Gemini 3.7 Flash desenvolve a linha de modelos multimodais com raciocínio. Assenta no Gemini 3.6 Flash e inclui alterações na base do raciocínio, bem como suporte de compreensão de vídeo para agentes. Os cenários de trabalho abrangem programação, análise complexa de vídeo e processos com várias etapas.
Segundo as características da Google, o modelo compreende texto, imagens, vídeo, áudio e PDF. No catálogo Ailoot API atual, os métodos textuais anunciam texto e imagens na entrada e texto na saída. Vídeo, áudio e PDF não estão incluídos neste conjunto de entradas. O volume máximo do pedido é de 1 048 576 tokens de entrada, e o da resposta é de 65 536 tokens de saída. A resposta continua a ser textual; esta versão não suporta geração autónoma de imagens nem de áudio.
Thinking tem três níveis suportados: low, medium e high. No modo do modelo de base descrito pela Google, o nível normal é medium. Estes valores descrevem o modelo de base da Google; o modo e a disponibilidade de controlo através da Ailoot API dependem do método e da variante do modelo escolhidos. Permitem escolher a intensidade do raciocínio adicional. O nível minimal não é suportado pelo Gemini 3.7 Flash: este parâmetro provoca um erro. As configurações de raciocínio influenciam o modo de trabalho do modelo, mas não alteram a modalidade de saída suportada.
Para executar tarefas sequencialmente, estão previstas chamadas de funções, execução de código e respostas estruturadas. O modelo pode utilizar cache de contexto, pesquisa em ficheiros, fundamentação através de pesquisa, Google Maps e conteúdo de endereços Web. É suportado processamento em lote. O controlo de interfaces de computador é identificado como uma capacidade preliminar; a sua utilização exige suporte no método escolhido.
A versão estável gemini-3.7-flash foi publicada em agosto de 2026. O fabricante indica março de 2026 como data de corte do conhecimento integrado, com uma ressalva: em algumas áreas, o conhecimento pode continuar ao nível de janeiro de 2025. Trabalhar com dados externos e compreender o material fornecido é distinto da informação que o modelo já conhece.
O modelo pode criar factos inventados, processar alguns pedidos lentamente ou terminá-los por tempo limite excedido. Destina-se a ciclos de trabalho complexos, mas a capacidade de executar uma ação isolada não substitui a verificação do resultado completo desse processo. Ao utilizar entradas multimodais, o resultado consiste em conclusões textuais sobre o conteúdo dos materiais, em vez de um novo ficheiro multimédia.
", "aboutText": "Gemini 3.7 Flash desenvolve a linha de modelos multimodais com raciocínio. Assenta no Gemini 3.6 Flash e inclui alterações na base do raciocínio, bem como suporte de compreensão de vídeo para agentes. Os cenários de trabalho abrangem programação, análise complexa de vídeo e processos com várias etapas.\n\n### Entrada e resultado textual\n\nSegundo as características da Google, o modelo compreende **texto, imagens, vídeo, áudio e PDF**. No catálogo Ailoot API atual, os métodos textuais anunciam **texto e imagens** na entrada e texto na saída. Vídeo, áudio e PDF não estão incluídos neste conjunto de entradas. O volume máximo do pedido é de **1 048 576 tokens de entrada**, e o da resposta é de **65 536 tokens de saída**. A resposta continua a ser textual; esta versão não suporta geração autónoma de imagens nem de áudio.\n\n### Controlo do raciocínio\n\nThinking tem três níveis suportados: **`low`, `medium` e `high`**. No modo do modelo de base descrito pela Google, o nível normal é `medium`. Estes valores descrevem o modelo de base da Google; o modo e a disponibilidade de controlo através da Ailoot API dependem do método e da variante do modelo escolhidos. Permitem escolher a intensidade do raciocínio adicional. O nível `minimal` **não é suportado** pelo Gemini 3.7 Flash: este parâmetro provoca um erro. As configurações de raciocínio influenciam o modo de trabalho do modelo, mas não alteram a modalidade de saída suportada.\n\nPara executar tarefas sequencialmente, estão previstas chamadas de funções, execução de código e respostas estruturadas. O modelo pode utilizar cache de contexto, pesquisa em ficheiros, fundamentação através de pesquisa, Google Maps e conteúdo de endereços Web. É suportado processamento em lote. O controlo de interfaces de computador é identificado como uma capacidade preliminar; a sua utilização exige suporte no método escolhido.\n\n### Onde estão os limites\n\nA versão estável `gemini-3.7-flash` foi publicada em agosto de 2026. O fabricante indica março de 2026 como data de corte do conhecimento integrado, com uma ressalva: em algumas áreas, o conhecimento pode continuar ao nível de janeiro de 2025. Trabalhar com dados externos e compreender o material fornecido é distinto da informação que o modelo já conhece.\n\nO modelo pode criar factos inventados, processar alguns pedidos lentamente ou terminá-los por tempo limite excedido. Destina-se a ciclos de trabalho complexos, mas a capacidade de executar uma ação isolada não substitui a verificação do resultado completo desse processo. Ao utilizar entradas multimodais, o resultado consiste em conclusões textuais sobre o conteúdo dos materiais, em vez de um novo ficheiro multimédia.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Trace a multi-stage processing failure\n\nAnalyze this supplied event log: 09:00 file accepted; 09:01 parse completed with 14 rows; 09:02 validation rejected row 8; 09:03 export skipped because validation failed. The user reports that no export exists. Identify the first failed stage, distinguish successful stages and propose the next diagnostic using only the log.A stage-status table, the earliest failure and one targeted next diagnostic.Check that the answer attributes the missing export to the recorded validation failure without inventing the reason row 8 failed.gemini-3.7-flash-tieredModelo multimodal da Google com raciocínio configurável para programação, compreensão de vídeo e processos de trabalho com várias etapas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.7 Flash desenvolve a linha de modelos multimodais com raciocínio. Assenta no Gemini 3.6 Flash e inclui alterações na base do raciocínio, bem como suporte de compreensão de vídeo para agentes. Os cenários de trabalho abrangem programação, análise complexa de vídeo e processos com várias etapas.
Segundo as características da Google, o modelo compreende texto, imagens, vídeo, áudio e PDF. No catálogo Ailoot API atual, os métodos textuais anunciam texto e imagens na entrada e texto na saída. Vídeo, áudio e PDF não estão incluídos neste conjunto de entradas. O volume máximo do pedido é de 1 048 576 tokens de entrada, e o da resposta é de 65 536 tokens de saída. A resposta continua a ser textual; esta versão não suporta geração autónoma de imagens nem de áudio.
Thinking tem três níveis suportados: low, medium e high. No modo do modelo de base descrito pela Google, o nível normal é medium. Estes valores descrevem o modelo de base da Google; o modo e a disponibilidade de controlo através da Ailoot API dependem do método e da variante do modelo escolhidos. Permitem escolher a intensidade do raciocínio adicional. O nível minimal não é suportado pelo Gemini 3.7 Flash: este parâmetro provoca um erro. As configurações de raciocínio influenciam o modo de trabalho do modelo, mas não alteram a modalidade de saída suportada.
Para executar tarefas sequencialmente, estão previstas chamadas de funções, execução de código e respostas estruturadas. O modelo pode utilizar cache de contexto, pesquisa em ficheiros, fundamentação através de pesquisa, Google Maps e conteúdo de endereços Web. É suportado processamento em lote. O controlo de interfaces de computador é identificado como uma capacidade preliminar; a sua utilização exige suporte no método escolhido.
A versão estável gemini-3.7-flash foi publicada em agosto de 2026. O fabricante indica março de 2026 como data de corte do conhecimento integrado, com uma ressalva: em algumas áreas, o conhecimento pode continuar ao nível de janeiro de 2025. Trabalhar com dados externos e compreender o material fornecido é distinto da informação que o modelo já conhece.
O modelo pode criar factos inventados, processar alguns pedidos lentamente ou terminá-los por tempo limite excedido. Destina-se a ciclos de trabalho complexos, mas a capacidade de executar uma ação isolada não substitui a verificação do resultado completo desse processo. Ao utilizar entradas multimodais, o resultado consiste em conclusões textuais sobre o conteúdo dos materiais, em vez de um novo ficheiro multimédia.
POST /v1/messagestext, imagetext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gemini-3.7-flash-tiered | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring|content_block[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Camposystem | Tipostring|content_block[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites Mínimo: 1 O limite aplica-se a: Limite exato do modelo ou da ficha selecionados | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipotool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].name | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Ferramenta fornecida | Predefinição— |
Campotools[].description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].input_schema | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campometadata | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Texto · Texto UTF8
messages[].content ou bloco type=text
Texto + imagem
{type:image,source:{type:base64,media_type,data}} ou origem type=url
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext, image |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratonull |
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrotext_file_material | ContratoConteúdo UTF-8 real inserido como texto; ID de ficheiros/URLs precisam de suporte separado e exato |
Ciclo de vida: exact retained published method
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/messagesO 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: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${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-3.7-flash-tiered", "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-3.7-flash-tiered", "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-3.7-flash-tiered",\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-3.7-flash-tiered",\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-3.7-flash-tiered',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 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 gemini-3.7-flash-tiered
Use os caminhos dos métodos indicados acima.
gemini-3.7-flash-tieredModelo multimodal da Google com raciocínio configurável para programação, compreensão de vídeo e processos de trabalho com várias etapas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.7 Flash desenvolve a linha de modelos multimodais com raciocínio. Assenta no Gemini 3.6 Flash e inclui alterações na base do raciocínio, bem como suporte de compreensão de vídeo para agentes. Os cenários de trabalho abrangem programação, análise complexa de vídeo e processos com várias etapas.
Segundo as características da Google, o modelo compreende texto, imagens, vídeo, áudio e PDF. No catálogo Ailoot API atual, os métodos textuais anunciam texto e imagens na entrada e texto na saída. Vídeo, áudio e PDF não estão incluídos neste conjunto de entradas. O volume máximo do pedido é de 1 048 576 tokens de entrada, e o da resposta é de 65 536 tokens de saída. A resposta continua a ser textual; esta versão não suporta geração autónoma de imagens nem de áudio.
Thinking tem três níveis suportados: low, medium e high. No modo do modelo de base descrito pela Google, o nível normal é medium. Estes valores descrevem o modelo de base da Google; o modo e a disponibilidade de controlo através da Ailoot API dependem do método e da variante do modelo escolhidos. Permitem escolher a intensidade do raciocínio adicional. O nível minimal não é suportado pelo Gemini 3.7 Flash: este parâmetro provoca um erro. As configurações de raciocínio influenciam o modo de trabalho do modelo, mas não alteram a modalidade de saída suportada.
Para executar tarefas sequencialmente, estão previstas chamadas de funções, execução de código e respostas estruturadas. O modelo pode utilizar cache de contexto, pesquisa em ficheiros, fundamentação através de pesquisa, Google Maps e conteúdo de endereços Web. É suportado processamento em lote. O controlo de interfaces de computador é identificado como uma capacidade preliminar; a sua utilização exige suporte no método escolhido.
A versão estável gemini-3.7-flash foi publicada em agosto de 2026. O fabricante indica março de 2026 como data de corte do conhecimento integrado, com uma ressalva: em algumas áreas, o conhecimento pode continuar ao nível de janeiro de 2025. Trabalhar com dados externos e compreender o material fornecido é distinto da informação que o modelo já conhece.
O modelo pode criar factos inventados, processar alguns pedidos lentamente ou terminá-los por tempo limite excedido. Destina-se a ciclos de trabalho complexos, mas a capacidade de executar uma ação isolada não substitui a verificação do resultado completo desse processo. Ao utilizar entradas multimodais, o resultado consiste em conclusões textuais sobre o conteúdo dos materiais, em vez de um novo ficheiro multimédia.
POST /v1beta/models/{model}:generateContenttext, imagetext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campopath.model | Tipostring | RequisitoObrigatório | Valores e limites gemini-3.7-flash-tiered | Predefinição— |
Campocontents | Tipocontent[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campocontents[].role | Tipostring | RequisitoOpcional | Valores e limites user, model | Predefinição— |
Campocontents[].parts | Tipopart[] | RequisitoObrigatório | Valores e limites | Predefinição— |
CamposystemInstruction | Tipocontent | RequisitoOpcional | Valores e limites | Predefinição— |
CampogenerationConfig.maxOutputTokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
CampogenerationConfig.temperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
CampogenerationConfig.topP | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
CampogenerationConfig.topK | Tipointeger | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
CampogenerationConfig.stopSequences | Tipostring[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
CampogenerationConfig.thinkingConfig.includeThoughts | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
CampogenerationConfig.thinkingConfig.thinkingBudget | Tipointeger | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].functionDeclarations | Tipofunction_declaration[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
CampotoolConfig.functionCallingConfig.mode | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
CamposafetySettings | Tipoobject[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
CamposessionId | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Texto · Texto UTF8
contents[].parts[].text
Texto + imagem
parts[].inlineData={mimeType,data}
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext, image |
Parâmetrorequired | Contratocontents |
Parâmetrooptional_controls | Contratonull |
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrotext_file_material | ContratoConteúdo UTF-8 real inserido como texto; ID de ficheiros/URLs precisam de suporte separado e exato |
Ciclo de vida: exact retained published method
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1beta/models/{model}:generateContentO 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}"\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-3.7-flash-tiered: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-3.7-flash-tiered: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-3.7-flash-tiered", 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-3.7-flash-tiered", 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-3.7-flash-tiered',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 ou streaming suportado
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os candidatos e partes, incluindo chamadas de funções, assinaturas de raciocínio e dados de utilização; junte os fragmentos do fluxo pela ordem.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
CamporesponseId | Tipostring |
CampomodelVersion | Tipostring |
Campocandidates[].content.parts[] | Tipotext|inlineData|functionCall|other part |
Campocandidates[].finishReason | Tipostring |
CampousageMetadata | 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 gemini-3.7-flash-tiered
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Trace a multi-stage processing failure\n\nAnalyze this supplied event log: 09:00 file accepted; 09:01 parse completed with 14 rows; 09:02 validation rejected row 8; 09:03 export skipped because validation failed. The user reports that no export exists. Identify the first failed stage, distinguish successful stages and propose the next diagnostic using only the log.A stage-status table, the earliest failure and one targeted next diagnostic.Check that the answer attributes the missing export to the recorded validation failure without inventing the reason row 8 failed.