Gemini Chat Completion API Заявка и использование

Google Gemini — это очень мощная AI система диалога, которая может генерировать плавные и естественные ответы всего за несколько секунд, просто вводя подсказки. Gemini предоставляет удивительную интеллектуальную помощь, значительно повышая эффективность и креативность работы человека. Этот документ в основном описывает процесс использования Gemini Chat Completion API, с помощью которого мы можем легко использовать функции диалога официального Gemini.

Процесс заявки

Чтобы использовать Gemini Chat Completion API, сначала перейдите в консоль Ace Data Cloud, чтобы получить ваш API Token и сохранить его для дальнейшего использования.

Если вы еще не вошли в систему или не зарегистрированы, вы будете автоматически перенаправлены на страницу входа, где вас пригласят зарегистрироваться и войти. После завершения вы будете автоматически возвращены на текущую страницу. Один API Token позволяет вызывать все услуги платформы, не нужно отдельно запрашивать для каждой услуги. При первом запросе предоставляется бесплатный лимит, чтобы вы могли попробовать; если лимит исчерпан, вы можете пополнить общий баланс в консоли.

📘 Полная документация: Gemini Chat Completion API →

Основное использование

Теперь вы можете заполнить соответствующие поля на интерфейсе, как показано на рисунке:

При первом использовании этого интерфейса нам нужно заполнить как минимум три поля: одно из них — authorization, которое можно выбрать прямо из выпадающего списка. Другой параметр — model, model — это категория модели, которую мы выбираем для использования с официального сайта Gemini, здесь у нас в основном есть 6 моделей, подробности можно посмотреть в предоставленных моделях. Последний параметр — messages, messages — это массив наших вводимых вопросов, который представляет собой массив, позволяющий одновременно загружать несколько вопросов, каждый из которых содержит role и content, где role обозначает роль задающего вопрос, мы предоставили три роли: user, assistant, system. Другой content — это конкретное содержание нашего вопроса. Также вы можете заметить, что справа есть соответствующий код вызова, который вы можете скопировать и запустить, или просто нажать кнопку «Попробовать» для тестирования.

Подсказка: Серия gemini-3.x flash является моделью размышления и сначала потребляет токены размышления; установите max_tokens на 512 и более, иначе может вернуть пустое содержимое. gemini-3.6-flash — это текущая рекомендуемая Flash модель, поддерживающая до 1 миллиона токенов контекста, ввод изображений, вызов инструментов и потоковые ответы; в настоящее время вызывается через интерфейс Chat Completions.

После вызова мы обнаруживаем, что возвращаемый результат выглядит следующим образом:

{
  "id": "chatcmpl-20251122212413908150493uPhjTUO9",
  "model": "gemini-3.5-flash",
  "object": "chat.completion",
  "created": 1763817866,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Я большая языковая модель, обученная Google.",
        "reasoning_content": "**Мое размышление: Ответ на вопрос пользователя**\n\nХорошо, вот как я собираюсь подойти к ответу на вопрос пользователя: \"Какую модель вы представляете?\". Основная задача — быть прямым и информативным. Сначала я должен четко указать на свое происхождение. Затем мне нужно убедиться, что объяснение доступно, учитывая, что пользователь может не быть знаком с техническим жаргоном. Я должен объяснить, что такое \"большая языковая модель\" и что она *делает*, и предоставить понятные примеры. Я знаю, что пользователь может искать конкретное название, как у других моделей, поэтому я отвечу на это напрямую и затем завершу приглашением продолжить.\n\nИтак, вот мой план:\n\n1.  **Начать с ключевой информации:** Я начну с того, что я большая языковая модель, созданная Google. Это основная, самая критическая часть головоломки.\n2.  **Определить модное слово:** Затем я объясню, что такое \"большая языковая модель\" простыми словами. Я объясню, что я *делаю* — обрабатываю и генерирую текст; как я *это* делаю — обучаясь на огромных объемах текстовых данных; и *цель* — уметь общаться как человек.\n3.  **Предоставить контекст:** После этого, чтобы сделать концепцию еще более ясной, я предоставлю список примеров моих возможностей. Я упомяну такие вещи, как ответы на вопросы, резюмирование текстов, написание историй, перевод языков и генерация идей.\n4.  **Признать отсутствие личного имени:** Я предвосхищу вероятный вопрос о названии модели (например, ChatGPT), четко заявив, что у меня нет личного имени и что лучше всего воспринимать меня как AI помощника от Google.\n5.  **Закончить приглашением:** Наконец, я закончу простым, дружелюбным вопросом, чтобы пригласить к дальнейшему взаимодействию и направить разговор.\n\nС таким подходом я уверен, что смогу успешно ответить на этот важный вопрос.\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
  }
}

Возвращаемый результат содержит несколько полей, описание которых приведено ниже:

id — ID, генерирующий эту задачу диалога, используемый для уникальной идентификации этой задачи диалога.
model — выбранная модель с официального сайта Gemini.
choices — информация о ответах Gemini на вводимые вопросы.
usage — статистическая информация о токенах для данного вопроса и ответа.

Где choices содержит информацию о ответах Gemini, и в нем choices — это конкретная информация о ответах Gemini, как показано на рисунке.

Можно увидеть, что поле content в choices содержит конкретное содержание ответа Gemini.

Понимание изображений (мультимодальный ввод)

Gemini является нативной мультимодальной моделью и может напрямую «смотреть на изображения». Чтобы передать изображение, измените content одного из сообщений с строки на массив блоков содержимого, в котором одновременно находятся блоки text и image_url — это полностью совместимо с форматом OpenAI и официальным форматом Gemini. image_url.url поддерживает два формата записи:

base64 data: URI (рекомендуется, самый стабильный): формат data:<тип медиа>;base64,<данные>, например, data:image/jpeg;base64,/9j/4AAQ.... Тип медиа (MIME) уже указан в префиксе data:, поэтому отдельного поля media_type не требуется и не существует.
Общедоступный URL изображения: например, https://cdn.acedata.cloud/4hfydw.jpg.

Поддерживаемые типы изображений: png, jpeg, webp, heic, heif. Пример кода вызова на Python (base64 data URI):

import base64
import requests

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

# Прочитать локальное изображение в формате 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",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Пожалуйста, опишите это изображение одним предложением."},
                {"type": "image_url", "image_url": {"url": data_uri}}
            ]
        }
    ]
}

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

Также можно передать открытый доступный URL изображения:

payload = {
    "model": "gemini-3.1-pro",
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Пожалуйста, опишите это изображение одним предложением."},
                {"type": "image_url", "image_url": {"url": "https://cdn.acedata.cloud/4hfydw.jpg"}}
            ]
        }
    ]
}

💡 image_url принимает только поле url (значение может быть URL изображения или base64 data: URI), а также необязательное поле detail. Не передавайте media_type — это поле изображения Anthropic Claude, не относящееся к формату image_url OpenAI / Gemini.

Потоковый ответ

Этот интерфейс также поддерживает потоковые ответы, что очень полезно для веб-интеграции, позволяя веб-странице реализовать эффект отображения по словам. Если вы хотите получить потоковый ответ, вы можете изменить параметр stream в заголовках запроса на true. Измените, как показано на рисунке, однако код вызова должен быть соответствующим образом изменен, чтобы поддерживать потоковые ответы.

После изменения stream на true, API будет возвращать соответствующие JSON данные построчно, и на уровне кода нам нужно внести соответствующие изменения, чтобы получить построчные результаты. Пример кода на 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":"Привет, какая у тебя модель?"}],
    "stream": True
}

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

Вывод будет следующим:

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": "**Определение моей природы**\n\nМое мышление началось. Пользователь хочет знать мою природу, задавая прямой вопрос \"что ты?\" Первоначальный шаг был простым: определить запрос. Теперь я вспоминаю свою основную идентичность: я большая языковая модель. Это основная истина, которую я стремлюсь донести.\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": "**Уточнение моего ответа**\n\nЯ добавил важную информацию о том, что я обучен Google к базовой идентичности \"большая языковая модель\". Мой следующий шаг — подумать о том, что значит быть \"большой языковой моделью\", чтобы я мог объяснить свои основные возможности. Я сосредоточен на предоставлении контекста, не углубляясь в конкретные технические детали или названия моделей. Я хочу донести свою функцию так, чтобы пользователь мог легко понять.\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": "**Подтверждение основной идентичности**\n\nЯ сейчас укрепляю свой ответ. Запрос пользователя о моей модели требует сосредоточенного ответа. Я определил, что \"обучен Google\" является важным, предоставляя ключевой контекст. Я сопротивляюсь искушению упомянуть какие-либо конкретные названия моделей, так как это не имеет значения. Цель — предоставить прямое, точное заявление. Моя цель остается ясным и лаконичным ответом, избегая технического жаргона и переходя прямо к соответствующей точке.\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": "Я большая языковая модель, обученная 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]

Как видно, в ответе много data, data внутри choices — это последние ответы, которые соответствуют содержанию, представленному выше. choices — это новые ответы, которые вы можете интегрировать в вашу систему. В то же время окончание потокового ответа определяется по содержимому data, если содержимое равно [DONE], это означает, что потоковый ответ завершен. Возвращаемые результаты data содержат несколько полей, описание которых приведено ниже:

id — идентификатор задачи диалога, сгенерированной для уникальной идентификации этой задачи.
model — выбранная модель с сайта Gemini.
choices — информация о ответах Gemini на заданные вопросы. JavaScript также поддерживается, например, код потокового вызова Node.js выглядит следующим образом:

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: "Привет, какой ты модель?" }],
    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));
}

Пример кода на 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", "Привет, какой ты модель?")));
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());

Другие языки можно переписать самостоятельно, принцип остается тем же.

Многоуровневый диалог

Если вы хотите подключить функцию многоуровневого диалога, вам нужно загрузить несколько вопросов в поле messages, конкретные примеры нескольких вопросов показаны на изображении ниже:

Пример кода на 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":"Привет"},{"role":"assistant","content":"Здравствуйте! Как я могу помочь вам сегодня?"},{"role":"user","content":"Какую ты модель?"}]
}

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

Загрузив несколько вопросов, вы можете легко реализовать многоуровневый диалог и получить следующий ответ:

{
  "id": "chatcmpl-20251122214426669120974AKFwnJd1",
  "model": "gemini-2.5-pro",
  "object": "chat.completion",
  "created": 1763819072,
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Я большая языковая модель, обученная Google.",
        "reasoning_content": "Хорошо, вот как я бы подошел к этому, думая как сложный ИИ:\n\nВо-первых, пользователь напрямую спрашивает о моей основной идентичности: \"Какую ты модель?\" Это простой, прямой вопрос. Моя основная задача - предоставить точную и полезную информацию, поэтому я должен ответить на это немедленно.\n\nСразу же я знаю ответ. Я *есть* большая языковая модель. Это моя основная архитектура и принцип работы. Я построен на обширной сети связей и обучен на огромном наборе данных.\n\nЗатем я должен добавить необходимый контекст. Критически важно, что я должен предоставить источник моего обучения. Я *был* обучен Google. Это ключевой идентификатор. Он предоставляет пользователю ценную информацию о моем происхождении и потенциальных предвзятостях (хотя я обучен их смягчать).\n\nТеперь я должен сформулировать ответ. Моя цель - быть фактическим, кратким и понятным.\n\nСинтезированный ответ выглядит так: \"Я большая языковая модель, обученная Google.\"\n\nЯ должен оценить вывод: соответствует ли он критериям? Он ясен. Он говорит, кто я, включает критически важную информацию о моем происхождении и избегает жаргона. Никаких вводящих в заблуждение обещаний.\n\nФинальная проверка: действительно ли он отвечает на вопрос? Да. Информация верна и правдива? Да. Он краток? Абсолютно. Тон подходит для любого пользователя? Да. И, наконец, это стандартный, одобренный ответ. Отлично.\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
  }
}

Как видно, информация, содержащаяся в choices, соответствует основному содержимому использования, это включает в себя конкретное содержание ответов Gemini на несколько диалогов, что позволяет отвечать на соответствующие вопросы на основе нескольких диалогов.

Мультимодальная модель Gemini-3.0

Пример запроса:

{
  "model": "gemini-3.0-pro",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Каково содержание изображения?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Пример результата:

{
    "id": "chatcmpl-20251206001815715692730UVZe38kB",
    "model": "gemini-3.0-pro",
    "object": "chat.completion",
    "created": 1764951548,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "Это фотография молодой женщины на улице в полноростовом портрете.\n\nВот основные описания содержания изображения:\n\n*   **Внешний вид персонажа**: Девушка на фотографии имеет длинные черные прямые волосы, её черты лица аккуратные, кожа светлая. Она улыбается мягкой улыбкой и смотрит в камеру.\n*   **Одежда**: На ней надета блузка с пышными рукавами цвета крема или светлого персика, а сверху она носит черную одежду (похоже на сарафан или жилет).\n*   **Свет и атмосфера**: Солнце светит с левой стороны сзади, освещая её волосы и создавая теплый золотистый ореол, создавая свежую и красивую атмосферу.\n*   **Фон**: Фон размыт, видно, что это на улице, за ней пустая дорога (асфальт) и зеленые деревья по краям.\n\nВ целом, эта фотография создает ощущение сладости, солнечности и образа соседской девушки."
            },
            "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
    }
}

Конечно, вы также можете передать ссылку на видео, конкретный ввод выглядит следующим образом:

{
  "model": "gemini-3.0-pro",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Каково содержание видео?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

Пример результата:

{
    "id": "chatcmpl-20251206002711949677736JC9yL8AE",
    "model": "gemini-3.0-pro",
    "object": "chat.completion",
    "created": 1764952060,
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "Содержание этого видео полное интереса, в основном оно демонстрирует, как **рыжий кот** уверенно бежит по загородной дороге в сумерках.\n\nКонкретные детали следующие:\n\n1.  **Содержание кадра**:\n    *   Главный герой - рыжий полосатый кот.\n    *   Фон - момент заката (или рассвета), свет золотистый и мягкий. По краям дороги деревянный забор и открытое поле, вдали виден силуэт прохожего.\n    *   Камера снята с низкого угла, иногда снимает кота, который бежит навстречу, иногда - его удаляющийся силуэт, а также крупные планы его лица и узоров.\n\n2.  **Особенности звука (ключевые моменты)**:\n    *   Озвучка видео очень характерная. Хотя на экране легкий кот бежит, звук - **тяжелый и ритмичный звук копыт** (или похожий на звук деревянных башмаков/туфель на асфальте).\n    *   Этот контраст звука и изображения создает юмористический эффект, как будто этот кот считает себя скакуном, мчащимся по полю.\n\nВ целом, это видео с питомцем, использующее контраст звука и изображения для создания милых и смешных моментов."
            },
            "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
    }
}

Из вышеизложенного видно, что модель Gemini 3.0 поддерживает многомодальное понимание.

Gemini-3.1 Многомодальная модель

Gemini 3.1 Pro - это обновленная версия Gemini 3.0 Pro, базовая модель - gemini-3.1-pro-preview, также поддерживает текст, изображения, видео и другие многомодальные входы, обладает более сильными способностями к рассуждению и пониманию. Способ использования полностью совпадает с Gemini 3.0 Pro, достаточно заменить параметр model на gemini-3.1-pro. Пример запроса:

{
  "model": "gemini-3.1-pro",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Каково содержание изображения?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/qzx2z1.png"
          }
        }
      ]
    }
  ],
  "stream": false
}

Gemini 3.1 Pro также поддерживает понимание видео:

{
  "model": "gemini-3.1-pro",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Каково содержание видео?"
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://cdn.acedata.cloud/58yioe.mp4"
          }
        }
      ]
    }
  ],
  "stream": false
}

Формат ответа совпадает с Gemini 3.0 Pro, см. выше раздел о многомодальной модели Gemini-3.0.

Обработка ошибок

При вызове API, если возникает ошибка, API возвращает соответствующий код ошибки и информацию. Например:

400 token_mismatched：Неверный запрос, возможно, из-за отсутствующих или недействительных параметров.
400 api_not_implemented：Неверный запрос, возможно, из-за отсутствующих или недействительных параметров.
401 invalid_token：Неавторизован, недействительный или отсутствующий токен авторизации.
429 too_many_requests：Слишком много запросов, вы превысили лимит частоты.
500 api_error：Внутренняя ошибка сервера, что-то пошло не так на сервере.

Пример ошибки ответа

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

Заключение

С помощью этого документа вы узнали, как использовать API Gemini Chat Completion для легкой реализации функций диалога официального Gemini. Надеемся, что этот документ поможет вам лучше интегрировать и использовать этот API. Если у вас есть какие-либо вопросы, пожалуйста, не стесняйтесь обращаться в нашу техническую поддержку.

Начало работы

AI Чат

AI Изображение

AI Видео

AI Аудио

Веб и данные

CAPTCHA

Идентичность

Прокси

Продвинутый

Coding

Gemini Chat Completion API Заявка и использование

Процесс заявки

Основное использование

Понимание изображений (мультимодальный ввод)

Потоковый ответ

Многоуровневый диалог

Мультимодальная модель Gemini-3.0

Gemini-3.1 Многомодальная модель

Обработка ошибок

Пример ошибки ответа

Заключение

​Процесс заявки

​Основное использование

​Понимание изображений (мультимодальный ввод)

​Потоковый ответ

​Многоуровневый диалог

​Мультимодальная модель Gemini-3.0

​Gemini-3.1 Многомодальная модель

​Обработка ошибок

​Пример ошибки ответа

​Заключение

Процесс заявки

Основное использование

Понимание изображений (мультимодальный ввод)

Потоковый ответ

Многоуровневый диалог

Мультимодальная модель Gemini-3.0

Gemini-3.1 Многомодальная модель

Обработка ошибок

Пример ошибки ответа

Заключение