Ansökan och användning av Gemini Chat Completion API

Google Gemini är ett mycket kraftfullt AI-konversationssystem. Genom att bara ange en prompt kan det generera flytande och naturliga svar på bara några sekunder. Gemini kan erbjuda fantastisk intelligent assistans, vilket avsevärt förbättrar människors arbetseffektivitet och kreativitet. Detta dokument introducerar främst användningsprocessen för Gemini Chat Completion API. Med hjälp av det kan vi enkelt använda den officiella Gemini-konversationsfunktionen.

Ansökningsprocess

För att använda Gemini Chat Completion API, gå först till Ace Data Cloud-konsolen för att hämta din API-token och spara den för senare användning.

Om du ännu inte har loggat in eller registrerat dig omdirigeras du automatiskt till inloggningssidan, där du uppmanas att registrera dig och logga in. När det är klart återgår du automatiskt till den aktuella sidan. En API-token kan anropa alla plattformens tjänster, utan att du behöver ansöka separat för varje tjänst. Vid den första ansökan får du gratis kvot för att prova utan kostnad; när kvoten inte räcker till kan du fylla på ett gemensamt saldo i konsolen.

📘 Fullständig dokumentation: Gemini Chat Completion API →

Grundläggande användning

Därefter kan du fylla i motsvarande innehåll i gränssnittet, som visas i bilden:

När vi använder detta gränssnitt för första gången behöver vi minst fylla i tre saker. Den ena är authorization, som du kan välja direkt i rullgardinslistan. En annan parameter är model, model är den kategori av Gemini-modell från den officiella webbplatsen som vi väljer att använda, och tillgängliga modeller följer model-uppräkningen i gränssnittsdokumentationen. Den sista parametern är messages, messages är den array av frågor som vi anger. Det är en array, vilket innebär att flera frågor kan skickas samtidigt. Varje fråga innehåller role och content, där role anger frågeställarens roll. Vi tillhandahåller tre identiteter: user, assistant och system. Det andra, content, är det specifika innehållet i vår fråga. Samtidigt kan du notera att motsvarande anropskod genereras på höger sida. Du kan kopiera koden och köra den direkt, eller klicka direkt på knappen ”Try” för att testa.

Tips: Flash-modellerna i serien gemini-3.x är resonerande modeller och förbrukar först reasoning tokens; ställ in max_tokens till över 512, annars kan endast tomt innehåll returneras. gemini-3.8-flash är den för närvarande rekommenderade Flash-modellen och stöder upp till 1 miljon Token kontext, bildinmatning, verktygsanrop och strömmande svar; den anropas för närvarande via Chat Completions-gränssnittet.

Efter anropet ser vi att det returnerade resultatet är följande:

{
  "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
  }
}

Det returnerade resultatet har flera fält, som beskrivs nedan:

id, ID:t för den genererade konversationsuppgiften, som används för att unikt identifiera denna konversationsuppgift.
model , den valda Gemini-modellen från den officiella webbplatsen.
choices, svarsinformationen som Gemini ger för frågan.
usage : statistisk information om tokens för denna fråga och svar.

Bland dessa innehåller choices Geminis svarsinformation, och dess choices är den specifika informationen om Geminis svar, vilket kan ses i bilden.

Man kan se att fältet content i choices innehåller det specifika innehållet i Geminis svar.

Bildförståelse (multimodal inmatning)

Gemini är en inbyggt multimodal modell och kan direkt ”se bilder”. För att skicka in en bild ändrar du content för ett meddelande från en sträng till en innehållsblocksarray, och lägger både ett text-block och ett image_url-block i arrayen — detta är helt förenligt med OpenAI och det officiella Gemini-formatet som är kompatibelt med OpenAI. image_url.url stöder två skrivsätt:

base64 data: URI (rekommenderas, mest stabilt): formatet är data:<medietyp>;base64,<data>, till exempel data:image/jpeg;base64,/9j/4AAQ.... Medietypen (MIME) är redan angiven i prefixet data:, så ett separat fält för media_type behövs inte och finns inte heller.
Offentligt tillgänglig bild-URL: till exempel https://cdn.acedata.cloud/4hfydw.jpg.

Bildtyper som stöds: png, jpeg, webp, heic, heif. Python-exempelkod för anrop (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)

Du kan även direkt skicka en offentligt åtkomlig bild-URL:

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"}}
            ]
        }
    ]
}

💡 image_url accepterar endast fältet url (värdet kan vara en bild-URL eller en base64-data:-URI), samt det valfria fältet detail. Skicka inte media_type — det är Anthropic Claudes bildfält och tillhör inte OpenAI / Geminis image_url-format.

Strömmande svar

Detta gränssnitt stöder också strömmande svar, vilket är mycket användbart för webbintegration och gör det möjligt för webbsidor att visa text ord för ord. Om du vill returnera svaret som en ström kan du ändra parametern stream i begärans huvud till true. Ändringen visas i bilden, men anropskoden behöver motsvarande ändringar för att stödja strömmande svar.

Efter att stream har ändrats till true kommer API:et att returnera motsvarande JSON-data rad för rad, och på kodnivå behöver vi göra motsvarande ändringar för att få resultat rad för rad. Python-exempel på anropskod:

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)

Utdataeffekten är följande:

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]

Som du kan se finns det många data i svaret, och choices i data är det senaste svars-innehållet, vilket överensstämmer med innehållet som introducerades ovan. choices är det nytillagda svars-innehållet, och du kan integrera det i ditt system utifrån resultaten. Samtidigt avgörs slutet på det strömmande svaret utifrån innehållet i data; om innehållet är [DONE] betyder det att det strömmande svaret har avslutats helt. Det returnerade data-resultatet har flera fält, som introduceras enligt följande:

id，genererar ID:t för denna konversationsuppgift, som används för att unikt identifiera denna konversationsuppgift.
model ，den valda Gemini-modellen på den officiella webbplatsen.
choices，svarsinformationen som Gemini ger för frågeorden.

JavaScript stöds också, till exempel är koden för strömmande anrop i Node.js följande:

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));
}

Java-exempelkod:

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());

Andra språk kan dessutom anpassas på egen hand, principen är densamma.

Fleromgångskonversation

Om du vill integrera funktionen för flersamtalskonversationer behöver du skicka flera frågeord till fältet messages, ett specifikt exempel med flera frågeord visas i bilden nedan:

Python-exempelkod för anrop:

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)

Genom att skicka flera frågeord kan flersamtalskonversationer enkelt implementeras, och följande svar kan erhållas:

{
  "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
  }
}

Som kan ses är informationen som choices innehåller densamma som innehållet vid grundläggande användning. Detta innehåller det specifika innehållet i Geminis svar på flera konversationer, så att motsvarande frågor kan besvaras utifrån innehållet i flera konversationer.

Gemini-3.0 multimodal modell

Exempel på begäran:

{
  "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
}

Exempelresultat:

{
  "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
  }
}

Du kan naturligtvis också skicka länkar till exempelvis videor, och den specifika inmatningen är följande:

{
  "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
}

Exempelresultat:

{
  "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
  }
}

Av ovanstående kan man se att Gemini 3.0-modellen kan stödja multimodal förståelse.

Gemini-3.1 multimodal modell

gemini-3.1-pro-preview är det officiella modell-ID:t för den nuvarande Gemini 3.1 Pro och stöder multimodala indata som text, bilder och videor, vilket gör den lämplig för komplexa uppgifter inom resonemang, kodning och förståelse. Begäransexempel:

{
  "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
}

Gemini 3.1 Pro stöder också videoförståelse:

{
  "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
}

Returformatet är detsamma som för Gemini 3.0 Pro. Se beskrivningen i avsnittet om Gemini-3.0 multimodal modell ovan för detaljer.

Felhantering

Vid anrop av API:et returnerar API:et motsvarande felkod och information om ett fel uppstår. Till exempel:

400 token_mismatched: Bad request, possibly due to missing or invalid parameters.
400 api_not_implemented: Bad request, possibly due to missing or invalid parameters.
401 invalid_token: Unauthorized, invalid or missing authorization token.
429 too_many_requests: Too many requests, you have exceeded the rate limit.
500 api_error: Internal server error, something went wrong on the server.

Exempel på felsvar

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

Slutsats

Genom detta dokument har du lärt dig hur du använder Gemini Chat Completion API för att enkelt implementera den officiella Geminis konversationsfunktion. Vi hoppas att detta dokument kan hjälpa dig att bättre ansluta till och använda detta API. Om du har några frågor, kontakta gärna vårt tekniska supportteam.

Getting Started

AI Samtal

AI Bild

AI Video

AI Ljud

Web & Data

CAPTCHA

Identitet

Coding

Fler guider

Ansökan och användning av Gemini Chat Completion API

Ansökningsprocess

Grundläggande användning

Bildförståelse (multimodal inmatning)

Strömmande svar

Fleromgångskonversation

Gemini-3.0 multimodal modell

Gemini-3.1 multimodal modell

Felhantering

Exempel på felsvar

Slutsats

​Ansökningsprocess

​Grundläggande användning

​Bildförståelse (multimodal inmatning)

​Strömmande svar

​Fleromgångskonversation

​Gemini-3.0 multimodal modell

​Gemini-3.1 multimodal modell

​Felhantering

​Exempel på felsvar

​Slutsats

Ansökningsprocess

Grundläggande användning

Bildförståelse (multimodal inmatning)

Strömmande svar

Fleromgångskonversation

Gemini-3.0 multimodal modell

Gemini-3.1 multimodal modell

Felhantering

Exempel på felsvar

Slutsats