Google: Gemini 2.5 Flash

Google: Gemini 2.5 Flash, Google का एक टेक्स्ट मॉडल है, जो api14 पर मॉडल आईडी google/gemini-2.5-flash के तहत सूचीबद्ध है। यह टेक्स्ट श्रेणी में आता है और Google इसे अपना अत्याधुनिक वर्कहॉर्स मॉडल बताता है, जो उन्नत तर्क, कोडिंग, गणित और वैज्ञानिक कार्यों के लिए बनाया गया है। इसमें अंतर्निहित थिंकिंग क्षमताएं शामिल हैं, जिसका अर्थ है कि मॉडल उत्तर देने से पहले किसी समस्या पर आंतरिक रूप से काम कर सकता है। प्रदाता की रिलीज़ तिथि 2025-06-17 है, और नॉलेज कटऑफ 2025-01-31 है।

मॉडल टेक्स्ट, इमेज, ऑडियो, वीडियो और फ़ाइल इनपुट स्वीकार करता है, और यह केवल टेक्स्ट लौटाता है। इसका कॉन्टेक्स्ट विंडो 1,048,576 टोकन है, जो इतना बड़ा है कि एक ही अनुरोध में बहुत लंबे दस्तावेज़, ट्रांसक्रिप्ट या कोडबेस रख सकता है। अधिकतम आउटपुट 65,535 टोकन है, इसलिए उस सीमा के भीतर लंबी जनरेशन संभव है। चूंकि इनपुट मल्टीमॉडल है, आप अपने निर्देशों के साथ एक स्क्रीनशॉट, एक रिकॉर्डिंग या एक PDF भेज सकते हैं और लिखित परिणाम मांग सकते हैं।

ये क्षमताएं कुछ व्यावहारिक पैटर्न की ओर इशारा करती हैं। लंबे कॉन्टेक्स्ट वाला काम जैसे बड़े दस्तावेज़ सेट का सारांश बनाना, लंबे अनुबंधों की समीक्षा करना या किसी रिपॉज़िटरी में खोज करना कॉन्टेक्स्ट विंडो के लिए अच्छी तरह उपयुक्त है। कोडिंग और गणित के कार्य तर्क पर ध्यान केंद्रित करने के अनुकूल हैं, खासकर जहां मॉडल को उत्तर देने से पहले सोचने से लाभ होता है। मल्टीमॉडल इनपुट इमेज से जानकारी का वर्णन या निष्कर्षण, ऑडियो को ट्रांसक्राइब और विश्लेषण करना, या वीडियो सामग्री की समीक्षा करके टेक्स्ट नोट्स लौटाना जैसे उपयोग के मामलों को खोलते हैं। मिश्रित मीडिया से संरचित निष्कर्षण एक और विकल्प है, क्योंकि मॉडल संरचित आउटपुट का समर्थन करता है।

इसे api14 के माध्यम से कॉल करने के लिए, मॉडल आईडी google/gemini-2.5-flash के साथ OpenAI-संगत एंडपॉइंट का उपयोग करें। समर्थित अनुरोध पैरामीटर हैं include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools और top_p। व्यवहार में इसका अर्थ है कि आप temperature और top_p के साथ सैंपलिंग नियंत्रित कर सकते हैं, max_tokens के साथ आउटपुट लंबाई सीमित कर सकते हैं, stop अनुक्रम सेट कर सकते हैं, seed के साथ रन को प्रतिलिपि-योग्य बना सकते हैं, response_format या structured_outputs के माध्यम से JSON-आकार के उत्तर मांग सकते हैं, और tools और tool_choice के साथ मॉडल को फ़ंक्शन उपलब्ध करा सकते हैं। reasoning और include_reasoning पैरामीटर मॉडल के थिंकिंग व्यवहार से संबंधित हैं, इसलिए आप अपनी आवश्यकताओं के आधार पर उस प्रक्रिया को प्रभावित या उजागर कर सकते हैं।

एक बात ध्यान में रखें कि आउटपुट केवल टेक्स्ट है, इसलिए यदि आपको जनरेट की गई इमेज, ऑडियो या वीडियो चाहिए, तो यह मॉडल उन्हें उत्पन्न नहीं करेगा। यह उन प्रारूपों को इनपुट के रूप में पढ़ सकता है लेकिन टेक्स्ट में उत्तर देता है। यदि आपका कार्यभार विशुद्ध रूप से छोटे टेक्स्ट आदान-प्रदान का है जिसमें तर्क, मल्टीमॉडल इनपुट या बहुत बड़े कॉन्टेक्स्ट की आवश्यकता नहीं है, तो एक छोटा या तेज़ मॉडल बेहतर उपयुक्त हो सकता है। उन कार्यों के लिए जो लंबे इनपुट, मिश्रित मीडिया और बहु-चरणीय तर्क को जोड़ते हैं, यह मॉडल पहले मूल्यांकन करने के लिए एक उचित डिफ़ॉल्ट है।