Introdução
Chat compatível com OpenAI para o Gemini 3.7 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 Gemini 3.7 Flash é o modelo Flash de alta velocidade do Google, feito para código do dia a dia, chamadas de ferramenta de agentes e execução confiável de vários passos, e aqui é publicado como um único endpoint de chat compatível com OpenAI. Uma requisição lê até 1.048.576 tokens e responde com até 65.536, o esforço de raciocínio muda turno a turno entre low, medium e high, e chamadas de ferramenta e saída JSON seguem o jeito da OpenAI.
Recursos e destaques
Rápido o bastante para morar no laço
Um agente que planeja, chama uma ferramenta, lê o resultado e decide de novo passa quase todo o tempo real esperando o modelo. É exatamente esse formato de trabalho para o qual o modelo foi feito — código do dia a dia, uso de ferramentas, execução de vários passos —, então o laço fecha rápido em vez de travar a cada salto.
Três níveis, escolhidos turno a turno
low, medium e high, com medium como padrão. É uma string no mesmo corpo da requisição: o passo rotineiro roda em low enquanto o passo que precisa acertar sobe para high. Este modelo não tem nível minimal: a própria API do Google recusa, e este endpoint também recusa em vez de reescrever em silêncio.
1.048.576 tokens em uma requisição
Um módulo inteiro com seus testes, um registro longo de agente com todos os resultados de ferramenta ainda anexados, ou um conjunto de documentos lido de uma vez. O teto conta junto a mensagem de sistema, o histórico e a saída das ferramentas: o orçamento é do fio, não da última mensagem.
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 65.536; o padrão é 16.384. |
reasoning_effort | Não | minimal, low, medium ou high; o padrão é medium. Passos rotineiros vão bem em low, e o passo que precisa acertar sobe para high sozinho. |
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. O Google recomenda deixar os modelos Gemini 3 em 1,0: abaixo disso, a geração pode entrar em loop ou perder qualidade. |
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 os resultados de extração voltam analisáveis. |
Preços
Entrada $0.675 / Saída $3.375 por 1 milhão de tokens
Casos de uso
Trabalho de código do dia a dia
Ler um diff e dizer o que ele muda, escrever o teste que faltava, transformar um stack trace em um patch. São requisições curtas e frequentes em que o tempo até o primeiro token decide se a ferramenta chega a ser usada.
Laços de ferramenta para agentes
Até 128 definições de função por requisição, com tool_choice para forçar uma chamada específica ou nenhuma. As chamadas de ferramenta voltam no formato da OpenAI, então um ambiente de agente já montado só precisa de outro identificador de modelo.
Execução de vários passos em um fio longo
Um agente que já chamou seis ferramentas leva os seis resultados para a requisição seguinte. Uma janela de 1.048.576 tokens mantém esse fio inteiro em vez de obrigar a um passo de resumo no meio do serviço.
Extração estruturada em volume
Peça um objeto JSON com response_format, nomeie cada chave na mensagem de sistema. Linhas de log viram campos, chamados viram rótulos, texto livre vira esquema: o preço por chamada é o que decide se o serviço vale a pena.
Guia de prompt e dicas práticas
Deixe espaço para o raciocínio antes de limitar a resposta
No esforço medium padrão o modelo pensa antes de escrever, e esse pensamento sai do mesmo orçamento de max_tokens que a resposta. Um teto apertado gasta o orçamento pensando e devolve uma string vazia. Dê folga real ao max_tokens — alguns milhares para uma resposta de código — ou baixe reasoning_effort para low quando quiser uma resposta curta e nenhuma deliberação.
Troque o esforço por turno, não por integração
Rode os passos rotineiros do laço em low para receber o primeiro token mais cedo e mande em high o passo que precisa acertar. Mesmo endpoint, mesmo corpo, uma string diferente.
Limites para levar em conta
reasoning_effort aceita apenas low, medium e high. A API do Google recusa minimal neste modelo, então este endpoint também recusa em vez de trocar em silêncio por outra coisa. O teto da resposta é 65.536 tokens e um max_tokens acima disso falha logo na validação. O conteúdo das mensagens é texto, imagens e vídeo; partes de áudio são rejeitadas. O vídeo é enviado como arquivo já carregado, e o vídeo de uma requisição pode somar 14 MB no total.
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-3.7-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.
