Introdução
Chat compatível com OpenAI para o Gemini 2.5 Flash. Janela de leitura de 1.048.576 tokens, três níveis de esforço, 128 esquemas de ferramenta e saída JSON em uma chamada síncrona, com streaming SSE quando você pedir. O conteúdo das mensagens é texto, imagens, vídeo e áudio.
O Gemini 2.5 Flash é o modelo Flash de raciocínio híbrido do Google, publicado aqui como um único endpoint de chat compatível com OpenAI. Ele lê até 1.048.576 tokens em uma requisição, responde em até 65.535 e alterna entre três níveis de esforço, com chamadas de ferramenta e saída JSON no formato da OpenAI. O Google publica um corte de conhecimento em janeiro de 2025, então o que for posterior precisa chegar no prompt.
Recursos e destaques
Leitura longa, resposta curta
Um contrato, uma pilha de logs, um trimestre de chamados: tudo sai em uma mensagem e volta em três linhas. Esse formato é o que a janela de 1.048.576 tokens compra, e é por isso que esse identificador acabou em tantos fluxos: a resposta é curta, então a metade cara da conta fica pequena.
Três níveis, uma string
low, medium e high, com medium como padrão. Deixe a rotina em low e suba a única requisição que precisa acertar. É uma string no mesmo corpo da requisição, então trocar não custa nada na integração. Publicamos os níveis e não um orçamento de tokens, porque o Google não publica número por nível.
Ele não sabe o que veio depois
O Google fixa o conhecimento deste modelo em janeiro de 2025, e aqui ele não consulta nada sozinho. Para o que é mais novo — a versão de uma biblioteca, um preço, a função atual de alguém — coloque os fatos no prompt e peça que ele trabalhe em cima deles. Perguntado sobre fatos posteriores, o modelo responde do mesmo jeito, e soa tão seguro quanto quando acerta.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
messages | Sim | Turnos ordenados, do mais antigo ao mais recente. O conteúdo é uma string ou um array de partes text, |
max_tokens | Não | Limita a resposta a 65.535; o padrão é 16.384. Reduza quando quiser uma resposta curta a partir de uma leitura longa: o teto é um limite, não uma meta. |
reasoning_effort | Não | low, medium ou high; o padrão é medium. O trabalho de rotina vai bem em low, e a requisição que precisa acertar sobe para high sozinha. |
stop | Não | Até 4 sequências, como string ou array. A resposta termina assim que o modelo escreve uma delas, e o texto correspondente não é devolvido. pelo menos 1 caracteres · pelo menos 1 itens · no máximo 4 itens |
seed | Não | Qualquer inteiro. |
temperature | Não | De 0 a 2, padrão 1. Empurre para 0 quando a resposta for lida por código e suba quando o texto precisar de uma voz mais solta. |
top_p | Não | De 0,01 a 1. Ajuste este ou o temperature, nunca os dois na mesma comparação. |
tools | Não | Até 128 definições de função por requisição. no máximo 128 itens |
tool_choice | Não | auto, none, required ou um objeto que nomeia uma função. |
response_format | Não | Peça um objeto JSON e nomeie cada chave na mensagem de sistema — é assim que a resposta volta analisável. |
Preços
Entrada $0.285 / Saída $2.375 por 1 milhão de tokens
Casos de uso
Um documento longo, uma resposta curta
Contratos, logs, transcrições, a diferença entre duas versões. Entregue tudo em uma mensagem e peça três tópicos; a janela é grande o bastante para você raramente ter de fatiar a entrada, e a resposta curta mantém pequeno o lado de saída da conta.
Rotulagem e limpeza em massa
Marcar chamados, reescrever resumos, dobrar texto livre em campos fixos. Nesses trabalhos o custo por chamada decide se vale a pena rodar, e um identificador conhecido facilita passar o fluxo para outra pessoa.
Extração estruturada
Peça um objeto JSON com response_format, nomeie cada chave na mensagem de sistema e mantenha temperature baixo para o formato não oscilar. Validar o que volta continua sendo tarefa do seu aplicativo.
Substituto para um cliente OpenAI existente
Se algo já chama gemini-2.5-flash por um cliente no formato da OpenAI, apontar para cá é mudar a URL base, a chave e a string de modelo. Comparar este endpoint com o que você roda hoje custa pouco.
Guia de prompt e dicas práticas
Mande o documento inteiro e limite a resposta
Coloque o material em uma única mensagem user e diga o tamanho permitido da resposta. Para um resumo ou uma comparação, max_tokens entre 300 e 1.000 costuma cair bem; o teto de 65.535 existe para quando você realmente quer um trecho longo.
Troque o nível por requisição, não por integração
A maior parte do tráfego em low e a requisição que precisa sair certa em high. Mesmo endpoint, mesmo corpo, uma string diferente.
Limites para levar em conta
A resposta para em 65.535 tokens e um max_tokens acima disso falha já na validação. O conteúdo das mensagens é texto, imagens, vídeo e áudio. Vídeo e áudio carregados podem somar 14 MB por requisição. Um response_format JSON molda a resposta, mas o seu aplicativo continua analisando e validando o que chega.
Início rápido da API
curl --fail-with-body -sN https://api.spicyapi.ai/v1/chat/completions \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $(uuidgen)" \
-d '{
"model": "google/gemini-2.5-flash/chat",
"messages": [
{
"role": "user",
"content": "Summarise the following release notes into three bullet points."
}
],
"stream": true
}' \
| jq --unbuffered -Rrj 'select(startswith("data: ")) | .[6:] | select(. != "[DONE]") | fromjson | if .error then "\n[error] \(.error.message)\n" else (.choices[0].delta.content? // empty) end'
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
