Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
", "aboutText": "Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.\n\nPara uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.\n\nPara trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.\n\nAs ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.\n\nO guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.\n\nPara trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.\n\nOs seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.\n\nAs limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Diagnose an unsaved form value\n\nReview this form flow: the input displays draft.name; typing updates draft.name; Save sends original.name; after reload the old name reappears. Explain the mismatch and propose a minimal correction in framework-neutral pseudocode. Include a regression scenario that types a new name, saves, reloads, and checks the stored value. Do not claim any browser action occurred.A cause explanation, corrected Save pseudocode and an end-to-end regression scenario.The submitted value comes from the edited draft, and the reload check verifies persistence rather than just the visible input.gemini-3.8-flashGemini 3.8 Flash é o modelo multimodal polivalente da Google para engenharia de software continuada, agentes e tarefas complexas de conhecimento. Aceita texto, imagens, áudio, vídeo e PDF, devolve texto e oferece raciocínio baixo, médio ou elevado, com ferramentas e saída estruturada. Os seus limites de entrada/saída documentados são 1 048 576/65 536 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
POST /v1/messagestext, imagetext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gemini-3.8-flash | 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 Model-specific | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campostop_sequences | Tipostring[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotools | Tipotool[] | RequisitoOpcional | Valores e limites Model-specific | 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 Model-specific | Predefinição— |
Campothinking.type | Tipostring | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campothinking.budget_tokens | Tipointeger | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campooutput_config.effort | Tipostring | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campometadata | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
Campocache_control | Tipoobject | RequisitoOpcional | Valores e limites Model-specific | 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 →
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoOpenAI Chat · Tarifas de base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoAnthropic Messages · Tarifas de base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
set -eu\n: "${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-3.8-flash", "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-3.8-flash", "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-3.8-flash",\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-3.8-flash",\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-3.8-flash',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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash é o modelo multimodal polivalente da Google para engenharia de software continuada, agentes e tarefas complexas de conhecimento. Aceita texto, imagens, áudio, vídeo e PDF, devolve texto e oferece raciocínio baixo, médio ou elevado, com ferramentas e saída estruturada. Os seus limites de entrada/saída documentados são 1 048 576/65 536 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
POST /v1beta/models/{model}:generateContenttext, imagetext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campopath.model | Tipostring | RequisitoObrigatório | Valores e limites gemini-3.8-flash | 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 Model-specific | Predefinição— |
CampogenerationConfig.temperature | Tiponumber | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
CampogenerationConfig.topP | Tiponumber | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
CampogenerationConfig.topK | Tipointeger | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
CampogenerationConfig.stopSequences | Tipostring[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
CampogenerationConfig.thinkingConfig.includeThoughts | Tipoboolean | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
CampogenerationConfig.thinkingConfig.thinkingBudget | Tipointeger | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotools[].functionDeclarations | Tipofunction_declaration[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
CampotoolConfig.functionCallingConfig.mode | Tipostring | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
CamposafetySettings | Tipoobject[] | RequisitoOpcional | Valores e limites Model-specific | 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 →
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoOpenAI Chat · Tarifas de base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoAnthropic Messages · Tarifas de base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
set -eu\n: "${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-3.8-flash: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-3.8-flash: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-3.8-flash", 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-3.8-flash", 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-3.8-flash',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-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash é o modelo multimodal polivalente da Google para engenharia de software continuada, agentes e tarefas complexas de conhecimento. Aceita texto, imagens, áudio, vídeo e PDF, devolve texto e oferece raciocínio baixo, médio ou elevado, com ferramentas e saída estruturada. Os seus limites de entrada/saída documentados são 1 048 576/65 536 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gemini-3.8-flash | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Model-specific | Predefinição— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Conversação textual | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
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 |
Parâmetrocontrol_scope | ContratoConversação textual; stream é um booleano e tem false como predefinição. |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Aliases do método: /chat/completions
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 $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-3.8-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-3.8-flash", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
gemini-3.8-flashGemini 3.8 Flash é o modelo multimodal polivalente da Google para engenharia de software continuada, agentes e tarefas complexas de conhecimento. Aceita texto, imagens, áudio, vídeo e PDF, devolve texto e oferece raciocínio baixo, médio ou elevado, com ferramentas e saída estruturada. Os seus limites de entrada/saída documentados são 1 048 576/65 536 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gemini-3.8-flash | 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 $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "gemini-3.8-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.8-flash', '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-3.8-flash', '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 gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
google/gemini-3.8-flashGemini 3.8 Flash é o modelo multimodal polivalente da Google para engenharia de software continuada, agentes e tarefas complexas de conhecimento. Aceita texto, imagens, áudio, vídeo e PDF, devolve texto e oferece raciocínio baixo, médio ou elevado, com ferramentas e saída estruturada. Os seus limites de entrada/saída documentados são 1 048 576/65 536 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites google/gemini-3.8-flash | 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. Model-specific | 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 Model-specific | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Model-specific | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Model-specific | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Model-specific | 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 Model-specific | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Model-specific | 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 $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-3.8-flash", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemini-3.8-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemini-3.8-flash',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 gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
google/gemini-3.8-flashGemini 3.8 Flash é o modelo multimodal polivalente da Google para engenharia de software continuada, agentes e tarefas complexas de conhecimento. Aceita texto, imagens, áudio, vídeo e PDF, devolve texto e oferece raciocínio baixo, médio ou elevado, com ferramentas e saída estruturada. Os seus limites de entrada/saída documentados são 1 048 576/65 536 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites google/gemini-3.8-flash | 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 $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "google/gemini-3.8-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-3.8-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-3.8-flash', '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 gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
~google/gemini-flash-latestGemini 3.8 Flash é o modelo multimodal polivalente da Google para engenharia de software continuada, agentes e tarefas complexas de conhecimento. Aceita texto, imagens, áudio, vídeo e PDF, devolve texto e oferece raciocínio baixo, médio ou elevado, com ferramentas e saída estruturada. Os seus limites de entrada/saída documentados são 1 048 576/65 536 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites ~google/gemini-flash-latest | 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: These roles are explicitly represented by Source compatibility types; the exact model role set remains model-specific. Model-specific | 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 actual returned ID | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Round-trip actual returned reasoning where this model uses it | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Model-specific | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Model-specific | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Model-specific | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: function tool supplied | 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 Model-specific | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Model-specific | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options is rejected on this Ultra text route | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h is rejected in actual prompt-cache locations | Predefinição— |
Texto · UTF8 text
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | Contratomessage array with role/content shape |
Parâmetrofile_material | Contratoactual UTF-8 document inserted as literal text; no file ID inferred |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | Contratomodel-specific; user function tools differ from hosted tools |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Send exact model ID with messages.
Context length is not an output cap.
A text file may supply literal text; image/audio/file-object inputs need exact binding.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~google/gemini-flash-latest", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='~google/gemini-flash-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='~google/gemini-flash-latest',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 or SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.
Keep request/response IDs and headers. No generic text job retrieval URL is supplied.
| 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 | CondiçãoInvalid required fields, material representation or parameter value | Passo seguinteCorrect the indicated fields before a new creation request. |
Ailoot gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
~google/gemini-flash-latestGemini 3.8 Flash é o modelo multimodal polivalente da Google para engenharia de software continuada, agentes e tarefas complexas de conhecimento. Aceita texto, imagens, áudio, vídeo e PDF, devolve texto e oferece raciocínio baixo, médio ou elevado, com ferramentas e saída estruturada. Os seus limites de entrada/saída documentados são 1 048 576/65 536 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash é o modelo da Google com saída textual para engenharia de software continuada, agentes de várias etapas e fluxos complexos de trabalho com conhecimento. Baseia-se no Gemini 3.7 Flash, com melhorias na engenharia de software e no trabalho de conhecimento com agentes. Aceita texto, imagens, áudio, vídeo e PDF, pelo que uma tarefa pode combinar um objetivo escrito com o material efetivamente necessário para o resolver. O resultado útil é uma alteração de código, uma análise explicada, uma resposta escrita ou um registo estruturado.
Para uma tarefa de programação, forneça o requisito, os ficheiros relevantes, o comportamento observado e as restrições a preservar. Uma captura de ecrã pode estabelecer a interface pretendida, enquanto os registos ou um exemplo que reproduza o problema mostram a falha. Para depuração, peça ao modelo que investigue uma discrepância entre o estado visível de um formulário e o seu valor guardado, identifique o percurso de código responsável e proponha uma correção focada. Mantenha claro o artefacto final pretendido, para que uma sequência mais longa de investigação e utilização de ferramentas continue a ter uma condição de conclusão específica.
Para trabalho mais prolongado, utilize passos de raciocínio menores, chamadas iterativas de ferramentas e verificações dos resultados intermédios. Os níveis de pensamento low, medium e high controlam a quantidade de raciocínio; medium é a predefinição documentada. Low adequa-se a um rascunho rápido ou a uma análise delimitada, enquanto high se destina a matemática difícil, programação ou tarefas de várias etapas. O Gemini 3.8 Flash não suporta o nível de pensamento minimal. Uma tarefa de depuração continuada e uma extração simples de campos exigem, por isso, escolhas de raciocínio diferentes, em vez da mesma definição para todos os pedidos.
As ferramentas documentadas incluem chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação por pesquisa, fundamentação com Google Maps e contexto de URL, sendo Computer Use apresentado como capacidade em pré-visualização. As saídas estruturadas definem um resultado legível por máquina. As funções devem ter uma finalidade clara e uma definição dos parâmetros: o modelo pode pedir uma função, enquanto a aplicação ligada executa a operação e devolve o resultado. Preserve as identidades das funções e o material efetivamente devolvido entre turnos. Uma resposta final útil explica que provas sustentam a correção proposta ou o valor extraído.
O guia de migração para 3.8 utiliza controlos de nível de pensamento em vez da configuração antiga de orçamento de raciocínio e aconselha remover parâmetros de amostragem obsoletos e turnos de modelo pré-preenchidos. Exige também preservar as assinaturas de pensamento no fluxo de trabalho sem estado relevante e fazer corresponder as respostas de funções às respetivas chamadas por identidade e nome. Estes pormenores importam ao continuar uma tarefa de várias etapas: o turno seguinte precisa do contexto anterior real, e não de um relato reescrito que perca o resultado da ferramenta ou a assinatura. Mantenha explícitos a pergunta e o resultado pedido no novo turno do utilizador.
Para trabalho de conhecimento multimodal, identifique as páginas de documento, o gráfico, o intervalo de áudio ou o acontecimento no vídeo relevantes e indique como devem contribuir para a resposta. Uma comparação documental pode pedir uma tabela de diferenças com passagens das fontes; uma pergunta sobre um gráfico pode pedir os valores visíveis e a conclusão que sustentam. Uma análise de vídeo pode pedir uma descrição dos acontecimentos que justificam uma conclusão. O modelo devolve texto a partir destas entradas. Imagens geradas, voz e interação áudio Live pertencem a perfis de modelos distintos.
Os seus limites da Gemini API são 1 048 576 tokens de entrada e 65 536 tokens de saída, correspondendo ao contexto de até 1M e à saída textual de 64K do modelo nativo. As instruções, o histórico de conversação e os suportes multimédia fornecidos consomem o contexto de entrada, e o raciocínio ou um artefacto final longo têm de caber no limite de saída documentado. A Google apresenta também cache, processamento em lote, Flex e processamento Priority para este perfil do produtor. Para itens independentes, mantenha um identificador de item estável e um formato de saída explícito, para que cada resultado continue ligado à sua fonte.
As limitações possíveis incluem alucinações, episódios ocasionais de lentidão ou de falha por exceder o tempo limite e maior utilização de tokens com esforço mais elevado. A sua data-limite de conhecimento é março de 2026, mantendo-se alguns domínios limitados a janeiro de 2025. Forneça provas atuais ou utilize as ferramentas de fundamentação documentadas quando a tarefa depender de informação posterior. Reveja as citações de fontes, os cálculos e o código proposto face às entradas e aos resultados de execução reais. O artefacto final útil deve distinguir uma conclusão sustentada de uma questão por resolver, sem pressupor que uma resposta fluente estabelece o resultado pedido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites ~google/gemini-flash-latest | 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 · UTF-8 text
messages[].content string
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoRead the actual UTF-8 document and put its text in the indicated input or message content string. |
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 por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.003 / 1K tokens Saída · Tokens de saída $0.015 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "~google/gemini-flash-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~google/gemini-flash-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~google/gemini-flash-latest', '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 or SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Keep all content blocks, thinking signatures and actual tool-use IDs. Assemble all SSE block deltas; a first text block is not the complete output.
Keep request/response IDs and headers. No generic text job retrieval URL is supplied.
| 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 | CondiçãoInvalid required fields, material representation or parameter value | Passo seguinteCorrect the indicated fields before a new creation request. |
Ailoot gemini-3.8-flash
Ailoot Ultra gemini-3.8-flash, google/gemini-3.8-flash, ~google/gemini-flash-latest
/chat/completions
google/gemini-3.8-flash, ~google/gemini-flash-latest, gemini-3.8-flash, gemini-3.8-flash
Exemplo técnico em inglês
Diagnose an unsaved form value\n\nReview this form flow: the input displays draft.name; typing updates draft.name; Save sends original.name; after reload the old name reappears. Explain the mismatch and propose a minimal correction in framework-neutral pseudocode. Include a regression scenario that types a new name, saves, reloads, and checks the stored value. Do not claim any browser action occurred.A cause explanation, corrected Save pseudocode and an end-to-end regression scenario.The submitted value comes from the edited draft, and the reload check verifies persistence rather than just the visible input.