.
Dla matematyki lub analizy naukowej określ problem, założenia, jednostki i wymaganą postać odpowiedzi. Dostarcz dane lub rysunki, od których zależy obliczenie. Poproś o poparty wynik i kontrole pozwalające go ocenić, takie jak przypadki brzegowe lub porównanie z oryginalnymi wartościami. Możliwości rozumowania modelu nie usuwają niejednoznaczności treści problemu. Zachowuj widoczną nieznaną wielkość lub niepoparte założenie zamiast zastępować je wygodną wartością.
Dynamiczne myślenie jest udokumentowanym ustawieniem domyślnym. Przewodnik Gemini 2.5 GenerateContent obsługuje jawny budżet rozumowania od 128 do 32,768 tokenów dla Pro lub -1 dla myślenia adaptacyjnego. Ta edycja nie może całkowicie wyłączyć myślenia. Ustawienia te różnią się od opcji zerowego budżetu Flash i poziomów myślenia Gemini 3. Budżet myślenia kieruje rozumowaniem zamiast gwarantować dokładną liczbę tokenów wewnętrznych, a limit odpowiedzi musi również pozostawiać miejsce na rezultat końcowy.
W multimodalnej pracy dokumentowej wskaż strony, wykres, obszar obrazu lub zdarzenie w nagraniu, które powinny wspierać odpowiedź. Praktyczne zadanie syntezy może wymagać konkurujących twierdzeń z kilku dokumentów źródłowych, potwierdzających je fragmentów i różnic istotnych dla jednej decyzji. Poproś model o odróżnianie stwierdzonego faktu od wniosku. Dla wideo lub audio określ, czy wynik ma być opisem, transkryptem, podsumowaniem czy porównaniem. Obraz i dźwięk są w tym profilu dowodami dla wyniku tekstowego.
Dokładna strona API dokumentuje wywoływanie funkcji, wykonywanie kodu, wyszukiwanie plików, ugruntowanie przez wyszukiwanie, ugruntowanie Maps, kontekst URL i structured outputs. Zdefiniuj cele funkcji i pola parametrów oraz zachowuj rzeczywiste wyniki w późniejszych turach. Dla rekordu ograniczonego schematem określ wymagane pola i sposób reprezentacji brakujących informacji. Natywna architektura to multimodalny rzadki transformer mixture-of-experts; ta konstrukcja modelu sama w sobie nie zapewnia zewnętrznego wykonania narzędzi ani gotowej aplikacji poza zwróconym tekstem lub kodem.
Natywna karta podaje kontekst wejściowy 1M i wyjście tekstowe 64K; tabela API określa 1,048,576 tokenów wejściowych i 65,536 tokenów wyjściowych. Instrukcje, treść źródeł i zachowana historia składają się na przygotowanie wejścia. Maksymalny limit odpowiedzi obejmuje tokeny rozumowania, więc zbyt mały limit może przerwać odpowiedź końcową. Udokumentowano buforowanie i przetwarzanie wsadowe wraz z opcjami Flex i Priority. Przy przygotowaniu niezależnych zadań z długim kontekstem zachowuj identyfikator każdego źródła i żądaną postać końcową.
Stabilny identyfikator jest odrębny od edycji Experimental i Preview omawianych osobno we wspólnej karcie modelu Pro. Nie przypisuj ich wyników właściwych dla danej wersji temu profilowi tylko dlatego, że współdzielą nazwę Pro. Karta wskazuje możliwe halucynacje i ograniczenia w rozumieniu przyczynowości, złożonej dedukcji i rozumowaniu kontrfaktycznym, z datą graniczną wiedzy styczeń 2025. Dostarcz aktualne dowody, gdy mają znaczenie, i sprawdzaj odwołania do źródeł, obliczenia i proponowane modyfikacje. Przydatne wyjście to poparty rezultat tekstowy lub kodowy wymagany w zadaniu.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity gemini-2.5-pro | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Rozmowa tekstowa | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
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 |
Parametrcontrol_scope | KontraktRozmowa tekstowa; stream jest wartością logiczną i domyślnie wynosi false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów Wyjście · Wyjściowe tokeny rozumowania $0.02 / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie200 000 | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż200 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.005 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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-pro","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-pro", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro to stabilny model myślący Google do złożonego kodu, matematyki, STEM i analizy długiego kontekstu. Przyjmuje tekst, obrazy, audio, wideo i PDF, a zwraca tekst, z narzędziami i wyjściem strukturalnym. Dynamiczny budżet rozumowania obsługuje 128–32,768 tokenów i nie można go całkowicie wyłączyć.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 2.5 Pro to stabilny profil myślenia Google do zaawansowanego programowania, matematyki, STEM i analizy długiego kontekstu. Potrafi rozumieć tekst, audio, obrazy, wideo i całe repozytoria kodu, a jego profil Gemini API przyjmuje również wejście PDF. Wyjściem jest tekst, w tym kod, pisemna analiza lub rekord strukturalny. Przydatne zlecenie dostarcza dowodów i wymaga wyniku, który można sprawdzić, takiego jak rozwiązanie z wyjaśnieniem, ustalenie dotyczące kodu projektu lub porównanie kilku dokumentów.
Dla programowania podaj odpowiednie pliki, zaobserwowane zachowanie i istotną zmianę lub pytanie. Długi kontekst może pomóc modelowi powiązać moduły zamiast rozumować na podstawie jednego izolowanego fragmentu. W badaniu ścieżki kodu poproś o prześledzenie identyfikatora od formularza wejściowego przez przetwarzanie i zapis, wskazanie miejsca zmiany kontraktu i zaproponowanie konkretnej poprawki. Zachowaj ograniczenia i poproś o potwierdzające odwołania. Proponowana zmiana wymaga porównania z rzeczywistym kodem i wszelką walidacją wykonaną przez połączone narzędzia.
Dla matematyki lub analizy naukowej określ problem, założenia, jednostki i wymaganą postać odpowiedzi. Dostarcz dane lub rysunki, od których zależy obliczenie. Poproś o poparty wynik i kontrole pozwalające go ocenić, takie jak przypadki brzegowe lub porównanie z oryginalnymi wartościami. Możliwości rozumowania modelu nie usuwają niejednoznaczności treści problemu. Zachowuj widoczną nieznaną wielkość lub niepoparte założenie zamiast zastępować je wygodną wartością.
Dynamiczne myślenie jest udokumentowanym ustawieniem domyślnym. Przewodnik Gemini 2.5 GenerateContent obsługuje jawny budżet rozumowania od 128 do 32,768 tokenów dla Pro lub -1 dla myślenia adaptacyjnego. Ta edycja nie może całkowicie wyłączyć myślenia. Ustawienia te różnią się od opcji zerowego budżetu Flash i poziomów myślenia Gemini 3. Budżet myślenia kieruje rozumowaniem zamiast gwarantować dokładną liczbę tokenów wewnętrznych, a limit odpowiedzi musi również pozostawiać miejsce na rezultat końcowy.
W multimodalnej pracy dokumentowej wskaż strony, wykres, obszar obrazu lub zdarzenie w nagraniu, które powinny wspierać odpowiedź. Praktyczne zadanie syntezy może wymagać konkurujących twierdzeń z kilku dokumentów źródłowych, potwierdzających je fragmentów i różnic istotnych dla jednej decyzji. Poproś model o odróżnianie stwierdzonego faktu od wniosku. Dla wideo lub audio określ, czy wynik ma być opisem, transkryptem, podsumowaniem czy porównaniem. Obraz i dźwięk są w tym profilu dowodami dla wyniku tekstowego.
Dokładna strona API dokumentuje wywoływanie funkcji, wykonywanie kodu, wyszukiwanie plików, ugruntowanie przez wyszukiwanie, ugruntowanie Maps, kontekst URL i structured outputs. Zdefiniuj cele funkcji i pola parametrów oraz zachowuj rzeczywiste wyniki w późniejszych turach. Dla rekordu ograniczonego schematem określ wymagane pola i sposób reprezentacji brakujących informacji. Natywna architektura to multimodalny rzadki transformer mixture-of-experts; ta konstrukcja modelu sama w sobie nie zapewnia zewnętrznego wykonania narzędzi ani gotowej aplikacji poza zwróconym tekstem lub kodem.
Natywna karta podaje kontekst wejściowy 1M i wyjście tekstowe 64K; tabela API określa 1,048,576 tokenów wejściowych i 65,536 tokenów wyjściowych. Instrukcje, treść źródeł i zachowana historia składają się na przygotowanie wejścia. Maksymalny limit odpowiedzi obejmuje tokeny rozumowania, więc zbyt mały limit może przerwać odpowiedź końcową. Udokumentowano buforowanie i przetwarzanie wsadowe wraz z opcjami Flex i Priority. Przy przygotowaniu niezależnych zadań z długim kontekstem zachowuj identyfikator każdego źródła i żądaną postać końcową.
Stabilny identyfikator jest odrębny od edycji Experimental i Preview omawianych osobno we wspólnej karcie modelu Pro. Nie przypisuj ich wyników właściwych dla danej wersji temu profilowi tylko dlatego, że współdzielą nazwę Pro. Karta wskazuje możliwe halucynacje i ograniczenia w rozumieniu przyczynowości, złożonej dedukcji i rozumowaniu kontrfaktycznym, z datą graniczną wiedzy styczeń 2025. Dostarcz aktualne dowody, gdy mają znaczenie, i sprawdzaj odwołania do źródeł, obliczenia i proponowane modyfikacje. Przydatne wyjście to poparty rezultat tekstowy lub kodowy wymagany w zadaniu.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity gemini-2.5-pro | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów Wyjście · Wyjściowe tokeny rozumowania $0.02 / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie200 000 | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż200 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.005 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro', '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-pro', '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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro to stabilny model myślący Google do złożonego kodu, matematyki, STEM i analizy długiego kontekstu. Przyjmuje tekst, obrazy, audio, wideo i PDF, a zwraca tekst, z narzędziami i wyjściem strukturalnym. Dynamiczny budżet rozumowania obsługuje 128–32,768 tokenów i nie można go całkowicie wyłączyć.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 2.5 Pro to stabilny profil myślenia Google do zaawansowanego programowania, matematyki, STEM i analizy długiego kontekstu. Potrafi rozumieć tekst, audio, obrazy, wideo i całe repozytoria kodu, a jego profil Gemini API przyjmuje również wejście PDF. Wyjściem jest tekst, w tym kod, pisemna analiza lub rekord strukturalny. Przydatne zlecenie dostarcza dowodów i wymaga wyniku, który można sprawdzić, takiego jak rozwiązanie z wyjaśnieniem, ustalenie dotyczące kodu projektu lub porównanie kilku dokumentów.
Dla programowania podaj odpowiednie pliki, zaobserwowane zachowanie i istotną zmianę lub pytanie. Długi kontekst może pomóc modelowi powiązać moduły zamiast rozumować na podstawie jednego izolowanego fragmentu. W badaniu ścieżki kodu poproś o prześledzenie identyfikatora od formularza wejściowego przez przetwarzanie i zapis, wskazanie miejsca zmiany kontraktu i zaproponowanie konkretnej poprawki. Zachowaj ograniczenia i poproś o potwierdzające odwołania. Proponowana zmiana wymaga porównania z rzeczywistym kodem i wszelką walidacją wykonaną przez połączone narzędzia.
Dla matematyki lub analizy naukowej określ problem, założenia, jednostki i wymaganą postać odpowiedzi. Dostarcz dane lub rysunki, od których zależy obliczenie. Poproś o poparty wynik i kontrole pozwalające go ocenić, takie jak przypadki brzegowe lub porównanie z oryginalnymi wartościami. Możliwości rozumowania modelu nie usuwają niejednoznaczności treści problemu. Zachowuj widoczną nieznaną wielkość lub niepoparte założenie zamiast zastępować je wygodną wartością.
Dynamiczne myślenie jest udokumentowanym ustawieniem domyślnym. Przewodnik Gemini 2.5 GenerateContent obsługuje jawny budżet rozumowania od 128 do 32,768 tokenów dla Pro lub -1 dla myślenia adaptacyjnego. Ta edycja nie może całkowicie wyłączyć myślenia. Ustawienia te różnią się od opcji zerowego budżetu Flash i poziomów myślenia Gemini 3. Budżet myślenia kieruje rozumowaniem zamiast gwarantować dokładną liczbę tokenów wewnętrznych, a limit odpowiedzi musi również pozostawiać miejsce na rezultat końcowy.
W multimodalnej pracy dokumentowej wskaż strony, wykres, obszar obrazu lub zdarzenie w nagraniu, które powinny wspierać odpowiedź. Praktyczne zadanie syntezy może wymagać konkurujących twierdzeń z kilku dokumentów źródłowych, potwierdzających je fragmentów i różnic istotnych dla jednej decyzji. Poproś model o odróżnianie stwierdzonego faktu od wniosku. Dla wideo lub audio określ, czy wynik ma być opisem, transkryptem, podsumowaniem czy porównaniem. Obraz i dźwięk są w tym profilu dowodami dla wyniku tekstowego.
Dokładna strona API dokumentuje wywoływanie funkcji, wykonywanie kodu, wyszukiwanie plików, ugruntowanie przez wyszukiwanie, ugruntowanie Maps, kontekst URL i structured outputs. Zdefiniuj cele funkcji i pola parametrów oraz zachowuj rzeczywiste wyniki w późniejszych turach. Dla rekordu ograniczonego schematem określ wymagane pola i sposób reprezentacji brakujących informacji. Natywna architektura to multimodalny rzadki transformer mixture-of-experts; ta konstrukcja modelu sama w sobie nie zapewnia zewnętrznego wykonania narzędzi ani gotowej aplikacji poza zwróconym tekstem lub kodem.
Natywna karta podaje kontekst wejściowy 1M i wyjście tekstowe 64K; tabela API określa 1,048,576 tokenów wejściowych i 65,536 tokenów wyjściowych. Instrukcje, treść źródeł i zachowana historia składają się na przygotowanie wejścia. Maksymalny limit odpowiedzi obejmuje tokeny rozumowania, więc zbyt mały limit może przerwać odpowiedź końcową. Udokumentowano buforowanie i przetwarzanie wsadowe wraz z opcjami Flex i Priority. Przy przygotowaniu niezależnych zadań z długim kontekstem zachowuj identyfikator każdego źródła i żądaną postać końcową.
Stabilny identyfikator jest odrębny od edycji Experimental i Preview omawianych osobno we wspólnej karcie modelu Pro. Nie przypisuj ich wyników właściwych dla danej wersji temu profilowi tylko dlatego, że współdzielą nazwę Pro. Karta wskazuje możliwe halucynacje i ograniczenia w rozumieniu przyczynowości, złożonej dedukcji i rozumowaniu kontrfaktycznym, z datą graniczną wiedzy styczeń 2025. Dostarcz aktualne dowody, gdy mają znaczenie, i sprawdzaj odwołania do źródeł, obliczenia i proponowane modyfikacje. Przydatne wyjście to poparty rezultat tekstowy lub kodowy wymagany w zadaniu.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/gemini-2.5-pro | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów Wyjście · Wyjściowe tokeny rozumowania $0.02 / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie200 000 | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż200 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.005 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-2.5-pro", "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='google/gemini-2.5-pro',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='google/gemini-2.5-pro',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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro to stabilny model myślący Google do złożonego kodu, matematyki, STEM i analizy długiego kontekstu. Przyjmuje tekst, obrazy, audio, wideo i PDF, a zwraca tekst, z narzędziami i wyjściem strukturalnym. Dynamiczny budżet rozumowania obsługuje 128–32,768 tokenów i nie można go całkowicie wyłączyć.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 2.5 Pro to stabilny profil myślenia Google do zaawansowanego programowania, matematyki, STEM i analizy długiego kontekstu. Potrafi rozumieć tekst, audio, obrazy, wideo i całe repozytoria kodu, a jego profil Gemini API przyjmuje również wejście PDF. Wyjściem jest tekst, w tym kod, pisemna analiza lub rekord strukturalny. Przydatne zlecenie dostarcza dowodów i wymaga wyniku, który można sprawdzić, takiego jak rozwiązanie z wyjaśnieniem, ustalenie dotyczące kodu projektu lub porównanie kilku dokumentów.
Dla programowania podaj odpowiednie pliki, zaobserwowane zachowanie i istotną zmianę lub pytanie. Długi kontekst może pomóc modelowi powiązać moduły zamiast rozumować na podstawie jednego izolowanego fragmentu. W badaniu ścieżki kodu poproś o prześledzenie identyfikatora od formularza wejściowego przez przetwarzanie i zapis, wskazanie miejsca zmiany kontraktu i zaproponowanie konkretnej poprawki. Zachowaj ograniczenia i poproś o potwierdzające odwołania. Proponowana zmiana wymaga porównania z rzeczywistym kodem i wszelką walidacją wykonaną przez połączone narzędzia.
Dla matematyki lub analizy naukowej określ problem, założenia, jednostki i wymaganą postać odpowiedzi. Dostarcz dane lub rysunki, od których zależy obliczenie. Poproś o poparty wynik i kontrole pozwalające go ocenić, takie jak przypadki brzegowe lub porównanie z oryginalnymi wartościami. Możliwości rozumowania modelu nie usuwają niejednoznaczności treści problemu. Zachowuj widoczną nieznaną wielkość lub niepoparte założenie zamiast zastępować je wygodną wartością.
Dynamiczne myślenie jest udokumentowanym ustawieniem domyślnym. Przewodnik Gemini 2.5 GenerateContent obsługuje jawny budżet rozumowania od 128 do 32,768 tokenów dla Pro lub -1 dla myślenia adaptacyjnego. Ta edycja nie może całkowicie wyłączyć myślenia. Ustawienia te różnią się od opcji zerowego budżetu Flash i poziomów myślenia Gemini 3. Budżet myślenia kieruje rozumowaniem zamiast gwarantować dokładną liczbę tokenów wewnętrznych, a limit odpowiedzi musi również pozostawiać miejsce na rezultat końcowy.
W multimodalnej pracy dokumentowej wskaż strony, wykres, obszar obrazu lub zdarzenie w nagraniu, które powinny wspierać odpowiedź. Praktyczne zadanie syntezy może wymagać konkurujących twierdzeń z kilku dokumentów źródłowych, potwierdzających je fragmentów i różnic istotnych dla jednej decyzji. Poproś model o odróżnianie stwierdzonego faktu od wniosku. Dla wideo lub audio określ, czy wynik ma być opisem, transkryptem, podsumowaniem czy porównaniem. Obraz i dźwięk są w tym profilu dowodami dla wyniku tekstowego.
Dokładna strona API dokumentuje wywoływanie funkcji, wykonywanie kodu, wyszukiwanie plików, ugruntowanie przez wyszukiwanie, ugruntowanie Maps, kontekst URL i structured outputs. Zdefiniuj cele funkcji i pola parametrów oraz zachowuj rzeczywiste wyniki w późniejszych turach. Dla rekordu ograniczonego schematem określ wymagane pola i sposób reprezentacji brakujących informacji. Natywna architektura to multimodalny rzadki transformer mixture-of-experts; ta konstrukcja modelu sama w sobie nie zapewnia zewnętrznego wykonania narzędzi ani gotowej aplikacji poza zwróconym tekstem lub kodem.
Natywna karta podaje kontekst wejściowy 1M i wyjście tekstowe 64K; tabela API określa 1,048,576 tokenów wejściowych i 65,536 tokenów wyjściowych. Instrukcje, treść źródeł i zachowana historia składają się na przygotowanie wejścia. Maksymalny limit odpowiedzi obejmuje tokeny rozumowania, więc zbyt mały limit może przerwać odpowiedź końcową. Udokumentowano buforowanie i przetwarzanie wsadowe wraz z opcjami Flex i Priority. Przy przygotowaniu niezależnych zadań z długim kontekstem zachowuj identyfikator każdego źródła i żądaną postać końcową.
Stabilny identyfikator jest odrębny od edycji Experimental i Preview omawianych osobno we wspólnej karcie modelu Pro. Nie przypisuj ich wyników właściwych dla danej wersji temu profilowi tylko dlatego, że współdzielą nazwę Pro. Karta wskazuje możliwe halucynacje i ograniczenia w rozumieniu przyczynowości, złożonej dedukcji i rozumowaniu kontrfaktycznym, z datą graniczną wiedzy styczeń 2025. Dostarcz aktualne dowody, gdy mają znaczenie, i sprawdzaj odwołania do źródeł, obliczenia i proponowane modyfikacje. Przydatne wyjście to poparty rezultat tekstowy lub kodowy wymagany w zadaniu.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/gemini-2.5-pro | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów Wyjście · Wyjściowe tokeny rozumowania $0.02 / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie200 000 | Opłata Wejście · Tokeny wejściowe $0.0025 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.00025 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż200 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.005 / 1K tokenów Wyjście · Tokeny wyjściowe $0.03 / 1K tokenów Wejście · Odczyt cache $0.0005 / 1K tokenów Wejście · Zapis do cache $0.00075 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "google/gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'google/gemini-2.5-pro', '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': 'google/gemini-2.5-pro', '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 gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
Przykład techniczny po angielsku
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.