Gemini 2.5 Pro är Googles stabila tänkandeprofil för avancerad programmering, matematik, STEM och analys med lång kontext. Den kan förstå text, ljud, bilder, video och hela kodarkiv, och dess Gemini API-profil tar också emot PDF-indata. Utdata är text, inklusive kod, skriftlig analys eller en strukturerad post. Ett användbart uppdrag tillhandahåller underlaget och begär ett resultat som kan kontrolleras, till exempel en förklarad lösning, en iakttagelse i en kodbas eller en jämförelse mellan flera dokument.
För programmering ska du tillhandahålla relevanta filer, observerat beteende och den ändring eller fråga som är viktig. Lång kontext kan hjälpa modellen att koppla samman moduler i stället för att resonera från ett enda isolerat kodutdrag. För en undersökning av en kodväg kan du be den spåra en identifierare från ett indataformulär genom bearbetning och lagring, identifiera var ett kontrakt ändras och föreslå en avgränsad korrigering. Bevara begränsningar och begär stödjande hänvisningar. En föreslagen ändring behöver jämföras med den faktiska koden och eventuell validering som utförts genom de anslutna verktygen.
För matematik eller vetenskaplig analys ska du ange problemet, antaganden, enheter och önskad svarsform. Tillhandahåll de data eller figurer som beräkningen beror på. Begär det underbyggda resultatet och de kontroller som gör det bedömbart, till exempel gränsfall eller en jämförelse med originalvärdena. Modellens resonemangsförmåga tar inte bort tvetydigheter i problemformuleringen. Håll en okänd storhet eller ett antagande utan stöd synligt i stället för att ersätta det med ett bekvämt värde.
Dynamiskt tänkande är den dokumenterade standarden. Gemini 2.5-guiden för GenerateContent stödjer en uttrycklig resonemangsbudget från 128 till 32,768 token för Pro, eller -1 för adaptivt tänkande. Den här utgåvan kan inte stänga av tänkandet helt. Reglagen skiljer sig från Flashs alternativ med nollbudget och från inställningarna för tänkandenivå i Gemini 3. Tänkandebudgeten vägleder resonemanget snarare än garanterar ett exakt antal interna token, och ett svarstak behöver också lämna utrymme för den slutliga artefakten.
För multimodalt dokumentarbete ska du identifiera sidor, diagram, bildregion eller inspelningshändelse som ska stödja svaret. En praktisk syntesuppgift kan begära konkurrerande påståenden från flera källdokument, deras stödjande textpassager och de skillnader som är viktiga för ett beslut. Be modellen skilja ett uttalat faktum från en slutsats. För video eller ljud ska du definiera om resultatet ska vara en beskrivning, transkription, sammanfattning eller jämförelse. Bilden och ljudet är underlag för ett textresultat i den här profilen.
Den exakta API-sidan dokumenterar funktionsanrop, kodexekvering, filsökning, sökförankring, Maps-förankring, URL-kontext och strukturerad utdata. Definiera funktionernas syften och parameterfält och bevara de faktiska resultaten i senare samtalsturer. För en schemabegränsad post ska du ange obligatoriska fält och hur saknad information ska representeras. Den ursprungliga arkitekturen är en multimodal gles mixture-of-experts-transformer; modelldesignen tillhandahåller inte i sig extern verktygsexekvering eller en färdig applikation utöver den text eller kod som returneras.
Det ursprungliga kortet anger 1M indatakontext och 64K textutdata; API-tabellen anger 1,048,576 indatatoken och 65,536 utdatatoken. Instruktioner, källinnehåll och bevarad historik ingår i förberedelsen av indata. Ett maximalt svarsutrymme omfattar resonemangstoken, så ett alltför lågt tak kan avbryta det slutliga svaret. Cachelagring och batchbearbetning dokumenteras, tillsammans med alternativ för Flex och Priority. Behåll varje källidentifierare och den önskade slutformen när oberoende uppgifter med lång kontext förbereds.
Den stabila identifieraren är separat från utgåvorna Experimental och Preview som diskuteras var för sig i det gemensamma Pro-modellkortet. Tillskriv inte den här profilen deras versionsspecifika resultat bara för att de delar Pro-namnet. Kortet identifierar möjliga hallucinationer och begränsningar i kausal förståelse, komplex deduktion och kontrafaktiskt resonemang, med en kunskapsgräns i januari 2025. Tillhandahåll aktuella belägg när det är viktigt och granska källhänvisningar, beräkningar och föreslagna ändringar. Det användbara resultatet är den underbyggda text- eller kodartefakt som uppgiften efterfrågade.
", "aboutText": "Gemini 2.5 Pro är Googles stabila tänkandeprofil för avancerad programmering, matematik, STEM och analys med lång kontext. Den kan förstå text, ljud, bilder, video och hela kodarkiv, och dess Gemini API-profil tar också emot PDF-indata. Utdata är text, inklusive kod, skriftlig analys eller en strukturerad post. Ett användbart uppdrag tillhandahåller underlaget och begär ett resultat som kan kontrolleras, till exempel en förklarad lösning, en iakttagelse i en kodbas eller en jämförelse mellan flera dokument.\n\nFör programmering ska du tillhandahålla relevanta filer, observerat beteende och den ändring eller fråga som är viktig. Lång kontext kan hjälpa modellen att koppla samman moduler i stället för att resonera från ett enda isolerat kodutdrag. För en undersökning av en kodväg kan du be den spåra en identifierare från ett indataformulär genom bearbetning och lagring, identifiera var ett kontrakt ändras och föreslå en avgränsad korrigering. Bevara begränsningar och begär stödjande hänvisningar. En föreslagen ändring behöver jämföras med den faktiska koden och eventuell validering som utförts genom de anslutna verktygen.\n\nFör matematik eller vetenskaplig analys ska du ange problemet, antaganden, enheter och önskad svarsform. Tillhandahåll de data eller figurer som beräkningen beror på. Begär det underbyggda resultatet och de kontroller som gör det bedömbart, till exempel gränsfall eller en jämförelse med originalvärdena. Modellens resonemangsförmåga tar inte bort tvetydigheter i problemformuleringen. Håll en okänd storhet eller ett antagande utan stöd synligt i stället för att ersätta det med ett bekvämt värde.\n\nDynamiskt tänkande är den dokumenterade standarden. Gemini 2.5-guiden för GenerateContent stödjer en uttrycklig resonemangsbudget från 128 till 32,768 token för Pro, eller -1 för adaptivt tänkande. Den här utgåvan kan inte stänga av tänkandet helt. Reglagen skiljer sig från Flashs alternativ med nollbudget och från inställningarna för tänkandenivå i Gemini 3. Tänkandebudgeten vägleder resonemanget snarare än garanterar ett exakt antal interna token, och ett svarstak behöver också lämna utrymme för den slutliga artefakten.\n\nFör multimodalt dokumentarbete ska du identifiera sidor, diagram, bildregion eller inspelningshändelse som ska stödja svaret. En praktisk syntesuppgift kan begära konkurrerande påståenden från flera källdokument, deras stödjande textpassager och de skillnader som är viktiga för ett beslut. Be modellen skilja ett uttalat faktum från en slutsats. För video eller ljud ska du definiera om resultatet ska vara en beskrivning, transkription, sammanfattning eller jämförelse. Bilden och ljudet är underlag för ett textresultat i den här profilen.\n\nDen exakta API-sidan dokumenterar funktionsanrop, kodexekvering, filsökning, sökförankring, Maps-förankring, URL-kontext och strukturerad utdata. Definiera funktionernas syften och parameterfält och bevara de faktiska resultaten i senare samtalsturer. För en schemabegränsad post ska du ange obligatoriska fält och hur saknad information ska representeras. Den ursprungliga arkitekturen är en multimodal gles mixture-of-experts-transformer; modelldesignen tillhandahåller inte i sig extern verktygsexekvering eller en färdig applikation utöver den text eller kod som returneras.\n\nDet ursprungliga kortet anger 1M indatakontext och 64K textutdata; API-tabellen anger 1,048,576 indatatoken och 65,536 utdatatoken. Instruktioner, källinnehåll och bevarad historik ingår i förberedelsen av indata. Ett maximalt svarsutrymme omfattar resonemangstoken, så ett alltför lågt tak kan avbryta det slutliga svaret. Cachelagring och batchbearbetning dokumenteras, tillsammans med alternativ för Flex och Priority. Behåll varje källidentifierare och den önskade slutformen när oberoende uppgifter med lång kontext förbereds.\n\nDen stabila identifieraren är separat från utgåvorna Experimental och Preview som diskuteras var för sig i det gemensamma Pro-modellkortet. Tillskriv inte den här profilen deras versionsspecifika resultat bara för att de delar Pro-namnet. Kortet identifierar möjliga hallucinationer och begränsningar i kausal förståelse, komplex deduktion och kontrafaktiskt resonemang, med en kunskapsgräns i januari 2025. Tillhandahåll aktuella belägg när det är viktigt och granska källhänvisningar, beräkningar och föreslagna ändringar. Det användbara resultatet är den underbyggda text- eller kodartefakt som uppgiften efterfrågade.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.gemini-2.5-proGemini 2.5 Pro är Googles stabila tänkandemodell för komplex kod, matematik, STEM och analys med lång kontext. Den tar emot text, bilder, ljud, video och PDF och returnerar text, med verktyg och strukturerad utdata. Dess dynamiska resonemangsbudget stödjer 128–32,768 token och kan inte stängas av helt.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemini 2.5 Pro är Googles stabila tänkandeprofil för avancerad programmering, matematik, STEM och analys med lång kontext. Den kan förstå text, ljud, bilder, video och hela kodarkiv, och dess Gemini API-profil tar också emot PDF-indata. Utdata är text, inklusive kod, skriftlig analys eller en strukturerad post. Ett användbart uppdrag tillhandahåller underlaget och begär ett resultat som kan kontrolleras, till exempel en förklarad lösning, en iakttagelse i en kodbas eller en jämförelse mellan flera dokument.
För programmering ska du tillhandahålla relevanta filer, observerat beteende och den ändring eller fråga som är viktig. Lång kontext kan hjälpa modellen att koppla samman moduler i stället för att resonera från ett enda isolerat kodutdrag. För en undersökning av en kodväg kan du be den spåra en identifierare från ett indataformulär genom bearbetning och lagring, identifiera var ett kontrakt ändras och föreslå en avgränsad korrigering. Bevara begränsningar och begär stödjande hänvisningar. En föreslagen ändring behöver jämföras med den faktiska koden och eventuell validering som utförts genom de anslutna verktygen.
För matematik eller vetenskaplig analys ska du ange problemet, antaganden, enheter och önskad svarsform. Tillhandahåll de data eller figurer som beräkningen beror på. Begär det underbyggda resultatet och de kontroller som gör det bedömbart, till exempel gränsfall eller en jämförelse med originalvärdena. Modellens resonemangsförmåga tar inte bort tvetydigheter i problemformuleringen. Håll en okänd storhet eller ett antagande utan stöd synligt i stället för att ersätta det med ett bekvämt värde.
Dynamiskt tänkande är den dokumenterade standarden. Gemini 2.5-guiden för GenerateContent stödjer en uttrycklig resonemangsbudget från 128 till 32,768 token för Pro, eller -1 för adaptivt tänkande. Den här utgåvan kan inte stänga av tänkandet helt. Reglagen skiljer sig från Flashs alternativ med nollbudget och från inställningarna för tänkandenivå i Gemini 3. Tänkandebudgeten vägleder resonemanget snarare än garanterar ett exakt antal interna token, och ett svarstak behöver också lämna utrymme för den slutliga artefakten.
För multimodalt dokumentarbete ska du identifiera sidor, diagram, bildregion eller inspelningshändelse som ska stödja svaret. En praktisk syntesuppgift kan begära konkurrerande påståenden från flera källdokument, deras stödjande textpassager och de skillnader som är viktiga för ett beslut. Be modellen skilja ett uttalat faktum från en slutsats. För video eller ljud ska du definiera om resultatet ska vara en beskrivning, transkription, sammanfattning eller jämförelse. Bilden och ljudet är underlag för ett textresultat i den här profilen.
Den exakta API-sidan dokumenterar funktionsanrop, kodexekvering, filsökning, sökförankring, Maps-förankring, URL-kontext och strukturerad utdata. Definiera funktionernas syften och parameterfält och bevara de faktiska resultaten i senare samtalsturer. För en schemabegränsad post ska du ange obligatoriska fält och hur saknad information ska representeras. Den ursprungliga arkitekturen är en multimodal gles mixture-of-experts-transformer; modelldesignen tillhandahåller inte i sig extern verktygsexekvering eller en färdig applikation utöver den text eller kod som returneras.
Det ursprungliga kortet anger 1M indatakontext och 64K textutdata; API-tabellen anger 1,048,576 indatatoken och 65,536 utdatatoken. Instruktioner, källinnehåll och bevarad historik ingår i förberedelsen av indata. Ett maximalt svarsutrymme omfattar resonemangstoken, så ett alltför lågt tak kan avbryta det slutliga svaret. Cachelagring och batchbearbetning dokumenteras, tillsammans med alternativ för Flex och Priority. Behåll varje källidentifierare och den önskade slutformen när oberoende uppgifter med lång kontext förbereds.
Den stabila identifieraren är separat från utgåvorna Experimental och Preview som diskuteras var för sig i det gemensamma Pro-modellkortet. Tillskriv inte den här profilen deras versionsspecifika resultat bara för att de delar Pro-namnet. Kortet identifierar möjliga hallucinationer och begränsningar i kausal förståelse, komplex deduktion och kontrafaktiskt resonemang, med en kunskapsgräns i januari 2025. Tillhandahåll aktuella belägg när det är viktigt och granska källhänvisningar, beräkningar och föreslagna ändringar. Det användbara resultatet är den underbyggda text- eller kodartefakt som uppgiften efterfrågade.
POST /v1/messagestext, imagetext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gemini-2.5-pro | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring|content_block[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältsystem | Typstring|content_block[] | KravValfritt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser Minimum: 1 Gränsen gäller för: den exakta gränsen för den valda modellen/det valda kortet | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop_sequences | Typstring[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typtool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].name | Typstring | KravValfritt | Värden & gränser Gäller när: verktyg har tillhandahållits | Standard— |
Fälttools[].description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].input_schema | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältthinking.type | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältthinking.budget_tokens | Typinteger | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältoutput_config.effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmetadata | Typobject | KravValfritt | Värden & gränser | Standard— |
Fältcache_control | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Text · UTF8-text
messages[].content eller ett type=text-block
Text + bild
{type:image,source:{type:base64,media_type,data}} eller källa type=url
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext, image |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Parametertext_file_material | Avtalfaktiskt UTF-8-innehåll infogat som text; fil-ID:n/URLs kräver separat, exakt definierat stöd |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
POST /v1/messages| Begärans storlek i token | Indata | Utdata | Cacheläsning | Skrivning till cache | Cache 5 min | Cache 1 tim |
|---|---|---|---|---|---|---|
| Begärans storlek i token(0; 200 000] | Indata0,00125 US$ | Utdata0,01 US$ | Cacheläsning0,000125 US$ | Skrivning till cacheBaspris: — | Cache 5 minBaspris: — | Cache 1 timBaspris: — |
| Begärans storlek i token(200 000; ∞) | Indata0,0025 US$ | Utdata0,015 US$ | Cacheläsning0,00025 US$ | Skrivning till cacheBaspris: — | Cache 5 minBaspris: — | Cache 1 timBaspris: — |
Priser i USD per 1K token. Om inget pris anges ärvs grundpriset för den här metoden; «—» betyder att inget grundpris har angetts.
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token Utdata · Utdatatoken för resonemang $0.02 / 1K token |
| KonfigurationOpenAI Chat · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och med200 000 | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationOpenAI Chat · Nivå 2 baserad på begärans längd | Prislista— | Kontexttoken, fler än200 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.005 / 1K token Utdata · Utdatatoken $0.03 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token Utdata · Utdatatoken för resonemang $0.02 / 1K token |
| KonfigurationAnthropic Messages · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och med200 000 | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Nivå 2 baserad på begärans längd | Prislista— | Kontexttoken, fler än200 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.005 / 1K token Utdata · Utdatatoken $0.03 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-pro", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-2.5-pro", "max_tokens": 1024, "messages": [{"role": "user", "content": [{"type": "text", "text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["messages"][0]["content"].append({"type":"image","source":{"type":"base64","media_type":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="gemini-2.5-pro",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "gemini-2.5-pro",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.messages.stream(model='gemini-2.5-pro',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro är Googles stabila tänkandemodell för komplex kod, matematik, STEM och analys med lång kontext. Den tar emot text, bilder, ljud, video och PDF och returnerar text, med verktyg och strukturerad utdata. Dess dynamiska resonemangsbudget stödjer 128–32,768 token och kan inte stängas av helt.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemini 2.5 Pro är Googles stabila tänkandeprofil för avancerad programmering, matematik, STEM och analys med lång kontext. Den kan förstå text, ljud, bilder, video och hela kodarkiv, och dess Gemini API-profil tar också emot PDF-indata. Utdata är text, inklusive kod, skriftlig analys eller en strukturerad post. Ett användbart uppdrag tillhandahåller underlaget och begär ett resultat som kan kontrolleras, till exempel en förklarad lösning, en iakttagelse i en kodbas eller en jämförelse mellan flera dokument.
För programmering ska du tillhandahålla relevanta filer, observerat beteende och den ändring eller fråga som är viktig. Lång kontext kan hjälpa modellen att koppla samman moduler i stället för att resonera från ett enda isolerat kodutdrag. För en undersökning av en kodväg kan du be den spåra en identifierare från ett indataformulär genom bearbetning och lagring, identifiera var ett kontrakt ändras och föreslå en avgränsad korrigering. Bevara begränsningar och begär stödjande hänvisningar. En föreslagen ändring behöver jämföras med den faktiska koden och eventuell validering som utförts genom de anslutna verktygen.
För matematik eller vetenskaplig analys ska du ange problemet, antaganden, enheter och önskad svarsform. Tillhandahåll de data eller figurer som beräkningen beror på. Begär det underbyggda resultatet och de kontroller som gör det bedömbart, till exempel gränsfall eller en jämförelse med originalvärdena. Modellens resonemangsförmåga tar inte bort tvetydigheter i problemformuleringen. Håll en okänd storhet eller ett antagande utan stöd synligt i stället för att ersätta det med ett bekvämt värde.
Dynamiskt tänkande är den dokumenterade standarden. Gemini 2.5-guiden för GenerateContent stödjer en uttrycklig resonemangsbudget från 128 till 32,768 token för Pro, eller -1 för adaptivt tänkande. Den här utgåvan kan inte stänga av tänkandet helt. Reglagen skiljer sig från Flashs alternativ med nollbudget och från inställningarna för tänkandenivå i Gemini 3. Tänkandebudgeten vägleder resonemanget snarare än garanterar ett exakt antal interna token, och ett svarstak behöver också lämna utrymme för den slutliga artefakten.
För multimodalt dokumentarbete ska du identifiera sidor, diagram, bildregion eller inspelningshändelse som ska stödja svaret. En praktisk syntesuppgift kan begära konkurrerande påståenden från flera källdokument, deras stödjande textpassager och de skillnader som är viktiga för ett beslut. Be modellen skilja ett uttalat faktum från en slutsats. För video eller ljud ska du definiera om resultatet ska vara en beskrivning, transkription, sammanfattning eller jämförelse. Bilden och ljudet är underlag för ett textresultat i den här profilen.
Den exakta API-sidan dokumenterar funktionsanrop, kodexekvering, filsökning, sökförankring, Maps-förankring, URL-kontext och strukturerad utdata. Definiera funktionernas syften och parameterfält och bevara de faktiska resultaten i senare samtalsturer. För en schemabegränsad post ska du ange obligatoriska fält och hur saknad information ska representeras. Den ursprungliga arkitekturen är en multimodal gles mixture-of-experts-transformer; modelldesignen tillhandahåller inte i sig extern verktygsexekvering eller en färdig applikation utöver den text eller kod som returneras.
Det ursprungliga kortet anger 1M indatakontext och 64K textutdata; API-tabellen anger 1,048,576 indatatoken och 65,536 utdatatoken. Instruktioner, källinnehåll och bevarad historik ingår i förberedelsen av indata. Ett maximalt svarsutrymme omfattar resonemangstoken, så ett alltför lågt tak kan avbryta det slutliga svaret. Cachelagring och batchbearbetning dokumenteras, tillsammans med alternativ för Flex och Priority. Behåll varje källidentifierare och den önskade slutformen när oberoende uppgifter med lång kontext förbereds.
Den stabila identifieraren är separat från utgåvorna Experimental och Preview som diskuteras var för sig i det gemensamma Pro-modellkortet. Tillskriv inte den här profilen deras versionsspecifika resultat bara för att de delar Pro-namnet. Kortet identifierar möjliga hallucinationer och begränsningar i kausal förståelse, komplex deduktion och kontrafaktiskt resonemang, med en kunskapsgräns i januari 2025. Tillhandahåll aktuella belägg när det är viktigt och granska källhänvisningar, beräkningar och föreslagna ändringar. Det användbara resultatet är den underbyggda text- eller kodartefakt som uppgiften efterfrågade.
POST /v1beta/models/{model}:generateContenttext, imagetext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältpath.model | Typstring | KravObligatoriskt | Värden & gränser gemini-2.5-pro | Standard— |
Fältcontents | Typcontent[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältcontents[].role | Typstring | KravValfritt | Värden & gränser user, model | Standard— |
Fältcontents[].parts | Typpart[] | KravObligatoriskt | Värden & gränser | Standard— |
FältsystemInstruction | Typcontent | KravValfritt | Värden & gränser | Standard— |
FältgenerationConfig.maxOutputTokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
FältgenerationConfig.temperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
FältgenerationConfig.topP | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
FältgenerationConfig.topK | Typinteger | KravValfritt | Värden & gränser Beror på modellen | Standard— |
FältgenerationConfig.stopSequences | Typstring[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
FältgenerationConfig.thinkingConfig.includeThoughts | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
FältgenerationConfig.thinkingConfig.thinkingBudget | Typinteger | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].functionDeclarations | Typfunction_declaration[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
FälttoolConfig.functionCallingConfig.mode | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
FältsafetySettings | Typobject[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
FältsessionId | Typstring | KravValfritt | Värden & gränser | Standard— |
Text · UTF8-text
contents[].parts[].text
Text + bild
parts[].inlineData={mimeType,data}
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext, image |
Parameterrequired | Avtalcontents |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Parametertext_file_material | Avtalfaktiskt UTF-8-innehåll infogat som text; fil-ID:n/URLs kräver separat, exakt definierat stöd |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
POST /v1beta/models/{model}:generateContent| Begärans storlek i token | Indata | Utdata | Cacheläsning | Skrivning till cache | Cache 5 min | Cache 1 tim |
|---|---|---|---|---|---|---|
| Begärans storlek i token(0; 200 000] | Indata0,00125 US$ | Utdata0,01 US$ | Cacheläsning0,000125 US$ | Skrivning till cacheBaspris: — | Cache 5 minBaspris: — | Cache 1 timBaspris: — |
| Begärans storlek i token(200 000; ∞) | Indata0,0025 US$ | Utdata0,015 US$ | Cacheläsning0,00025 US$ | Skrivning till cacheBaspris: — | Cache 5 minBaspris: — | Cache 1 timBaspris: — |
Priser i USD per 1K token. Om inget pris anges ärvs grundpriset för den här metoden; «—» betyder att inget grundpris har angetts.
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token Utdata · Utdatatoken för resonemang $0.02 / 1K token |
| KonfigurationOpenAI Chat · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och med200 000 | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationOpenAI Chat · Nivå 2 baserad på begärans längd | Prislista— | Kontexttoken, fler än200 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.005 / 1K token Utdata · Utdatatoken $0.03 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token Utdata · Utdatatoken för resonemang $0.02 / 1K token |
| KonfigurationAnthropic Messages · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och med200 000 | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Nivå 2 baserad på begärans längd | Prislista— | Kontexttoken, fler än200 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.005 / 1K token Utdata · Utdatatoken $0.03 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["contents"]=[{"role":"user","parts":[{"text":"Summarize this material and quote supporting source passages.\\n\\n"+text}]}]\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-pro:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_IMAGE_FILE:?Set your actual PNG JPEG or WebP image}"\nexport AILOOT_IMAGE_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"contents": [{"role": "user", "parts": [{"text": "Read labels and numbers in this image; flag unreadable text."}]}]}')\nimport base64\nf=Path(os.environ["AILOOT_IMAGE_FILE"])\nif not f.is_file():raise SystemExit("Choose an actual PNG JPEG or WebP image")\nraw=f.read_bytes()\nmime="image/png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "image/jpeg" if raw.startswith(b"\\xff\\xd8") else "image/webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else None\nif not mime:raise SystemExit("Use PNG JPEG or WebP")\nb64=base64.b64encode(raw).decode()\np["contents"][0]["parts"].append({"inlineData":{"mimeType":mime,"data":b64}})\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1beta/models/gemini-2.5-pro:generateContent \\\n -H "x-goog-api-key: $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(json.loads(Path("result.json").read_text(encoding="utf-8")))\nPY_RESULT\nfrom google import genai\nfrom google.genai import types\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = genai.Client(\n api_key=os.environ["AILOOT_API_KEY"],\n http_options=types.HttpOptions(base_url="https://api.ailoot.ai"),\n)\nresp = client.models.generate_content(model="gemini-2.5-pro", contents="Explain the difference between an observation and a hypothesis in three sentences.")\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(resp.to_json_dict())\nimport { GoogleGenAI } from "@google/genai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst ai = new GoogleGenAI({ apiKey: process.env.AILOOT_API_KEY, httpOptions: { baseUrl: "https://api.ailoot.ai" } });\nconst resp = await ai.models.generateContent({ model: "gemini-2.5-pro", contents: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom google import genai\nfrom google.genai import types\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=genai.Client(api_key=os.environ["AILOOT_API_KEY"],http_options=types.HttpOptions(base_url="https://api.ailoot.ai"))\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\ncount=0\nwith Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for chunk in client.models.generate_content_stream(model='gemini-2.5-pro',contents="Explain observations and hypotheses in three sentences."):\n payload=chunk.to_json_dict()\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n save_result(payload,"stream-chunk-"+str(count))\n count+=1\njson eller strömning som stöds
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla kandidater och delar, inklusive funktionsanrop, resonemangssignaturer och användningsuppgifter; sätt samman strömmens delar i ordning.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
FältresponseId | Typstring |
FältmodelVersion | Typstring |
Fältcandidates[].content.parts[] | Typtext|inlineData|functionCall|other part |
Fältcandidates[].finishReason | Typstring |
FältusageMetadata | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro är Googles stabila tänkandemodell för komplex kod, matematik, STEM och analys med lång kontext. Den tar emot text, bilder, ljud, video och PDF och returnerar text, med verktyg och strukturerad utdata. Dess dynamiska resonemangsbudget stödjer 128–32,768 token och kan inte stängas av helt.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemini 2.5 Pro är Googles stabila tänkandeprofil för avancerad programmering, matematik, STEM och analys med lång kontext. Den kan förstå text, ljud, bilder, video och hela kodarkiv, och dess Gemini API-profil tar också emot PDF-indata. Utdata är text, inklusive kod, skriftlig analys eller en strukturerad post. Ett användbart uppdrag tillhandahåller underlaget och begär ett resultat som kan kontrolleras, till exempel en förklarad lösning, en iakttagelse i en kodbas eller en jämförelse mellan flera dokument.
För programmering ska du tillhandahålla relevanta filer, observerat beteende och den ändring eller fråga som är viktig. Lång kontext kan hjälpa modellen att koppla samman moduler i stället för att resonera från ett enda isolerat kodutdrag. För en undersökning av en kodväg kan du be den spåra en identifierare från ett indataformulär genom bearbetning och lagring, identifiera var ett kontrakt ändras och föreslå en avgränsad korrigering. Bevara begränsningar och begär stödjande hänvisningar. En föreslagen ändring behöver jämföras med den faktiska koden och eventuell validering som utförts genom de anslutna verktygen.
För matematik eller vetenskaplig analys ska du ange problemet, antaganden, enheter och önskad svarsform. Tillhandahåll de data eller figurer som beräkningen beror på. Begär det underbyggda resultatet och de kontroller som gör det bedömbart, till exempel gränsfall eller en jämförelse med originalvärdena. Modellens resonemangsförmåga tar inte bort tvetydigheter i problemformuleringen. Håll en okänd storhet eller ett antagande utan stöd synligt i stället för att ersätta det med ett bekvämt värde.
Dynamiskt tänkande är den dokumenterade standarden. Gemini 2.5-guiden för GenerateContent stödjer en uttrycklig resonemangsbudget från 128 till 32,768 token för Pro, eller -1 för adaptivt tänkande. Den här utgåvan kan inte stänga av tänkandet helt. Reglagen skiljer sig från Flashs alternativ med nollbudget och från inställningarna för tänkandenivå i Gemini 3. Tänkandebudgeten vägleder resonemanget snarare än garanterar ett exakt antal interna token, och ett svarstak behöver också lämna utrymme för den slutliga artefakten.
För multimodalt dokumentarbete ska du identifiera sidor, diagram, bildregion eller inspelningshändelse som ska stödja svaret. En praktisk syntesuppgift kan begära konkurrerande påståenden från flera källdokument, deras stödjande textpassager och de skillnader som är viktiga för ett beslut. Be modellen skilja ett uttalat faktum från en slutsats. För video eller ljud ska du definiera om resultatet ska vara en beskrivning, transkription, sammanfattning eller jämförelse. Bilden och ljudet är underlag för ett textresultat i den här profilen.
Den exakta API-sidan dokumenterar funktionsanrop, kodexekvering, filsökning, sökförankring, Maps-förankring, URL-kontext och strukturerad utdata. Definiera funktionernas syften och parameterfält och bevara de faktiska resultaten i senare samtalsturer. För en schemabegränsad post ska du ange obligatoriska fält och hur saknad information ska representeras. Den ursprungliga arkitekturen är en multimodal gles mixture-of-experts-transformer; modelldesignen tillhandahåller inte i sig extern verktygsexekvering eller en färdig applikation utöver den text eller kod som returneras.
Det ursprungliga kortet anger 1M indatakontext och 64K textutdata; API-tabellen anger 1,048,576 indatatoken och 65,536 utdatatoken. Instruktioner, källinnehåll och bevarad historik ingår i förberedelsen av indata. Ett maximalt svarsutrymme omfattar resonemangstoken, så ett alltför lågt tak kan avbryta det slutliga svaret. Cachelagring och batchbearbetning dokumenteras, tillsammans med alternativ för Flex och Priority. Behåll varje källidentifierare och den önskade slutformen när oberoende uppgifter med lång kontext förbereds.
Den stabila identifieraren är separat från utgåvorna Experimental och Preview som diskuteras var för sig i det gemensamma Pro-modellkortet. Tillskriv inte den här profilen deras versionsspecifika resultat bara för att de delar Pro-namnet. Kortet identifierar möjliga hallucinationer och begränsningar i kausal förståelse, komplex deduktion och kontrafaktiskt resonemang, med en kunskapsgräns i januari 2025. Tillhandahåll aktuella belägg när det är viktigt och granska källhänvisningar, beräkningar och föreslagna ändringar. Det användbara resultatet är den underbyggda text- eller kodartefakt som uppgiften efterfrågade.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gemini-2.5-pro | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token Utdata · Utdatatoken för resonemang $0.02 / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och med200 000 | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 2 för förfrågans längd | Prislista— | Kontexttoken, fler än200 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.005 / 1K token Utdata · Utdatatoken $0.03 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"gemini-2.5-pro","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="gemini-2.5-pro", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
gemini-2.5-proGemini 2.5 Pro är Googles stabila tänkandemodell för komplex kod, matematik, STEM och analys med lång kontext. Den tar emot text, bilder, ljud, video och PDF och returnerar text, med verktyg och strukturerad utdata. Dess dynamiska resonemangsbudget stödjer 128–32,768 token och kan inte stängas av helt.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemini 2.5 Pro är Googles stabila tänkandeprofil för avancerad programmering, matematik, STEM och analys med lång kontext. Den kan förstå text, ljud, bilder, video och hela kodarkiv, och dess Gemini API-profil tar också emot PDF-indata. Utdata är text, inklusive kod, skriftlig analys eller en strukturerad post. Ett användbart uppdrag tillhandahåller underlaget och begär ett resultat som kan kontrolleras, till exempel en förklarad lösning, en iakttagelse i en kodbas eller en jämförelse mellan flera dokument.
För programmering ska du tillhandahålla relevanta filer, observerat beteende och den ändring eller fråga som är viktig. Lång kontext kan hjälpa modellen att koppla samman moduler i stället för att resonera från ett enda isolerat kodutdrag. För en undersökning av en kodväg kan du be den spåra en identifierare från ett indataformulär genom bearbetning och lagring, identifiera var ett kontrakt ändras och föreslå en avgränsad korrigering. Bevara begränsningar och begär stödjande hänvisningar. En föreslagen ändring behöver jämföras med den faktiska koden och eventuell validering som utförts genom de anslutna verktygen.
För matematik eller vetenskaplig analys ska du ange problemet, antaganden, enheter och önskad svarsform. Tillhandahåll de data eller figurer som beräkningen beror på. Begär det underbyggda resultatet och de kontroller som gör det bedömbart, till exempel gränsfall eller en jämförelse med originalvärdena. Modellens resonemangsförmåga tar inte bort tvetydigheter i problemformuleringen. Håll en okänd storhet eller ett antagande utan stöd synligt i stället för att ersätta det med ett bekvämt värde.
Dynamiskt tänkande är den dokumenterade standarden. Gemini 2.5-guiden för GenerateContent stödjer en uttrycklig resonemangsbudget från 128 till 32,768 token för Pro, eller -1 för adaptivt tänkande. Den här utgåvan kan inte stänga av tänkandet helt. Reglagen skiljer sig från Flashs alternativ med nollbudget och från inställningarna för tänkandenivå i Gemini 3. Tänkandebudgeten vägleder resonemanget snarare än garanterar ett exakt antal interna token, och ett svarstak behöver också lämna utrymme för den slutliga artefakten.
För multimodalt dokumentarbete ska du identifiera sidor, diagram, bildregion eller inspelningshändelse som ska stödja svaret. En praktisk syntesuppgift kan begära konkurrerande påståenden från flera källdokument, deras stödjande textpassager och de skillnader som är viktiga för ett beslut. Be modellen skilja ett uttalat faktum från en slutsats. För video eller ljud ska du definiera om resultatet ska vara en beskrivning, transkription, sammanfattning eller jämförelse. Bilden och ljudet är underlag för ett textresultat i den här profilen.
Den exakta API-sidan dokumenterar funktionsanrop, kodexekvering, filsökning, sökförankring, Maps-förankring, URL-kontext och strukturerad utdata. Definiera funktionernas syften och parameterfält och bevara de faktiska resultaten i senare samtalsturer. För en schemabegränsad post ska du ange obligatoriska fält och hur saknad information ska representeras. Den ursprungliga arkitekturen är en multimodal gles mixture-of-experts-transformer; modelldesignen tillhandahåller inte i sig extern verktygsexekvering eller en färdig applikation utöver den text eller kod som returneras.
Det ursprungliga kortet anger 1M indatakontext och 64K textutdata; API-tabellen anger 1,048,576 indatatoken och 65,536 utdatatoken. Instruktioner, källinnehåll och bevarad historik ingår i förberedelsen av indata. Ett maximalt svarsutrymme omfattar resonemangstoken, så ett alltför lågt tak kan avbryta det slutliga svaret. Cachelagring och batchbearbetning dokumenteras, tillsammans med alternativ för Flex och Priority. Behåll varje källidentifierare och den önskade slutformen när oberoende uppgifter med lång kontext förbereds.
Den stabila identifieraren är separat från utgåvorna Experimental och Preview som diskuteras var för sig i det gemensamma Pro-modellkortet. Tillskriv inte den här profilen deras versionsspecifika resultat bara för att de delar Pro-namnet. Kortet identifierar möjliga hallucinationer och begränsningar i kausal förståelse, komplex deduktion och kontrafaktiskt resonemang, med en kunskapsgräns i januari 2025. Tillhandahåll aktuella belägg när det är viktigt och granska källhänvisningar, beräkningar och föreslagna ändringar. Det användbara resultatet är den underbyggda text- eller kodartefakt som uppgiften efterfrågade.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser gemini-2.5-pro | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token Utdata · Utdatatoken för resonemang $0.02 / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och med200 000 | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 2 för förfrågans längd | Prislista— | Kontexttoken, fler än200 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.005 / 1K token Utdata · Utdatatoken $0.03 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'gemini-2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro är Googles stabila tänkandemodell för komplex kod, matematik, STEM och analys med lång kontext. Den tar emot text, bilder, ljud, video och PDF och returnerar text, med verktyg och strukturerad utdata. Dess dynamiska resonemangsbudget stödjer 128–32,768 token och kan inte stängas av helt.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemini 2.5 Pro är Googles stabila tänkandeprofil för avancerad programmering, matematik, STEM och analys med lång kontext. Den kan förstå text, ljud, bilder, video och hela kodarkiv, och dess Gemini API-profil tar också emot PDF-indata. Utdata är text, inklusive kod, skriftlig analys eller en strukturerad post. Ett användbart uppdrag tillhandahåller underlaget och begär ett resultat som kan kontrolleras, till exempel en förklarad lösning, en iakttagelse i en kodbas eller en jämförelse mellan flera dokument.
För programmering ska du tillhandahålla relevanta filer, observerat beteende och den ändring eller fråga som är viktig. Lång kontext kan hjälpa modellen att koppla samman moduler i stället för att resonera från ett enda isolerat kodutdrag. För en undersökning av en kodväg kan du be den spåra en identifierare från ett indataformulär genom bearbetning och lagring, identifiera var ett kontrakt ändras och föreslå en avgränsad korrigering. Bevara begränsningar och begär stödjande hänvisningar. En föreslagen ändring behöver jämföras med den faktiska koden och eventuell validering som utförts genom de anslutna verktygen.
För matematik eller vetenskaplig analys ska du ange problemet, antaganden, enheter och önskad svarsform. Tillhandahåll de data eller figurer som beräkningen beror på. Begär det underbyggda resultatet och de kontroller som gör det bedömbart, till exempel gränsfall eller en jämförelse med originalvärdena. Modellens resonemangsförmåga tar inte bort tvetydigheter i problemformuleringen. Håll en okänd storhet eller ett antagande utan stöd synligt i stället för att ersätta det med ett bekvämt värde.
Dynamiskt tänkande är den dokumenterade standarden. Gemini 2.5-guiden för GenerateContent stödjer en uttrycklig resonemangsbudget från 128 till 32,768 token för Pro, eller -1 för adaptivt tänkande. Den här utgåvan kan inte stänga av tänkandet helt. Reglagen skiljer sig från Flashs alternativ med nollbudget och från inställningarna för tänkandenivå i Gemini 3. Tänkandebudgeten vägleder resonemanget snarare än garanterar ett exakt antal interna token, och ett svarstak behöver också lämna utrymme för den slutliga artefakten.
För multimodalt dokumentarbete ska du identifiera sidor, diagram, bildregion eller inspelningshändelse som ska stödja svaret. En praktisk syntesuppgift kan begära konkurrerande påståenden från flera källdokument, deras stödjande textpassager och de skillnader som är viktiga för ett beslut. Be modellen skilja ett uttalat faktum från en slutsats. För video eller ljud ska du definiera om resultatet ska vara en beskrivning, transkription, sammanfattning eller jämförelse. Bilden och ljudet är underlag för ett textresultat i den här profilen.
Den exakta API-sidan dokumenterar funktionsanrop, kodexekvering, filsökning, sökförankring, Maps-förankring, URL-kontext och strukturerad utdata. Definiera funktionernas syften och parameterfält och bevara de faktiska resultaten i senare samtalsturer. För en schemabegränsad post ska du ange obligatoriska fält och hur saknad information ska representeras. Den ursprungliga arkitekturen är en multimodal gles mixture-of-experts-transformer; modelldesignen tillhandahåller inte i sig extern verktygsexekvering eller en färdig applikation utöver den text eller kod som returneras.
Det ursprungliga kortet anger 1M indatakontext och 64K textutdata; API-tabellen anger 1,048,576 indatatoken och 65,536 utdatatoken. Instruktioner, källinnehåll och bevarad historik ingår i förberedelsen av indata. Ett maximalt svarsutrymme omfattar resonemangstoken, så ett alltför lågt tak kan avbryta det slutliga svaret. Cachelagring och batchbearbetning dokumenteras, tillsammans med alternativ för Flex och Priority. Behåll varje källidentifierare och den önskade slutformen när oberoende uppgifter med lång kontext förbereds.
Den stabila identifieraren är separat från utgåvorna Experimental och Preview som diskuteras var för sig i det gemensamma Pro-modellkortet. Tillskriv inte den här profilen deras versionsspecifika resultat bara för att de delar Pro-namnet. Kortet identifierar möjliga hallucinationer och begränsningar i kausal förståelse, komplex deduktion och kontrafaktiskt resonemang, med en kunskapsgräns i januari 2025. Tillhandahåll aktuella belägg när det är viktigt och granska källhänvisningar, beräkningar och föreslagna ändringar. Det användbara resultatet är den underbyggda text- eller kodartefakt som uppgiften efterfrågade.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemini-2.5-pro | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token Utdata · Utdatatoken för resonemang $0.02 / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och med200 000 | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 2 för förfrågans längd | Prislista— | Kontexttoken, fler än200 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.005 / 1K token Utdata · Utdatatoken $0.03 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemini-2.5-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemini-2.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemini-2.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
google/gemini-2.5-proGemini 2.5 Pro är Googles stabila tänkandemodell för komplex kod, matematik, STEM och analys med lång kontext. Den tar emot text, bilder, ljud, video och PDF och returnerar text, med verktyg och strukturerad utdata. Dess dynamiska resonemangsbudget stödjer 128–32,768 token och kan inte stängas av helt.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemini 2.5 Pro är Googles stabila tänkandeprofil för avancerad programmering, matematik, STEM och analys med lång kontext. Den kan förstå text, ljud, bilder, video och hela kodarkiv, och dess Gemini API-profil tar också emot PDF-indata. Utdata är text, inklusive kod, skriftlig analys eller en strukturerad post. Ett användbart uppdrag tillhandahåller underlaget och begär ett resultat som kan kontrolleras, till exempel en förklarad lösning, en iakttagelse i en kodbas eller en jämförelse mellan flera dokument.
För programmering ska du tillhandahålla relevanta filer, observerat beteende och den ändring eller fråga som är viktig. Lång kontext kan hjälpa modellen att koppla samman moduler i stället för att resonera från ett enda isolerat kodutdrag. För en undersökning av en kodväg kan du be den spåra en identifierare från ett indataformulär genom bearbetning och lagring, identifiera var ett kontrakt ändras och föreslå en avgränsad korrigering. Bevara begränsningar och begär stödjande hänvisningar. En föreslagen ändring behöver jämföras med den faktiska koden och eventuell validering som utförts genom de anslutna verktygen.
För matematik eller vetenskaplig analys ska du ange problemet, antaganden, enheter och önskad svarsform. Tillhandahåll de data eller figurer som beräkningen beror på. Begär det underbyggda resultatet och de kontroller som gör det bedömbart, till exempel gränsfall eller en jämförelse med originalvärdena. Modellens resonemangsförmåga tar inte bort tvetydigheter i problemformuleringen. Håll en okänd storhet eller ett antagande utan stöd synligt i stället för att ersätta det med ett bekvämt värde.
Dynamiskt tänkande är den dokumenterade standarden. Gemini 2.5-guiden för GenerateContent stödjer en uttrycklig resonemangsbudget från 128 till 32,768 token för Pro, eller -1 för adaptivt tänkande. Den här utgåvan kan inte stänga av tänkandet helt. Reglagen skiljer sig från Flashs alternativ med nollbudget och från inställningarna för tänkandenivå i Gemini 3. Tänkandebudgeten vägleder resonemanget snarare än garanterar ett exakt antal interna token, och ett svarstak behöver också lämna utrymme för den slutliga artefakten.
För multimodalt dokumentarbete ska du identifiera sidor, diagram, bildregion eller inspelningshändelse som ska stödja svaret. En praktisk syntesuppgift kan begära konkurrerande påståenden från flera källdokument, deras stödjande textpassager och de skillnader som är viktiga för ett beslut. Be modellen skilja ett uttalat faktum från en slutsats. För video eller ljud ska du definiera om resultatet ska vara en beskrivning, transkription, sammanfattning eller jämförelse. Bilden och ljudet är underlag för ett textresultat i den här profilen.
Den exakta API-sidan dokumenterar funktionsanrop, kodexekvering, filsökning, sökförankring, Maps-förankring, URL-kontext och strukturerad utdata. Definiera funktionernas syften och parameterfält och bevara de faktiska resultaten i senare samtalsturer. För en schemabegränsad post ska du ange obligatoriska fält och hur saknad information ska representeras. Den ursprungliga arkitekturen är en multimodal gles mixture-of-experts-transformer; modelldesignen tillhandahåller inte i sig extern verktygsexekvering eller en färdig applikation utöver den text eller kod som returneras.
Det ursprungliga kortet anger 1M indatakontext och 64K textutdata; API-tabellen anger 1,048,576 indatatoken och 65,536 utdatatoken. Instruktioner, källinnehåll och bevarad historik ingår i förberedelsen av indata. Ett maximalt svarsutrymme omfattar resonemangstoken, så ett alltför lågt tak kan avbryta det slutliga svaret. Cachelagring och batchbearbetning dokumenteras, tillsammans med alternativ för Flex och Priority. Behåll varje källidentifierare och den önskade slutformen när oberoende uppgifter med lång kontext förbereds.
Den stabila identifieraren är separat från utgåvorna Experimental och Preview som diskuteras var för sig i det gemensamma Pro-modellkortet. Tillskriv inte den här profilen deras versionsspecifika resultat bara för att de delar Pro-namnet. Kortet identifierar möjliga hallucinationer och begränsningar i kausal förståelse, komplex deduktion och kontrafaktiskt resonemang, med en kunskapsgräns i januari 2025. Tillhandahåll aktuella belägg när det är viktigt och granska källhänvisningar, beräkningar och föreslagna ändringar. Det användbara resultatet är den underbyggda text- eller kodartefakt som uppgiften efterfrågade.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemini-2.5-pro | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token Utdata · Utdatatoken för resonemang $0.02 / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och med200 000 | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.00025 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 2 för förfrågans längd | Prislista— | Kontexttoken, fler än200 000 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.005 / 1K token Utdata · Utdatatoken $0.03 / 1K token Indata · Cacheläsning $0.0005 / 1K token Indata · Skrivning till cache $0.00075 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "google/gemini-2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemini-2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot gemini-2.5-pro
Ailoot Ultra gemini-2.5-pro, google/gemini-2.5-pro
/chat/completions
Tekniskt exempel på engelska
Trace an identifier through storage\n\nTrace this identifier through three excerpts: form sends {customer_id:'0017'}; service computes id=Number(body.customer_id); repository stores String(id). Requirement: preserve leading zeros. Identify where the contract changes, propose a minimal consistent correction and give tests for '0017', '17' and a missing ID. Do not claim the tests were executed.A source-path explanation, a proposed patch and a three-case regression-test plan.Check that the proposed path preserves distinct strings 0017 and 17 while specifying missing-ID behavior.