طلب واستخدام Gemini Chat Completion API

Google Gemini هو نظام محادثة بالذكاء الاصطناعي قوي للغاية، فما عليك سوى إدخال كلمة توجيهية ليتمكن من إنشاء ردود سلسة وطبيعية خلال بضع ثوانٍ. يمكن لـ Gemini تقديم مساعدة ذكية مذهلة، مما يحسن كفاءة العمل والإبداع البشريين بشكل كبير. يقدم هذا المستند بشكل أساسي عملية استخدام عمليات Gemini Chat Completion API، وباستخدامه يمكننا بسهولة استخدام وظيفة المحادثة الرسمية لـ Gemini.

عملية التقديم

لاستخدام Gemini Chat Completion API، انتقل أولاً إلى وحدة تحكم Ace Data Cloud للحصول على API Token الخاص بك، واحتفظ به للاستخدام لاحقًا.

إذا لم تكن قد سجلت الدخول أو أنشأت حسابًا بعد، فسيتم تحويلك تلقائيًا إلى صفحة تسجيل الدخول لدعوتك إلى التسجيل وتسجيل الدخول، وبعد الإكمال ستعود تلقائيًا إلى الصفحة الحالية. يمكن لـ API Token واحد استدعاء جميع خدمات المنصة، ولا حاجة للتقديم بشكل منفصل لكل خدمة. سيُمنحك رصيد مجاني عند التقديم لأول مرة لتجربة الخدمة مجانًا؛ وعندما لا يكون الرصيد كافيًا، يمكنك شحن الرصيد العام من وحدة التحكم.

📘 الوثائق الكاملة: Gemini Chat Completion API →

الاستخدام الأساسي

بعد ذلك، يمكنك ملء المحتوى المقابل في الواجهة، كما هو موضح في الصورة:

عند استخدام هذه الواجهة لأول مرة، نحتاج على الأقل إلى ملء ثلاثة عناصر. أحدها هو authorization، ويمكنك اختياره مباشرة من القائمة المنسدلة. المعلمة الأخرى هي model، وmodel هي فئة نموذج Gemini الرسمي التي نختار استخدامها، وتخضع النماذج المتاحة لتعداد model في وثائق الواجهة. المعلمة الأخيرة هي messages، وmessages هي مصفوفة كلمات الاستفسار التي ندخلها، وهي مصفوفة تشير إلى إمكانية رفع عدة كلمات استفسار في الوقت نفسه، ويتضمن كل استفسار role وcontent، حيث يشير role إلى دور السائل، وقد وفرنا ثلاث هويات، وهي user وassistant وsystem. أما content الآخر فهو المحتوى المحدد لسؤالنا. في الوقت نفسه، يمكنك ملاحظة وجود توليد لرمز الاستدعاء المقابل على اليمين، ويمكنك نسخ الرمز وتشغيله مباشرة، أو النقر مباشرة على زر «Try» للاختبار.

تنبيه: سلسلة gemini-3.x من flash هي نماذج تفكير، وستستهلك reasoning tokens أولاً؛ يرجى ضبط max_tokens على أكثر من 512، وإلا فقد لا تُرجع سوى محتوى فارغ. يعد gemini-3.8-flash نموذج Flash الموصى به حاليًا، ويدعم سياقًا يصل إلى مليون Token، وإدخال الصور، واستدعاء الأدوات، والاستجابات المتدفقة؛ ويُستدعى حاليًا عبر واجهة Chat Completions.

بعد الاستدعاء، نجد أن النتيجة المرجعة كما يلي:

{
  "id": "chatcmpl-20251122212413908150493uPhjTUO9",
  "model": "gemini-3.5-flash",
  "object": "chat.completion",
  "created": 1763817866,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "I am a large language model, trained by Google.",
        "reasoning_content": "**My Reasoning: Answering the User's Question**\n\nOkay, here's how I'm going to approach answering the user's question, \"What model are you?\". The core is to be direct and informative. First, I have to be clear about my origin. Then, I need to make sure the explanation is accessible, given that the user may not be familiar with technical jargon. I need to explain what a \"large language model\" actually *does*, and provide relatable examples. I know the user might be looking for a specific name, like other models have, so I'll address that directly and then wrap it up with an invitation to continue.\n\nSo, here's my plan:\n\n1.  **Lead with the key info:** I'll begin by stating that I am a large language model created by Google. That is the fundamental, most critical piece of the puzzle.\n2.  **Define the buzzword:** Then, I'll explain that \"large language model\" in simple terms. I'll explain what I *do* - process and generate text; how I *do* it - by training on huge amounts of text data; and the *goal* - to be able to communicate like a human.\n3.  **Provide context:** After that, to make the concept even clearer, I'll provide a list of examples of my capabilities. I'll mention things like answering questions, summarizing texts, writing stories, translating languages, and brainstorming ideas.\n4.  **Acknowledge the lack of a personal name:** I'll anticipate the likely question about a model name (like ChatGPT) by clearly stating that I don't have a personal name and that it's best to think of me as an AI assistant from Google.\n5.  **End with an invitation:** Lastly, I'll end with a simple, friendly question to invite further interaction and to guide the conversation.\n\nWith this approach, I am confident I can successfully answer this important question.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 8,
    "completion_tokens": 932,
    "total_tokens": 940,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 8,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 921
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

تتضمن النتيجة المرجعة عدة حقول، وفيما يلي تعريفها:

id، معرّف مهمة المحادثة التي تم إنشاؤها هذه المرة، ويُستخدم لتمييز مهمة المحادثة هذه بشكل فريد.
model ، نموذج Gemini الرسمي المختار.
choices، معلومات الإجابة التي يقدمها Gemini على كلمة الاستفسار.
usage : معلومات إحصائية حول token لهذه الجلسة من الأسئلة والأجوبة.

من بينها، choices يحتوي على معلومات إجابة Gemini، وchoices بداخله هي المعلومات المحددة لإجابة Gemini، ويمكن ملاحظة ذلك كما هو موضح في الصورة.

يمكنك أن ترى أن حقل content داخل choices يحتوي على المحتوى المحدد لرد Gemini.

فهم الصور (إدخال متعدد الوسائط)

Gemini هو نموذج متعدد الوسائط أصلي، ويمكنه «رؤية الصور» مباشرة. لتمرير صورة، غيّر content لإحدى الرسائل من سلسلة نصية إلى مصفوفة كتل محتوى، وضع فيها كتلة text وكتلة image_url معًا — وهذا يتطابق تمامًا مع تنسيق OpenAI، وكذلك تنسيق Gemini الرسمي المتوافق مع OpenAI. يدعم image_url.url طريقتين للكتابة:

base64 data: URI (موصى به، الأكثر استقرارًا): التنسيق هو data:<媒体类型>;base64,<数据>، على سبيل المثال data:image/jpeg;base64,/9j/4AAQ.... نوع الوسائط (MIME) مكتوب بالفعل في بادئة data:، لذلك لا حاجة إلى حقل media_type منفصل، وهو غير موجود أيضًا.
رابط URL لصورة يمكن الوصول إليها علنًا: على سبيل المثال https://cdn.acedata.cloud/4hfydw.jpg.

أنواع الصور المدعومة: png وjpeg وwebp وheic وheif. رمز استدعاء نموذجي لـ Python (base64 data URI):

import base64
import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

# 把本地图片读成 base64 data URI
with open("image.jpg", "rb") as f:
    base64_image = base64.b64encode(f.read()).decode("utf-8")
data_uri = f"data:image/jpeg;base64,{base64_image}"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请用一句话描述这张图片。"},
                {"type": "image_url", "image_url": {"url": data_uri}}
            ]
        }
    ]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

يمكنك أيضًا تمرير رابط URL لصورة متاحة للعامة مباشرةً:

payload = {
    "model": "gemini-3.1-pro-preview",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请用一句话描述这张图片。"},
                {"type": "image_url", "image_url": {"url": "https://cdn.acedata.cloud/4hfydw.jpg"}}
            ]
        }
    ]
}

💡 لا يقبل image_url إلا الحقل url (يمكن أن تكون قيمته رابط URL للصورة أو data: URI بتنسيق base64)، بالإضافة إلى الحقل الاختياري detail. لا تمرر media_type — فهذا حقل صور خاص بـ Anthropic Claude، ولا ينتمي إلى تنسيق image_url الخاص بـ OpenAI / Gemini.

الاستجابة المتدفقة

تدعم هذه الواجهة أيضًا الاستجابة المتدفقة، وهذا مفيد جدًا لتكامل صفحات الويب، إذ يتيح للصفحة تنفيذ تأثير العرض حرفًا بحرف. إذا أردت إرجاع الاستجابة بشكل متدفق، يمكنك تغيير المعلمة stream في ترويسة الطلب إلى true. التعديل كما هو موضح في الصورة، ولكن يجب أن يحتوي كود الاستدعاء على التعديلات المناسبة لدعم الاستجابة المتدفقة.

بعد تعديل stream إلى true، ستُرجع واجهة API بيانات JSON المقابلة سطرًا بسطر، وعلى مستوى الكود نحتاج إلى إجراء التعديلات المناسبة للحصول على النتائج سطرًا بسطر. مثال على كود الاستدعاء في Python:

import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Hello,What model are you?"}],
    "stream": True,
    "stream_options": {"include_usage": True}
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

يكون تأثير المخرجات كما يلي:

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "", "role": "assistant"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Define My Nature**\n\nMy thinking has started. The user wants to know my nature, asking a direct \"what are you?\" The initial step was straightforward: identifying the query. Now, I recall my fundamental identity: I'm a large language model. This is the core truth I aim to convey.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Refining My Response**\n\nI've added the crucial information that I'm trained by Google to the basic \"large language model\" identity. My next step is considering what being a \"large language model\" actually entails, so I can explain my core capabilities. I'm focusing on providing context without going into specific technical details or model names. I want to convey my function in a way the user can easily understand.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"reasoning_content": "**Confirming Core Identity**\n\nI'm now solidifying my response. The user's query about my model affiliation needs a focused answer. I've pinpointed that \"trained by Google\" is essential, providing key context. I'm resisting the urge to mention any specific model names, as it's not relevant. The aim is to deliver a direct, accurate statement. My goal remains a clear and concise reply, avoiding technical jargon and getting straight to the relevant point.\n\n\n"}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {"content": "I am a large language model, trained by Google."}, "logprobs": null, "finish_reason": null, "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": null, "choices": [{"delta": {}, "logprobs": null, "finish_reason": "stop", "index": 0}], "usage": null}

data: {"id": "chatcmpl-20251122214038810722821kNjUTjtr", "object": "chat.completion.chunk", "created": 1763818842, "model": "gemini-2.5-pro", "system_fingerprint": "", "choices": [], "usage": {"prompt_tokens": 8, "completion_tokens": 527, "total_tokens": 535, "prompt_tokens_details": {"cached_tokens": 0, "text_tokens": 8, "audio_tokens": 0, "image_tokens": 0}, "completion_tokens_details": {"text_tokens": 0, "audio_tokens": 0, "reasoning_tokens": 519}, "input_tokens": 0, "output_tokens": 0, "input_tokens_details": null, "claude_cache_creation_5_m_tokens": 0, "claude_cache_creation_1_h_tokens": 0}}

data: [DONE]

كما ترى، توجد العديد من عناصر data في الاستجابة، وتُعد choices داخل data أحدث محتوى للإجابة، بما يتوافق مع المحتوى المذكور أعلاه. تمثل choices محتوى الإجابة المضاف حديثًا، ويمكنك التكامل مع نظامك بناءً على النتيجة. وفي الوقت نفسه، يتم تحديد انتهاء الاستجابة المتدفقة وفقًا لمحتوى data؛ فإذا كان المحتوى هو [DONE]، فهذا يعني أن إجابة الاستجابة المتدفقة قد انتهت بالكامل. تحتوي نتيجة data المُعادة على عدة حقول، وهي موضحة كما يلي:

id، يُنشئ معرّف هذه المهمة الحوارية، ويُستخدم لتمييز هذه المهمة الحوارية بشكل فريد.
model ، نموذج Gemini الرسمي المحدد.
choices، معلومات الإجابة التي يقدمها Gemini على كلمات الاستعلام.

يدعم JavaScript أيضًا، على سبيل المثال، يكون كود الاستدعاء المتدفق في Node.js كما يلي:

const options = {
  method: "POST",
  headers: {
    accept: "application/json",
    authorization: "Bearer {token}",
    "content-type": "application/json"
  },
  body: JSON.stringify({
    model: "gemini-2.5-pro",
    messages: [{ role: "user", content: "Hello, what model are you?" }],
    stream: true
  })
};

const response = await fetch("https://api.acedata.cloud/gemini/chat/completions", options);
const reader = response.body.getReader();
const decoder = new TextDecoder("utf-8");
while (true) {
  const { value, done } = await reader.read();
  if (done) break;
  process.stdout.write(decoder.decode(value));
}

كود نموذج Java:

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gemini-2.5-pro");
jsonObject.put("messages", new JSONArray().put(new JSONObject().put("role", "user").put("content", "Hello, what model are you?")));
jsonObject.put("stream", true);
MediaType mediaType = MediaType.parse("application/json; charset=utf-8");
RequestBody body = RequestBody.create(jsonObject.toString(), mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/gemini/chat/completions")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer {token}")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.println(response.body().string());

يمكن إعادة كتابة اللغات الأخرى بشكل منفصل، والمبدأ واحد.

الحوار متعدد الجولات

إذا كنت تريد ربط وظيفة الحوار متعدد الجولات، تحتاج إلى رفع عدة كلمات استعلام إلى حقل messages، ويكون المثال المحدد لعدة كلمات استعلام كما هو موضح في الصورة التالية:

كود استدعاء نموذج Python:

import requests

url = "https://api.acedata.cloud/gemini/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gemini-2.5-pro",
    "messages": [{"role":"user","content":"Hello"},{"role":"assistant","content":"Hello there! How can I help you today?"},{"role":"user","content":"What model are you?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

من خلال رفع عدة كلمات استعلام، يمكن تنفيذ الحوار متعدد الجولات بسهولة، ويمكن الحصول على الإجابة التالية:

{
  "id": "chatcmpl-20251122214426669120974AKFwnJd1",
  "model": "gemini-2.5-pro",
  "object": "chat.completion",
  "created": 1763819072,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "I am a large language model, trained by Google.",
        "reasoning_content": "Okay, here's how I'd approach this, thinking as a sophisticated AI:\n\nFirst, the user is directly querying my core identity: \"What model are you?\" That's a simple, straightforward question. My primary task is to provide accurate and helpful information, so I need to answer this immediately.\n\nRight off the bat, I know the answer. I *am* a large language model. That's my fundamental architecture and operational principle. I'm built on a vast network of connections and trained on a massive dataset.\n\nThen I must add the necessary context. Crucially, I have to provide the source of my training. I *was* trained by Google. That's a key identifier. It provides the user with valuable information about my origin and potential biases (though I'm trained to mitigate them).\n\nNow I must construct the response. My goal is to be factual, concise, and understandable.\n\nThe synthesized response is something like: \"I am a large language model, trained by Google.\"\n\nI have to assess the output: Does it meet the criteria? It's clear. It states what I am, it includes a critical piece of information on my origins, and it avoids jargon. No misleading promises.\n\nFinal verification: Does it actually answer the question? Yes. Is the information correct and truthful? Yes. Is it concise? Absolutely. Is the tone appropriate for any user? Yes. And, finally, this is the standard, approved response. Excellent.\n"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 16,
    "completion_tokens": 265,
    "total_tokens": 281,
    "prompt_tokens_details": {
      "cached_tokens": 0,
      "text_tokens": 16,
      "audio_tokens": 0,
      "image_tokens": 0
    },
    "completion_tokens_details": {
      "text_tokens": 0,
      "audio_tokens": 0,
      "reasoning_tokens": 254
    },
    "input_tokens": 0,
    "output_tokens": 0,
    "input_tokens_details": null,
    "claude_cache_creation_5_m_tokens": 0,
    "claude_cache_creation_1_h_tokens": 0
  }
}

يمكن ملاحظة أن المعلومات التي يحتويها choices متسقة مع محتوى الاستخدام الأساسي، إذ يتضمن هذا المحتوى المحدد لرد Gemini على عدة حوارات، وبهذه الطريقة يمكن الإجابة عن الأسئلة المقابلة استنادًا إلى محتويات الحوارات المتعددة.

نموذج Gemini-3.0 متعدد الوسائط

نموذج الطلب:

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "图片的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

نتيجة النموذج:

{
    "id": "chatcmpl-20251206001815715692730UVZe38kB",
    "model": "gemini-3.1-pro-preview",
    "object": "chat.completion",
    "created": 1764951548,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "这是一张年轻女性的户外半身人像照片。\n\n以下是图片的主要内容描述：\n\n*   **人物外貌**：照片中的女孩留着一头乌黑柔顺的长直发，五官清秀，皮肤白皙。她面带温柔的微笑，目光注视着镜头。\n*   **穿着打扮**：她穿着一件米白色或浅杏色的泡泡袖上衣，外面搭配着黑色的衣物（看起来像是背带裙或马甲）。\n*   **光影氛围**：阳光从左侧后方照射过来，洒在她的头发上，形成了一圈温暖的金黄色光晕，营造出一种清新、唯美的氛围。\n*   **背景**：背景被虚化处理，可以看出是在户外，身后是一条空旷的路面（柏油路）以及路边的绿色树木。\n\n整体来看，这张照片给人一种甜美、阳光和邻家女孩的感觉。"
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 1092,
        "completion_tokens": 1271,
        "total_tokens": 2363,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 4,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
            "reasoning_tokens": 1072
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null,
        "claude_cache_creation_5_m_tokens": 0,
        "claude_cache_creation_1_h_tokens": 0
    }
}

بالطبع، يمكنك أيضًا تمرير رابط فيديو، ويكون الإدخال المحدد كما يلي:

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "视频的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

مثال للنتيجة:

{
    "id": "chatcmpl-20251206002711949677736JC9yL8AE",
    "model": "gemini-3.1-pro-preview",
    "object": "chat.completion",
    "created": 1764952060,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "这段视频的内容充满趣味，主要展示了一只**橘猫**在黄昏时分的乡间公路上自信小跑的情景。\n\n具体细节如下：\n\n1.  **画面内容**：\n    *   主角是一只橘色的虎斑猫。\n    *   背景是夕阳西下（或清晨）的时刻，光线金黄柔和。路边有木质栅栏和旷野，远处还有一个行人的剪影。\n    *   镜头采用了低角度拍摄，时而拍摄猫咪迎面跑来，时而拍摄它离去的背影，还有猫咪面部和花纹的特写。\n\n2.  **声音特点（关键点）**：\n    *   视频的配音非常有特色。虽然画面是轻盈的猫咪在跑，但配上的声音却是**沉重且有节奏的马蹄声**（或者是类似木屐/高跟鞋敲击路面的声音）。\n    *   这种声音与画面的反差制造了一种幽默感，仿佛这只猫咪把自己当成了一匹正在驰骋的骏马。\n\n总的来说，这是一个利用音画反差来制造萌点和笑点的宠物视频。"
            },
            "finish_reason": "stop"
        }
    ],
    "usage": {
        "prompt_tokens": 915,
        "completion_tokens": 1423,
        "total_tokens": 2338,
        "prompt_tokens_details": {
            "cached_tokens": 0,
            "text_tokens": 5,
            "audio_tokens": 0,
            "image_tokens": 0
        },
        "completion_tokens_details": {
            "text_tokens": 0,
            "audio_tokens": 0,
            "reasoning_tokens": 1162
        },
        "input_tokens": 0,
        "output_tokens": 0,
        "input_tokens_details": null,
        "claude_cache_creation_5_m_tokens": 0,
        "claude_cache_creation_1_h_tokens": 0
    }
}

يمكن أن نرى مما سبق أن نموذج Gemini 3.0 يمكنه دعم الفهم متعدد الوسائط.

نموذج Gemini-3.1 متعدد الوسائط

gemini-3.1-pro-preview هو معرّف النموذج الرسمي الحالي لـ Gemini 3.1 Pro، ويدعم المدخلات متعددة الوسائط مثل النصوص والصور ومقاطع الفيديو، وهو مناسب لمهام الاستدلال والترميز والفهم المعقدة. مثال للطلب:

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "图片的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

يدعم Gemini 3.1 Pro أيضًا فهم الفيديو:

{
  "model": "gemini-3.1-pro-preview",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "视频的内容是什么？"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

تنسيق الإرجاع متوافق مع Gemini 3.0 Pro، وللتفاصيل راجع الشرح في قسم نموذج Gemini-3.0 متعدد الوسائط أعلاه.

معالجة الأخطاء

عند استدعاء API، إذا واجهت خطأً، فسيُرجع API رمز الخطأ والمعلومات المقابلة. على سبيل المثال:

400 token_mismatched: طلب غير صالح، ربما بسبب معلمات مفقودة أو غير صالحة.
400 api_not_implemented: طلب غير صالح، ربما بسبب معلمات مفقودة أو غير صالحة.
401 invalid_token: غير مصرح به، رمز المصادقة غير صالح أو مفقود.
429 too_many_requests: طلبات كثيرة جدًا، لقد تجاوزت حد المعدل.
500 api_error: خطأ داخلي في الخادم، حدث خطأ ما على الخادم.

مثال على استجابة خطأ

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

الخلاصة

من خلال هذا المستند، تعرفت بالفعل على كيفية استخدام Gemini Chat Completion API لتنفيذ وظيفة المحادثة الرسمية لـ Gemini بسهولة. نأمل أن يساعدك هذا المستند على التكامل مع واجهة API هذه واستخدامها بشكل أفضل. إذا كانت لديك أي أسئلة، فيرجى التواصل مع فريق الدعم الفني لدينا في أي وقت.

البداية

دردشة الذكاء الاصطناعي

صورة الذكاء الاصطناعي

فيديو الذكاء الاصطناعي

الصوت الذكي

الويب والبيانات

CAPTCHA

الهوية

Coding

المزيد من الأدلة

طلب واستخدام Gemini Chat Completion API

عملية التقديم

الاستخدام الأساسي

فهم الصور (إدخال متعدد الوسائط)

الاستجابة المتدفقة

الحوار متعدد الجولات

نموذج Gemini-3.0 متعدد الوسائط

نموذج Gemini-3.1 متعدد الوسائط

معالجة الأخطاء

مثال على استجابة خطأ

الخلاصة

​عملية التقديم

​الاستخدام الأساسي

​فهم الصور (إدخال متعدد الوسائط)

​الاستجابة المتدفقة

​الحوار متعدد الجولات

​نموذج Gemini-3.0 متعدد الوسائط

​نموذج Gemini-3.1 متعدد الوسائط

​معالجة الأخطاء

​مثال على استجابة خطأ

​الخلاصة

عملية التقديم

الاستخدام الأساسي

فهم الصور (إدخال متعدد الوسائط)

الاستجابة المتدفقة

الحوار متعدد الجولات

نموذج Gemini-3.0 متعدد الوسائط

نموذج Gemini-3.1 متعدد الوسائط

معالجة الأخطاء

مثال على استجابة خطأ

الخلاصة