DeepSeek Vision and Grok Imagine models are now live on CometAPI →

Blogg

CometAPI-blogg

Én API. Alle ledende AI-modeller.

Modelloppdateringer, API-veiledninger, benchmarks og praktiske innsikter for raskere utvikling med CometAPI.

Slik bruker du Gemini API for raske svar (Flash-modell) 1) Skaff API-nøkkel - Gå til ai.google.dev, logg inn med Google-kontoen din og opprett en API-nøkkel i AI Studio. - Oppbevar nøkkelen sikkert (ikke sjekk den inn i Git). 2) Velg rask modell - Bruk gemini-1.5-flash (hurtig og rimelig) eller gemini-2.0-flash hvis den er aktivert i din region/prosjekt. - Bruk gemini-1.5-pro når kvalitet veier tyngre enn hastighet. 3) Kall API-et via REST (enkelt å teste) - Endpoint: https://generativelanguage.googleapis.com/v1beta/models/{MODEL}:generateContent?key=YOUR_API_KEY - Eksempel (cURL): curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/models/gemini-1.5-flash:generateContent?key=YOUR_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "contents":[{"role":"user","parts":[{"text":"Gi en to-setningers forklaring av HTTP/2."}]}] }' 4) Bruk offisielt SDK for enkel integrasjon (Python) - Installer: pip install google-genai - Eksempel (enkelt skript): from google.genai import Client client = Client(api_key="YOUR_API_KEY") resp = client.models.generate_content( model="gemini-1.5-flash", contents="Skriv en kort oppsummering av TLS." ) print(resp.output_text) 5) Hurtig web-API med FastAPI (Python) - Installer: pip install fastapi uvicorn google-genai - Minimal server: from fastapi import FastAPI, Query from google.genai import Client app = FastAPI() client = Client(api_key="YOUR_API_KEY") @app.get("/chat") def chat(q: str = Query(..., description="Brukerens prompt")): r = client.models.generate_content(model="gemini-1.5-flash", contents=q) return {"text": r.output_text} - Start: uvicorn main:app --reload - Test: http://localhost:8000/chat?q=Hei%20Gemini 6) Praktiske tips for “Fast” bruk - Hold prompten kort og presis; bruk Flash-modell for lav latency. - For strukturert utdata: sett generation_config={"response_mime_type": "application/json"} i SDK-kallet. - Multimodalt: du kan sende bilder/lyd som parts sammen med tekst (se ai.google.dev for eksempler). - Sett timeouts og enkel retry i produksjon; overvåk kvoter og fakturering i Google Cloud/AI Studio. - Ikke legg API-nøkkelen i klientkode; bruk server-side proxy (slik som FastAPI-enden over). Feilsøking - 403/401: Sjekk at nøkkelen er gyldig og at API-et er aktivert for prosjektet. - 429: Du treffer rate- eller kvotekvoter; implementer backoff eller be om høyere kvote. - 400: Valider body-formatet (contents/parts/text) og modellnavnet.
Guide

Slik bruker du Gemini API for raske svar (Flash-modell) 1) Skaff API-nøkkel - Gå til ai.google.dev, logg inn med Google-kontoen din og opprett en API-nøkkel i AI Studio. - Oppbevar nøkkelen sikkert (ikke sjekk den inn i Git). 2) Velg rask modell - Bruk gemini-1.5-flash (hurtig og rimelig) eller gemini-2.0-flash hvis den er aktivert i din region/prosjekt. - Bruk gemini-1.5-pro når kvalitet veier tyngre enn hastighet. 3) Kall API-et via REST (enkelt å teste) - Endpoint: https://generativelanguage.googleapis.com/v1beta/models/{MODEL}:generateContent?key=YOUR_API_KEY - Eksempel (cURL): curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/models/gemini-1.5-flash:generateContent?key=YOUR_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "contents":[{"role":"user","parts":[{"text":"Gi en to-setningers forklaring av HTTP/2."}]}] }' 4) Bruk offisielt SDK for enkel integrasjon (Python) - Installer: pip install google-genai - Eksempel (enkelt skript): from google.genai import Client client = Client(api_key="YOUR_API_KEY") resp = client.models.generate_content( model="gemini-1.5-flash", contents="Skriv en kort oppsummering av TLS." ) print(resp.output_text) 5) Hurtig web-API med FastAPI (Python) - Installer: pip install fastapi uvicorn google-genai - Minimal server: from fastapi import FastAPI, Query from google.genai import Client app = FastAPI() client = Client(api_key="YOUR_API_KEY") @app.get("/chat") def chat(q: str = Query(..., description="Brukerens prompt")): r = client.models.generate_content(model="gemini-1.5-flash", contents=q) return {"text": r.output_text} - Start: uvicorn main:app --reload - Test: http://localhost:8000/chat?q=Hei%20Gemini 6) Praktiske tips for “Fast” bruk - Hold prompten kort og presis; bruk Flash-modell for lav latency. - For strukturert utdata: sett generation_config={"response_mime_type": "application/json"} i SDK-kallet. - Multimodalt: du kan sende bilder/lyd som parts sammen med tekst (se ai.google.dev for eksempler). - Sett timeouts og enkel retry i produksjon; overvåk kvoter og fakturering i Google Cloud/AI Studio. - Ikke legg API-nøkkelen i klientkode; bruk server-side proxy (slik som FastAPI-enden over). Feilsøking - 403/401: Sjekk at nøkkelen er gyldig og at API-et er aktivert for prosjektet. - 429: Du treffer rate- eller kvotekvoter; implementer backoff eller be om høyere kvote. - 400: Valider body-formatet (contents/parts/text) og modellnavnet.

Slik bruker du Gemini Omni Fast API: Mestre Gemini Omni Fast API for tekst-til-video, bilde-til-video og samtalebasert redigering. Prøv CometAPI. 500+ modeller.

A
Anna
Gemini Embedding 2 er Googles andre generasjon innebygd-modell (embeddings) i Gemini-familien. Modellen konverterer tekst til numeriske vektorrepresentasjoner som bevarer semantisk betydning, slik at like eller relaterte tekster får lignende vektorer. Hva det brukes til: - Semantisk søk og informasjonshenting (RAG) - Tekstlikhet, deduplisering og plagiat-/near-duplicate-deteksjon - Clustering, tematisk gruppering og anbefalinger - Klassifisering og re-ranking av resultater - Flerspråklige brukstilfeller der meningsinnhold må matche på tvers av språk Nøkkelpunkter: - Del av Gemini-økosystemet med fokus på kvalitet, skalerbarhet og lav latens - Flerspråklig støtte og robust semantisk forståelse - Tilgjengelig via Google AI Studio og Vertex AI API-er - Passer både som grunnlag for nye søk-/anbefalingsfunksjoner og for å forbedre eksisterende NLP-systemer
New

Gemini Embedding 2 er Googles andre generasjon innebygd-modell (embeddings) i Gemini-familien. Modellen konverterer tekst til numeriske vektorrepresentasjoner som bevarer semantisk betydning, slik at like eller relaterte tekster får lignende vektorer. Hva det brukes til: - Semantisk søk og informasjonshenting (RAG) - Tekstlikhet, deduplisering og plagiat-/near-duplicate-deteksjon - Clustering, tematisk gruppering og anbefalinger - Klassifisering og re-ranking av resultater - Flerspråklige brukstilfeller der meningsinnhold må matche på tvers av språk Nøkkelpunkter: - Del av Gemini-økosystemet med fokus på kvalitet, skalerbarhet og lav latens - Flerspråklig støtte og robust semantisk forståelse - Tilgjengelig via Google AI Studio og Vertex AI API-er - Passer både som grunnlag for nye søk-/anbefalingsfunksjoner og for å forbedre eksisterende NLP-systemer

Gemini Embedding 2 er Googles første embedding-modell som er nativt multimodal og som projiserer tekst, bilder, lyd, video og PDF-er inn i ett enkelt 3,072-dimensjonalt semantisk vektorrom (med konfigurerbare utdatastørrelser). Den introduserer Matryoshka Representation Learning for å tilby nestede / trunkerte embeddinger, forbedret flerspråklig ytelse (100+ språk) og optimaliserte kontroller for oppgavespesifikke embeddinger (f.eks. task:search, task:code).

A
Anna
Slik bruker du Gemini 3.1 pro API
Guide

Slik bruker du Gemini 3.1 pro API

En praktisk, kodeorientert veiledning til Gemini 3.1 Pro — hva det er, hvordan man kaller det (inkludert via CometAPI), dets multimodale og “tenkenivå”-kontroller, funksjonskalling/verktøybruk, vibe-kodingstips, og integrasjoner med GitHub Copilot, VS Code, Gemini CLI og Google Antigravity. Gemini 3.1 pro flytter grensene fremover for store multimodale modeller med en fokusert utviklerhistorie: større kontekstvinduer, konfigurerbare “tenke”-moduser, forbedret verktøy- og funksjonskalling, og eksplisitt støtte for agentbaserte arbeidsflyter.

A
Anna
Gemini API: hvilke filstørrelser og inndatametoder støttes nå?
Technology

Gemini API: hvilke filstørrelser og inndatametoder støttes nå?

12. januar 2026 publiserte Google en utvikleroppdatering for Gemini API som endrer hvordan du får filer inn i modellen og hvor store disse filene kan være. Kort fortalt: Gemini henter nå filer direkte fra eksterne lenker og skylagring (så du ikke alltid trenger å laste dem opp), og inline-filstørrelsesgrensen er hevet betydelig. Disse oppdateringene fjerner friksjon for apper i den virkelige verden som allerede lagrer media eller dokumenter i cloud buckets, og gjør korte prototyping- og produksjonsarbeidsflyter raskere og billigere.

A
Anna