Gemini 2.5 Flash Preview 09-2025 é a edição de pré-visualização de setembro do modelo de raciocínio híbrido da Google. As entradas documentadas são texto, imagens, vídeo e áudio; a saída é texto. O modelo pode combinar a pergunta com material visual ou falado e produzir depois uma explicação, um documento, código ou uma resposta estruturada. Esta edição datada específica é distinta do Gemini 2.5 Flash estável e de um alias latest dinâmico. A sua finalidade é a compreensão multimodal e o trabalho assistido por ferramentas com um resultado escrito.
A Google descreve duas melhorias específicas desta versão: melhor utilização de ferramentas por agentes e geração de respostas mais económica quando o raciocínio está ativado. A primeira diz respeito a tarefas que exigem várias ações interligadas, como obter informação, compará-la com o pedido e escolher o passo seguinte. A segunda consiste em produzir respostas úteis com menos tokens gerados, mantendo a qualidade. Para um assistente de desenvolvimento, forneça o comportamento observado, o código relevante e o critério que define uma alteração bem-sucedida. Para um assistente de investigação, defina a pergunta, o material a examinar e os elementos de prova necessários à conclusão.
O raciocínio e a resposta direta fazem parte da conceção híbrida. Uma tarefa com raciocínio pode analisar dependências, condições matemáticas ou um plano com várias etapas antes de preparar a resposta final. Uma extração simples ou uma explicação curta pode ter um objetivo de resposta mais simples. Indique que restrições são obrigatórias, o que o modelo pode assumir e o que deve conter o artefacto final. A ficha da família do fabricante observa que o cumprimento dos orçamentos de raciocínio pode ser inconsistente, pelo que um orçamento solicitado não prova a existência de um teto de raciocínio rigoroso. Esta descrição não atribui à edição de setembro os níveis de raciocínio nem as predefinições de um modelo mais recente.
A tabela do modelo exato de setembro especifica até 1,048,576 tokens de entrada e 65,536 tokens de saída. O seu perfil de entrada de grande dimensão pode conter instruções, exemplos, texto de referência e contexto multimédia numa única tarefa. Para comparar requisitos com uma solução proposta, identifique as duas fontes e forneça um conjunto comum de critérios. Para discutir uma captura de ecrã, identifique o estado ou o componente relevante; numa tarefa de áudio ou vídeo, indique a pergunta ou o acontecimento, em vez de pedir uma descrição sem orientação. O resultado continua a ser texto: a criação nativa de imagens, a geração de voz e o diálogo falado em tempo real pertencem a outros perfis de modelo.
A Google documenta chamadas de funções, execução de código, fundamentação por pesquisa, contexto de URL e pesquisa de ficheiros para esta pré-visualização específica. As chamadas de funções selecionam uma função declarada e preparam os argumentos; a aplicação ligada executa a operação e devolve o resultado. A execução de código utiliza Python gerado para cálculos ou processamento de texto. A fundamentação por pesquisa fornece material da Web para uma resposta informada por fontes, enquanto o contexto de URL trabalha com o conteúdo de páginas acessíveis especificadas. A pesquisa de ficheiros oferece outra capacidade de recolha de fontes. Atribua ao agente uma finalidade clara para cada ferramenta e especifique a informação esperada de cada etapa, para que o fluxo de trabalho possa prosseguir a partir do resultado efetivamente devolvido.
O suporte de saídas estruturadas permite utilizar o artefacto final como um conjunto de campos definidos. Para uma comparação, peça um critério, a passagem correspondente da fonte, a diferença observada e a questão que ainda precisa de esclarecimento. Para uma tarefa de código, separe a alteração proposta da respetiva explicação e das verificações ainda necessárias. O perfil exato da Google também indica suporte de cache de contexto e processamento em lote. O material de origem repetido pode manter-se coerente entre tarefas relacionadas; a cache, por si só, não demonstra que um pedido específico reutilizou tokens em cache. Estas designações de capacidades não implicam combinações de esquemas mais recentes, limiares de cache ou modos de ferramentas simultâneos.
A ficha da família descreve um transformer de mistura esparsa de especialistas, com compreensão nativa de texto, elementos visuais e áudio. O treino combina texto da Web, código, imagens, áudio e vídeo; o pós-treino inclui pares de instruções e respostas multimodais, preferências humanas e dados de utilização de ferramentas. A preparação dos dados aplica deduplicação e filtragem de segurança e qualidade. A página desta edição datada indica janeiro de 2025 como data-limite do conhecimento. As perguntas que exigem informação mais recente devem identificar o material de origem ou uma etapa de recolha adequada, em vez de tratar o conhecimento adquirido no treino como um fluxo de informação em tempo real.
As limitações substantivas incluem a possível invenção de factos e dificuldades na compreensão causal, na dedução lógica complexa e no raciocínio contrafactual. A ficha da família também observa que as respostas podem, por vezes, ter um tom desnecessariamente professoral. Para obter um resultado útil, exija que o modelo distinga factos das fontes, pressupostos e ações propostas e examine depois as partes que determinam a decisão. Um artefacto completo de um agente pode conter as conclusões, um passo seguinte justificado, a informação obtida através de ferramentas e qualquer questão por resolver. A ênfase da versão de setembro na utilização de ferramentas ajuda a definir esse fluxo de trabalho, enquanto as entradas preparadas e os critérios de conclusão explícitos o mantêm ligado à tarefa do utilizador.
", "aboutText": "Gemini 2.5 Flash Preview 09-2025 é a edição de pré-visualização de setembro do modelo de raciocínio híbrido da Google. As entradas documentadas são texto, imagens, vídeo e áudio; a saída é texto. O modelo pode combinar a pergunta com material visual ou falado e produzir depois uma explicação, um documento, código ou uma resposta estruturada. Esta edição datada específica é distinta do Gemini 2.5 Flash estável e de um alias latest dinâmico. A sua finalidade é a compreensão multimodal e o trabalho assistido por ferramentas com um resultado escrito.\n\nA Google descreve duas melhorias específicas desta versão: melhor utilização de ferramentas por agentes e geração de respostas mais económica quando o raciocínio está ativado. A primeira diz respeito a tarefas que exigem várias ações interligadas, como obter informação, compará-la com o pedido e escolher o passo seguinte. A segunda consiste em produzir respostas úteis com menos tokens gerados, mantendo a qualidade. Para um assistente de desenvolvimento, forneça o comportamento observado, o código relevante e o critério que define uma alteração bem-sucedida. Para um assistente de investigação, defina a pergunta, o material a examinar e os elementos de prova necessários à conclusão.\n\nO raciocínio e a resposta direta fazem parte da conceção híbrida. Uma tarefa com raciocínio pode analisar dependências, condições matemáticas ou um plano com várias etapas antes de preparar a resposta final. Uma extração simples ou uma explicação curta pode ter um objetivo de resposta mais simples. Indique que restrições são obrigatórias, o que o modelo pode assumir e o que deve conter o artefacto final. A ficha da família do fabricante observa que o cumprimento dos orçamentos de raciocínio pode ser inconsistente, pelo que um orçamento solicitado não prova a existência de um teto de raciocínio rigoroso. Esta descrição não atribui à edição de setembro os níveis de raciocínio nem as predefinições de um modelo mais recente.\n\nA tabela do modelo exato de setembro especifica até 1,048,576 tokens de entrada e 65,536 tokens de saída. O seu perfil de entrada de grande dimensão pode conter instruções, exemplos, texto de referência e contexto multimédia numa única tarefa. Para comparar requisitos com uma solução proposta, identifique as duas fontes e forneça um conjunto comum de critérios. Para discutir uma captura de ecrã, identifique o estado ou o componente relevante; numa tarefa de áudio ou vídeo, indique a pergunta ou o acontecimento, em vez de pedir uma descrição sem orientação. O resultado continua a ser texto: a criação nativa de imagens, a geração de voz e o diálogo falado em tempo real pertencem a outros perfis de modelo.\n\nA Google documenta chamadas de funções, execução de código, fundamentação por pesquisa, contexto de URL e pesquisa de ficheiros para esta pré-visualização específica. As chamadas de funções selecionam uma função declarada e preparam os argumentos; a aplicação ligada executa a operação e devolve o resultado. A execução de código utiliza Python gerado para cálculos ou processamento de texto. A fundamentação por pesquisa fornece material da Web para uma resposta informada por fontes, enquanto o contexto de URL trabalha com o conteúdo de páginas acessíveis especificadas. A pesquisa de ficheiros oferece outra capacidade de recolha de fontes. Atribua ao agente uma finalidade clara para cada ferramenta e especifique a informação esperada de cada etapa, para que o fluxo de trabalho possa prosseguir a partir do resultado efetivamente devolvido.\n\nO suporte de saídas estruturadas permite utilizar o artefacto final como um conjunto de campos definidos. Para uma comparação, peça um critério, a passagem correspondente da fonte, a diferença observada e a questão que ainda precisa de esclarecimento. Para uma tarefa de código, separe a alteração proposta da respetiva explicação e das verificações ainda necessárias. O perfil exato da Google também indica suporte de cache de contexto e processamento em lote. O material de origem repetido pode manter-se coerente entre tarefas relacionadas; a cache, por si só, não demonstra que um pedido específico reutilizou tokens em cache. Estas designações de capacidades não implicam combinações de esquemas mais recentes, limiares de cache ou modos de ferramentas simultâneos.\n\nA ficha da família descreve um transformer de mistura esparsa de especialistas, com compreensão nativa de texto, elementos visuais e áudio. O treino combina texto da Web, código, imagens, áudio e vídeo; o pós-treino inclui pares de instruções e respostas multimodais, preferências humanas e dados de utilização de ferramentas. A preparação dos dados aplica deduplicação e filtragem de segurança e qualidade. A página desta edição datada indica janeiro de 2025 como data-limite do conhecimento. As perguntas que exigem informação mais recente devem identificar o material de origem ou uma etapa de recolha adequada, em vez de tratar o conhecimento adquirido no treino como um fluxo de informação em tempo real.\n\nAs limitações substantivas incluem a possível invenção de factos e dificuldades na compreensão causal, na dedução lógica complexa e no raciocínio contrafactual. A ficha da família também observa que as respostas podem, por vezes, ter um tom desnecessariamente professoral. Para obter um resultado útil, exija que o modelo distinga factos das fontes, pressupostos e ações propostas e examine depois as partes que determinam a decisão. Um artefacto completo de um agente pode conter as conclusões, um passo seguinte justificado, a informação obtida através de ferramentas e qualquer questão por resolver. A ênfase da versão de setembro na utilização de ferramentas ajuda a definir esse fluxo de trabalho, enquanto as entradas preparadas e os critérios de conclusão explícitos o mantêm ligado à tarefa do utilizador.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 é a edição de setembro da Google para análise multimodal e trabalho em várias etapas com ferramentas. Combina compreensão de texto, imagem, vídeo e áudio com raciocínio, respostas estruturadas e um limite de entrada de 1,048,576 tokens, com melhorias específicas na utilização de ferramentas por agentes.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 2.5 Flash Preview 09-2025 é a edição de pré-visualização de setembro do modelo de raciocínio híbrido da Google. As entradas documentadas são texto, imagens, vídeo e áudio; a saída é texto. O modelo pode combinar a pergunta com material visual ou falado e produzir depois uma explicação, um documento, código ou uma resposta estruturada. Esta edição datada específica é distinta do Gemini 2.5 Flash estável e de um alias latest dinâmico. A sua finalidade é a compreensão multimodal e o trabalho assistido por ferramentas com um resultado escrito.
A Google descreve duas melhorias específicas desta versão: melhor utilização de ferramentas por agentes e geração de respostas mais económica quando o raciocínio está ativado. A primeira diz respeito a tarefas que exigem várias ações interligadas, como obter informação, compará-la com o pedido e escolher o passo seguinte. A segunda consiste em produzir respostas úteis com menos tokens gerados, mantendo a qualidade. Para um assistente de desenvolvimento, forneça o comportamento observado, o código relevante e o critério que define uma alteração bem-sucedida. Para um assistente de investigação, defina a pergunta, o material a examinar e os elementos de prova necessários à conclusão.
O raciocínio e a resposta direta fazem parte da conceção híbrida. Uma tarefa com raciocínio pode analisar dependências, condições matemáticas ou um plano com várias etapas antes de preparar a resposta final. Uma extração simples ou uma explicação curta pode ter um objetivo de resposta mais simples. Indique que restrições são obrigatórias, o que o modelo pode assumir e o que deve conter o artefacto final. A ficha da família do fabricante observa que o cumprimento dos orçamentos de raciocínio pode ser inconsistente, pelo que um orçamento solicitado não prova a existência de um teto de raciocínio rigoroso. Esta descrição não atribui à edição de setembro os níveis de raciocínio nem as predefinições de um modelo mais recente.
A tabela do modelo exato de setembro especifica até 1,048,576 tokens de entrada e 65,536 tokens de saída. O seu perfil de entrada de grande dimensão pode conter instruções, exemplos, texto de referência e contexto multimédia numa única tarefa. Para comparar requisitos com uma solução proposta, identifique as duas fontes e forneça um conjunto comum de critérios. Para discutir uma captura de ecrã, identifique o estado ou o componente relevante; numa tarefa de áudio ou vídeo, indique a pergunta ou o acontecimento, em vez de pedir uma descrição sem orientação. O resultado continua a ser texto: a criação nativa de imagens, a geração de voz e o diálogo falado em tempo real pertencem a outros perfis de modelo.
A Google documenta chamadas de funções, execução de código, fundamentação por pesquisa, contexto de URL e pesquisa de ficheiros para esta pré-visualização específica. As chamadas de funções selecionam uma função declarada e preparam os argumentos; a aplicação ligada executa a operação e devolve o resultado. A execução de código utiliza Python gerado para cálculos ou processamento de texto. A fundamentação por pesquisa fornece material da Web para uma resposta informada por fontes, enquanto o contexto de URL trabalha com o conteúdo de páginas acessíveis especificadas. A pesquisa de ficheiros oferece outra capacidade de recolha de fontes. Atribua ao agente uma finalidade clara para cada ferramenta e especifique a informação esperada de cada etapa, para que o fluxo de trabalho possa prosseguir a partir do resultado efetivamente devolvido.
O suporte de saídas estruturadas permite utilizar o artefacto final como um conjunto de campos definidos. Para uma comparação, peça um critério, a passagem correspondente da fonte, a diferença observada e a questão que ainda precisa de esclarecimento. Para uma tarefa de código, separe a alteração proposta da respetiva explicação e das verificações ainda necessárias. O perfil exato da Google também indica suporte de cache de contexto e processamento em lote. O material de origem repetido pode manter-se coerente entre tarefas relacionadas; a cache, por si só, não demonstra que um pedido específico reutilizou tokens em cache. Estas designações de capacidades não implicam combinações de esquemas mais recentes, limiares de cache ou modos de ferramentas simultâneos.
A ficha da família descreve um transformer de mistura esparsa de especialistas, com compreensão nativa de texto, elementos visuais e áudio. O treino combina texto da Web, código, imagens, áudio e vídeo; o pós-treino inclui pares de instruções e respostas multimodais, preferências humanas e dados de utilização de ferramentas. A preparação dos dados aplica deduplicação e filtragem de segurança e qualidade. A página desta edição datada indica janeiro de 2025 como data-limite do conhecimento. As perguntas que exigem informação mais recente devem identificar o material de origem ou uma etapa de recolha adequada, em vez de tratar o conhecimento adquirido no treino como um fluxo de informação em tempo real.
As limitações substantivas incluem a possível invenção de factos e dificuldades na compreensão causal, na dedução lógica complexa e no raciocínio contrafactual. A ficha da família também observa que as respostas podem, por vezes, ter um tom desnecessariamente professoral. Para obter um resultado útil, exija que o modelo distinga factos das fontes, pressupostos e ações propostas e examine depois as partes que determinam a decisão. Um artefacto completo de um agente pode conter as conclusões, um passo seguinte justificado, a informação obtida através de ferramentas e qualquer questão por resolver. A ênfase da versão de setembro na utilização de ferramentas ajuda a definir esse fluxo de trabalho, enquanto as entradas preparadas e os critérios de conclusão explícitos o mantêm ligado à tarefa do utilizador.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gemini-2.5-flash-preview-09-2025 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0006 / 1K tokens Saída · Tokens de saída $0.005 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-flash-preview-09-2025", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='gemini-2.5-flash-preview-09-2025',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Use os caminhos dos métodos indicados acima.
gemini-2.5-flash-preview-09-2025Gemini 2.5 Flash Preview 09-2025 é a edição de setembro da Google para análise multimodal e trabalho em várias etapas com ferramentas. Combina compreensão de texto, imagem, vídeo e áudio com raciocínio, respostas estruturadas e um limite de entrada de 1,048,576 tokens, com melhorias específicas na utilização de ferramentas por agentes.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 2.5 Flash Preview 09-2025 é a edição de pré-visualização de setembro do modelo de raciocínio híbrido da Google. As entradas documentadas são texto, imagens, vídeo e áudio; a saída é texto. O modelo pode combinar a pergunta com material visual ou falado e produzir depois uma explicação, um documento, código ou uma resposta estruturada. Esta edição datada específica é distinta do Gemini 2.5 Flash estável e de um alias latest dinâmico. A sua finalidade é a compreensão multimodal e o trabalho assistido por ferramentas com um resultado escrito.
A Google descreve duas melhorias específicas desta versão: melhor utilização de ferramentas por agentes e geração de respostas mais económica quando o raciocínio está ativado. A primeira diz respeito a tarefas que exigem várias ações interligadas, como obter informação, compará-la com o pedido e escolher o passo seguinte. A segunda consiste em produzir respostas úteis com menos tokens gerados, mantendo a qualidade. Para um assistente de desenvolvimento, forneça o comportamento observado, o código relevante e o critério que define uma alteração bem-sucedida. Para um assistente de investigação, defina a pergunta, o material a examinar e os elementos de prova necessários à conclusão.
O raciocínio e a resposta direta fazem parte da conceção híbrida. Uma tarefa com raciocínio pode analisar dependências, condições matemáticas ou um plano com várias etapas antes de preparar a resposta final. Uma extração simples ou uma explicação curta pode ter um objetivo de resposta mais simples. Indique que restrições são obrigatórias, o que o modelo pode assumir e o que deve conter o artefacto final. A ficha da família do fabricante observa que o cumprimento dos orçamentos de raciocínio pode ser inconsistente, pelo que um orçamento solicitado não prova a existência de um teto de raciocínio rigoroso. Esta descrição não atribui à edição de setembro os níveis de raciocínio nem as predefinições de um modelo mais recente.
A tabela do modelo exato de setembro especifica até 1,048,576 tokens de entrada e 65,536 tokens de saída. O seu perfil de entrada de grande dimensão pode conter instruções, exemplos, texto de referência e contexto multimédia numa única tarefa. Para comparar requisitos com uma solução proposta, identifique as duas fontes e forneça um conjunto comum de critérios. Para discutir uma captura de ecrã, identifique o estado ou o componente relevante; numa tarefa de áudio ou vídeo, indique a pergunta ou o acontecimento, em vez de pedir uma descrição sem orientação. O resultado continua a ser texto: a criação nativa de imagens, a geração de voz e o diálogo falado em tempo real pertencem a outros perfis de modelo.
A Google documenta chamadas de funções, execução de código, fundamentação por pesquisa, contexto de URL e pesquisa de ficheiros para esta pré-visualização específica. As chamadas de funções selecionam uma função declarada e preparam os argumentos; a aplicação ligada executa a operação e devolve o resultado. A execução de código utiliza Python gerado para cálculos ou processamento de texto. A fundamentação por pesquisa fornece material da Web para uma resposta informada por fontes, enquanto o contexto de URL trabalha com o conteúdo de páginas acessíveis especificadas. A pesquisa de ficheiros oferece outra capacidade de recolha de fontes. Atribua ao agente uma finalidade clara para cada ferramenta e especifique a informação esperada de cada etapa, para que o fluxo de trabalho possa prosseguir a partir do resultado efetivamente devolvido.
O suporte de saídas estruturadas permite utilizar o artefacto final como um conjunto de campos definidos. Para uma comparação, peça um critério, a passagem correspondente da fonte, a diferença observada e a questão que ainda precisa de esclarecimento. Para uma tarefa de código, separe a alteração proposta da respetiva explicação e das verificações ainda necessárias. O perfil exato da Google também indica suporte de cache de contexto e processamento em lote. O material de origem repetido pode manter-se coerente entre tarefas relacionadas; a cache, por si só, não demonstra que um pedido específico reutilizou tokens em cache. Estas designações de capacidades não implicam combinações de esquemas mais recentes, limiares de cache ou modos de ferramentas simultâneos.
A ficha da família descreve um transformer de mistura esparsa de especialistas, com compreensão nativa de texto, elementos visuais e áudio. O treino combina texto da Web, código, imagens, áudio e vídeo; o pós-treino inclui pares de instruções e respostas multimodais, preferências humanas e dados de utilização de ferramentas. A preparação dos dados aplica deduplicação e filtragem de segurança e qualidade. A página desta edição datada indica janeiro de 2025 como data-limite do conhecimento. As perguntas que exigem informação mais recente devem identificar o material de origem ou uma etapa de recolha adequada, em vez de tratar o conhecimento adquirido no treino como um fluxo de informação em tempo real.
As limitações substantivas incluem a possível invenção de factos e dificuldades na compreensão causal, na dedução lógica complexa e no raciocínio contrafactual. A ficha da família também observa que as respostas podem, por vezes, ter um tom desnecessariamente professoral. Para obter um resultado útil, exija que o modelo distinga factos das fontes, pressupostos e ações propostas e examine depois as partes que determinam a decisão. Um artefacto completo de um agente pode conter as conclusões, um passo seguinte justificado, a informação obtida através de ferramentas e qualquer questão por resolver. A ênfase da versão de setembro na utilização de ferramentas ajuda a definir esse fluxo de trabalho, enquanto as entradas preparadas e os critérios de conclusão explícitos o mantêm ligado à tarefa do utilizador.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gemini-2.5-flash-preview-09-2025 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0006 / 1K tokens Saída · Tokens de saída $0.005 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "gemini-2.5-flash-preview-09-2025",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-flash-preview-09-2025', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra gemini-2.5-flash-preview-09-2025
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Review a proposed retention design\n\nAssess this design against the requirement. Requirement R: delete inactive guest records after 30 days; paid accounts are excluded. Design D: a nightly job deletes every account whose last_login is older than 30 days. List mismatches with R/D references, propose a corrected selection rule in plain English, and give boundary cases to test.A concise requirements review, a corrected guest-only rule and tests for day 30, day 31 and an inactive paid account.The proposal excludes paid accounts and explicitly resolves what after 30 days means at the boundary.