Gemini 3.1 Pro Preview służy do pracy ze złożonym materiałem i zadaniami wymagającymi kilku kolejnych decyzji. Google podkreśla inżynierię oprogramowania, używanie narzędzi i spójność odpowiedzi faktycznych. Model pomaga analizować duże zbiory danych, całe repozytoria oprogramowania i zadania łączące tekst z materiałami wizualnymi lub dźwiękowymi.
Specyfikacja Google wymienia tekst, obrazy, wideo, dźwięk i PDF. W obecnym katalogu Ailoot API dla metod tekstowych deklarowane są tekst i obrazy na wejściu oraz tekst na wyjściu. Wideo, dźwięk i PDF nie należą do tego zestawu wejść. Długi kontekst mieści do 1 048 576 tokenów wejściowych, a odpowiedź tekstowa — do 65 536 tokenów wyjściowych. Rozumienie obrazów i dźwięku nie oznacza ich generowania: wyjście tej wersji pozostaje tekstowe.
Thinking pozwala przeznaczyć dodatkowy wysiłek na wewnętrzne rozumowanie. W opisanym przez Google trybie modelu podstawowego standardowy poziom to high; dostępne są low, medium, high. Wartości te opisują model podstawowy Google; tryb i dostępność sterowania przez Ailoot API zależą od wybranej metody i wariantu modelu. Główne scenariusze obejmują złożone programowanie, opracowywanie algorytmów, planowanie strategiczne i stopniowe ulepszanie rozwiązania. Jest to szczególnie przydatne, gdy trzeba uwzględniać kilka powiązanych wymagań i wracać do wyników pośrednich.
Możliwości modelu obejmują wywoływanie funkcji, wykonywanie kodu i ustrukturyzowane odpowiedzi. Obsługiwane są buforowanie kontekstu, ugruntowanie w wynikach wyszukiwania, Google Maps i wykorzystywanie treści adresów internetowych; przewidziano przetwarzanie wsadowe. Zestaw ten pozwala zbudować proces, w którym model analizuje dane, wybiera następne narzędzie i tworzy wynik końcowy. Faktyczna dostępność każdego narzędzia zależy od metody pracy z modelem.
Karta dotyczy wersji wstępnej gemini-3.1-pro-preview. Jej podstawą jest Gemini 3 Pro. Producent osobno wyróżnia wariant gemini-3.1-pro-preview-customtools, ukierunkowany na procesy z powłoką poleceń i narzędziami użytkownika. Jego priorytety przy wyborze narzędzi i cechy zachowania nie są właściwościami zwykłej wersji Preview.
Model zachowuje ogólne ograniczenia podstawowej linii: odpowiedzi mogą zawierać zmyślone informacje, a poszczególne żądania — być wykonywane wolno lub kończyć się przekroczeniem czasu oczekiwania. Wieloetapowe rozumowanie, duży kontekst i dostęp do danych pomagają pracować ze złożonym zadaniem, lecz nie sprawiają, że każdy wygenerowany wniosek jest sprawdzonym faktem.
", "aboutText": "Gemini 3.1 Pro Preview służy do pracy ze złożonym materiałem i zadaniami wymagającymi kilku kolejnych decyzji. Google podkreśla inżynierię oprogramowania, używanie narzędzi i spójność odpowiedzi faktycznych. Model pomaga analizować duże zbiory danych, całe repozytoria oprogramowania i zadania łączące tekst z materiałami wizualnymi lub dźwiękowymi.\n\n### Jakie materiały rozumie model\n\nSpecyfikacja Google wymienia **tekst, obrazy, wideo, dźwięk i PDF**. W obecnym katalogu Ailoot API dla metod tekstowych deklarowane są **tekst i obrazy** na wejściu oraz tekst na wyjściu. Wideo, dźwięk i PDF nie należą do tego zestawu wejść. Długi kontekst mieści do **1 048 576 tokenów wejściowych**, a odpowiedź tekstowa — do **65 536 tokenów wyjściowych**. Rozumienie obrazów i dźwięku nie oznacza ich generowania: wyjście tej wersji pozostaje tekstowe.\n\n### Rozumowanie i praca krok po kroku\n\nThinking pozwala przeznaczyć dodatkowy wysiłek na wewnętrzne rozumowanie. W opisanym przez Google trybie modelu podstawowego standardowy poziom to `high`; dostępne są `low`, `medium`, `high`. Wartości te opisują model podstawowy Google; tryb i dostępność sterowania przez Ailoot API zależą od wybranej metody i wariantu modelu. Główne scenariusze obejmują złożone programowanie, opracowywanie algorytmów, planowanie strategiczne i stopniowe ulepszanie rozwiązania. Jest to szczególnie przydatne, gdy trzeba uwzględniać kilka powiązanych wymagań i wracać do wyników pośrednich.\n\nMożliwości modelu obejmują wywoływanie funkcji, wykonywanie kodu i ustrukturyzowane odpowiedzi. Obsługiwane są buforowanie kontekstu, ugruntowanie w wynikach wyszukiwania, Google Maps i wykorzystywanie treści adresów internetowych; przewidziano przetwarzanie wsadowe. Zestaw ten pozwala zbudować proces, w którym model analizuje dane, wybiera następne narzędzie i tworzy wynik końcowy. Faktyczna dostępność każdego narzędzia zależy od metody pracy z modelem.\n\n### Wersja i jej cechy\n\nKarta dotyczy wersji wstępnej `gemini-3.1-pro-preview`. Jej podstawą jest Gemini 3 Pro. Producent osobno wyróżnia wariant `gemini-3.1-pro-preview-customtools`, ukierunkowany na procesy z powłoką poleceń i narzędziami użytkownika. Jego priorytety przy wyborze narzędzi i cechy zachowania nie są właściwościami zwykłej wersji Preview.\n\nModel zachowuje ogólne ograniczenia podstawowej linii: odpowiedzi mogą zawierać zmyślone informacje, a poszczególne żądania — być wykonywane wolno lub kończyć się przekroczeniem czasu oczekiwania. Wieloetapowe rozumowanie, duży kontekst i dostęp do danych pomagają pracować ze złożonym zadaniem, lecz nie sprawiają, że każdy wygenerowany wniosek jest sprawdzonym faktem.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Plan a dependency-constrained move\n\nA lab move has these constraints: archive samples before unplugging the freezer; test the backup freezer before moving samples; restore temperature monitoring before accepting new samples. Staff propose unplugging first to save time. Produce an ordered checklist, flag the unsafe proposed step and specify evidence needed before accepting new samples. Use only the supplied constraints.An ordered checklist, one identified conflict and an acceptance-evidence item.The checklist must place backup testing and sample protection before unplugging and monitoring before intake.gemini-3.1-pro-highMultimodalny model Google do złożonych zadań programistycznych, analizy obszernych materiałów i precyzyjnej wieloetapowej pracy z narzędziami.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 3.1 Pro Preview służy do pracy ze złożonym materiałem i zadaniami wymagającymi kilku kolejnych decyzji. Google podkreśla inżynierię oprogramowania, używanie narzędzi i spójność odpowiedzi faktycznych. Model pomaga analizować duże zbiory danych, całe repozytoria oprogramowania i zadania łączące tekst z materiałami wizualnymi lub dźwiękowymi.
Specyfikacja Google wymienia tekst, obrazy, wideo, dźwięk i PDF. W obecnym katalogu Ailoot API dla metod tekstowych deklarowane są tekst i obrazy na wejściu oraz tekst na wyjściu. Wideo, dźwięk i PDF nie należą do tego zestawu wejść. Długi kontekst mieści do 1 048 576 tokenów wejściowych, a odpowiedź tekstowa — do 65 536 tokenów wyjściowych. Rozumienie obrazów i dźwięku nie oznacza ich generowania: wyjście tej wersji pozostaje tekstowe.
Thinking pozwala przeznaczyć dodatkowy wysiłek na wewnętrzne rozumowanie. W opisanym przez Google trybie modelu podstawowego standardowy poziom to high; dostępne są low, medium, high. Wartości te opisują model podstawowy Google; tryb i dostępność sterowania przez Ailoot API zależą od wybranej metody i wariantu modelu. Główne scenariusze obejmują złożone programowanie, opracowywanie algorytmów, planowanie strategiczne i stopniowe ulepszanie rozwiązania. Jest to szczególnie przydatne, gdy trzeba uwzględniać kilka powiązanych wymagań i wracać do wyników pośrednich.
Możliwości modelu obejmują wywoływanie funkcji, wykonywanie kodu i ustrukturyzowane odpowiedzi. Obsługiwane są buforowanie kontekstu, ugruntowanie w wynikach wyszukiwania, Google Maps i wykorzystywanie treści adresów internetowych; przewidziano przetwarzanie wsadowe. Zestaw ten pozwala zbudować proces, w którym model analizuje dane, wybiera następne narzędzie i tworzy wynik końcowy. Faktyczna dostępność każdego narzędzia zależy od metody pracy z modelem.
Karta dotyczy wersji wstępnej gemini-3.1-pro-preview. Jej podstawą jest Gemini 3 Pro. Producent osobno wyróżnia wariant gemini-3.1-pro-preview-customtools, ukierunkowany na procesy z powłoką poleceń i narzędziami użytkownika. Jego priorytety przy wyborze narzędzi i cechy zachowania nie są właściwościami zwykłej wersji Preview.
Model zachowuje ogólne ograniczenia podstawowej linii: odpowiedzi mogą zawierać zmyślone informacje, a poszczególne żądania — być wykonywane wolno lub kończyć się przekroczeniem czasu oczekiwania. Wieloetapowe rozumowanie, duży kontekst i dostęp do danych pomagają pracować ze złożonym zadaniem, lecz nie sprawiają, że każdy wygenerowany wniosek jest sprawdzonym faktem.
POST /v1/messagestext, imagetext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity gemini-3.1-pro-high | 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] | Wejście0,002 USD | Wyjście0,012 USD | Odczyt cache0,0002 USD | Zapis do cachePodstawowa: — | Cache 5 minPodstawowa: — | Cache 1 godz.Podstawowa: — |
| Rozmiar żądania w tokenach(200 000; ∞) | Wejście0,004 USD | Wyjście0,018 USD | Odczyt cache0,0004 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 →
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-3.1-pro-high", "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-3.1-pro-high", "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-3.1-pro-high",\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-3.1-pro-high",\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-3.1-pro-high',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-3.1-pro-high
Użyj ścieżek metod podanych powyżej.
gemini-3.1-pro-highMultimodalny model Google do złożonych zadań programistycznych, analizy obszernych materiałów i precyzyjnej wieloetapowej pracy z narzędziami.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemini 3.1 Pro Preview służy do pracy ze złożonym materiałem i zadaniami wymagającymi kilku kolejnych decyzji. Google podkreśla inżynierię oprogramowania, używanie narzędzi i spójność odpowiedzi faktycznych. Model pomaga analizować duże zbiory danych, całe repozytoria oprogramowania i zadania łączące tekst z materiałami wizualnymi lub dźwiękowymi.
Specyfikacja Google wymienia tekst, obrazy, wideo, dźwięk i PDF. W obecnym katalogu Ailoot API dla metod tekstowych deklarowane są tekst i obrazy na wejściu oraz tekst na wyjściu. Wideo, dźwięk i PDF nie należą do tego zestawu wejść. Długi kontekst mieści do 1 048 576 tokenów wejściowych, a odpowiedź tekstowa — do 65 536 tokenów wyjściowych. Rozumienie obrazów i dźwięku nie oznacza ich generowania: wyjście tej wersji pozostaje tekstowe.
Thinking pozwala przeznaczyć dodatkowy wysiłek na wewnętrzne rozumowanie. W opisanym przez Google trybie modelu podstawowego standardowy poziom to high; dostępne są low, medium, high. Wartości te opisują model podstawowy Google; tryb i dostępność sterowania przez Ailoot API zależą od wybranej metody i wariantu modelu. Główne scenariusze obejmują złożone programowanie, opracowywanie algorytmów, planowanie strategiczne i stopniowe ulepszanie rozwiązania. Jest to szczególnie przydatne, gdy trzeba uwzględniać kilka powiązanych wymagań i wracać do wyników pośrednich.
Możliwości modelu obejmują wywoływanie funkcji, wykonywanie kodu i ustrukturyzowane odpowiedzi. Obsługiwane są buforowanie kontekstu, ugruntowanie w wynikach wyszukiwania, Google Maps i wykorzystywanie treści adresów internetowych; przewidziano przetwarzanie wsadowe. Zestaw ten pozwala zbudować proces, w którym model analizuje dane, wybiera następne narzędzie i tworzy wynik końcowy. Faktyczna dostępność każdego narzędzia zależy od metody pracy z modelem.
Karta dotyczy wersji wstępnej gemini-3.1-pro-preview. Jej podstawą jest Gemini 3 Pro. Producent osobno wyróżnia wariant gemini-3.1-pro-preview-customtools, ukierunkowany na procesy z powłoką poleceń i narzędziami użytkownika. Jego priorytety przy wyborze narzędzi i cechy zachowania nie są właściwościami zwykłej wersji Preview.
Model zachowuje ogólne ograniczenia podstawowej linii: odpowiedzi mogą zawierać zmyślone informacje, a poszczególne żądania — być wykonywane wolno lub kończyć się przekroczeniem czasu oczekiwania. Wieloetapowe rozumowanie, duży kontekst i dostęp do danych pomagają pracować ze złożonym zadaniem, lecz nie sprawiają, że każdy wygenerowany wniosek jest sprawdzonym faktem.
POST /v1beta/models/{model}:generateContenttext, imagetext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polepath.model | Typstring | WymaganieWymagane | Wartości i limity gemini-3.1-pro-high | 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] | Wejście0,002 USD | Wyjście0,012 USD | Odczyt cache0,0002 USD | Zapis do cachePodstawowa: — | Cache 5 minPodstawowa: — | Cache 1 godz.Podstawowa: — |
| Rozmiar żądania w tokenach(200 000; ∞) | Wejście0,004 USD | Wyjście0,018 USD | Odczyt cache0,0004 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 →
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-3.1-pro-high: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-3.1-pro-high: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-3.1-pro-high", 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-3.1-pro-high", 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-3.1-pro-high',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-3.1-pro-high
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Plan a dependency-constrained move\n\nA lab move has these constraints: archive samples before unplugging the freezer; test the backup freezer before moving samples; restore temperature monitoring before accepting new samples. Staff propose unplugging first to save time. Produce an ordered checklist, flag the unsafe proposed step and specify evidence needed before accepting new samples. Use only the supplied constraints.An ordered checklist, one identified conflict and an acceptance-evidence item.The checklist must place backup testing and sample protection before unplugging and monitoring before intake.