Gemini

A plataforma oferece suporte ao acesso aos modelos Gemini usando o protocolo OpenAI chat/completions e o protocolo nativo do Gemini. Todos os exemplos abaixo usam o modo não Stream. Se precisar do modo Stream, basta alterar o Path para /gemini/v1/models/:streamGenerateContent.

Início rápido

curl https://api.highwayapi.ai/openai/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer <YOUR-API-KEY>" \
-d '{
    "model": "gemini-2.5-flash",
    "messages": [{
        "role": "user", "content": "What is the capital of France?"
    }],
    "reasoning_effort": "low"
  }'

curl https://api.highwayapi.ai/gemini/v1/models/gemini-2.5-flash:generateContent \
-H "Content-Type: application/json" \
-H "Authorization: Bearer <YOUR-API-KEY>" \
-d '{
    "contents": [{
        "role": "user",
        "parts": [{"text": "What is the capital of France?"}]
    }],
    "generationConfig": {
        "thinkingConfig": {
            "thinkingBudget": 1024
        }
    }
  }'

Controle de raciocínio no protocolo OpenAI

A plataforma converterá o parâmetro reasoning_effort das solicitações OpenAI chat/completions para parâmetros thinking do Gemini.

reasoning_effort	thinking
”disable”, “none"	"budget_tokens”: 0
”low"	"budget_tokens”: 1024
”medium"	"budget_tokens”: 2048
”high"	"budget_tokens”: 4096

⚠️ Os valores não padrão da OpenAI disable/none podem ser usados para desativar o processo de raciocínio

Configurações padrão de cada modelo

Modelo	Configuração padrão (quando reasoning_effort não é definido)
2.5 Pro	Raciocínio dinâmico: o modelo decide quando e quanto raciocinar
2.5 Flash	Raciocínio dinâmico: o modelo decide quando e quanto raciocinar
2.5 Flash Lite	Raciocínio desativado

⚠️ Não é possível desativar o raciocínio para o Gemini 2.5 Pro; reasoning_effort: none será convertido para o thinkingBudget mínimo de 128 ⚠️ thinkingBudget é compatível apenas com Gemini 2.5 Flash, 2.5 Pro e 2.5 Flash-Lite. Dependendo do prompt, o modelo pode exceder ou ficar abaixo do orçamento de tokens.

Uso de ferramentas do lado do servidor

Google Search

Com o Google Search, é possível associar modelos Gemini a conteúdo da web em tempo real, com suporte a todos os idiomas disponíveis. Assim, o Gemini pode fornecer respostas mais precisas e citar fontes verificáveis posteriores à data de corte de conhecimento.

curl https://api.highwayapi.ai/openai/chat/completions \
-H "Authorization: Bearer <YOUR-API-KEY>" \
-H "Content-Type: application/json" -d @- <<EOF
{
  "model": "gemini-2.5-flash-lite",
  "messages": [
    {
      "role": "user",
      "content": "Liste as notícias em destaque na China hoje"
    }
  ],
  "tools": [
    {
      "function": {"name": "google_search"}
    }
  ]
}
EOF

curl https://api.highwayapi.ai/gemini/v1/models/gemini-2.5-flash-lite:generateContent \
-H "Authorization: Bearer <YOUR-API-KEY>" \
-H "Content-Type: application/json" -d @- <<EOF
{
  "contents": [
    {
      "role": "user",
      "parts": [{"text": "Liste as notícias em destaque na China hoje"}]
    }
  ],
  "tools": [
    {
      "googleSearch": {}
    }
  ]
}
EOF

Um exemplo de resultado é mostrado abaixo. No protocolo OpenAI, as informações de Grounding podem ser obtidas pelo campo não padrão gemini_grounding_metadata.

{
  "id": "dcc7eab10b5adeb9e8648d134e815409",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Here are some of today's top news in China: ..."
      },
      "finish_reason": "stop"
    }
  ],
  "gemini_grounding_metadata": {  # 👈 GEMINI GROUNDING
    "webSearchQueries": [
      "中国今日热点新闻"
    ],
    ...
    "groundingChunks": [
      ...
    ]
  }
}

{
  "candidates": [
    {
      "content": {
        "role": "model",
        "parts": [
          {
            "text": "根据您提供的搜索结果，以下是今日中国的一些热点新闻：..."
          }
        ]
      },
      "finishReason": "STOP",
      "index": 0,
      "groundingMetadata": {
        "webSearchQueries": [
          "今日中国热点新闻",
          "中国最新新闻头条"
        ],
        "searchEntryPoint": {...},
        "groundingChunks": [...],
        "groundingSupports": [...]
      }
    }
  ]
}

Code Execution

O Gemini oferece uma ferramenta de execução de código que permite ao modelo gerar e executar código Python. Em seguida, o modelo pode iterar com base nos resultados da execução do código até obter a saída final.

curl https://api.highwayapi.ai/openai/chat/completions \
-H "Authorization: Bearer <YOUR-API-KEY>" \
-H "Content-Type: application/json" -d @- <<EOF
{
  "model": "gemini-2.5-flash",
  "messages": [
    {
      "role": "user",
      "content": "What is the sum of the first 50 prime numbers? Generate and run code for the calculation, and make sure you get all 50."
    }
  ],
  "tools": [
      {
           "function":  {"name": "code_execution"}
      }
  ],
  "reasoning_effort": "low"
}
EOF

curl https://api.highwayapi.ai/gemini/v1/models/gemini-2.5-flash:generateContent \
-H "Authorization: Bearer <YOUR-API-KEY>" \
-H "Content-Type: application/json" -d @- <<EOF
{
  "contents": [
    {
      "role": "user",
      "parts": [{"text": "What is the sum of the first 50 prime numbers? Generate and run code for the calculation, and make sure you get all 50."}]
    }
  ],
  "tools": [
    {
      "codeExecution": {}
    }
  ],
  "generationConfig": {
    "thinkingConfig": {
      "thinkingBudget": 1024
    }
  }
}
EOF

Um exemplo de resultado é mostrado abaixo. Para o protocolo OpenAI, o código e o resultado da execução do código aparecerão em content. Para o protocolo Gemini, o código fica no campo executableCode, o resultado da execução fica no campo codeExecutionResult, e o resumo fica no campo text.

Okay, I can help you with that. I will write a Python script to find the
first 50 prime numbers and then calculate their sum.

Here's the plan:

1.  Create a function to check if a number is prime.
2.  Create a function to generate the first `n` prime numbers.
3.  Call the generation function for the first 50 primes.
4.  Sum the resulting list of primes.

Here is the code to perform this calculation:

```PYTHON
def is_prime(num):
    """Checks if a number is prime."""
    if num <= 1:
        return False
    if num <= 3:
        return True
    if num % 2 == 0 or num % 3 == 0:
        return False
    i = 5
    while i * i <= num:
        if num % i == 0 or num % (i + 2) == 0:
            return False
        i += 6
    return True

def get_first_n_primes(n):
    """Generates a list of the first n prime numbers."""
    primes = []
    num = 2
    while len(primes) < n:
        if is_prime(num):
            primes.append(num)
        num += 1
    return primes

# Get the first 50 prime numbers
first_50_primes = get_first_n_primes(50)


# Calculate the sum of these prime numbers

sum_of_primes = sum(first_50_primes)


print(f"The first 50 prime numbers are: {first_50_primes}")

print(f"The sum of the first 50 prime numbers is: {sum_of_primes}")
```

The first 50 prime numbers are: [2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31,
37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97, 101, 103, 107,
109, 113, 127, 131, 137, 139, 149, 151, 157, 163, 167, 173, 179, 181, 191,
193, 197, 199, 211, 223, 227, 229]

The sum of the first 50 prime numbers is: 5117

- executableCode:
    language: PYTHON
    code: |
      import sympy

      def is_prime(n):
          if n <= 1:
              return False
          if n <= 3:
              return True
          if n % 2 == 0 or n % 3 == 0:
              return False
          i = 5
          while i * i <= n:
              if n % i == 0 or n % (i + 2) == 0:
                  return False
              i += 6
          return True

      prime_numbers = []
      num = 2
      while len(prime_numbers) < 50:
          if is_prime(num):
              prime_numbers.append(num)
          num += 1

      sum_of_primes = sum(prime_numbers)

      print(f"The first 50 prime numbers are: {prime_numbers}")
      print(f"The sum of the first 50 prime numbers is: {sum_of_primes}")
- codeExecutionResult:
    outcome: OUTCOME_OK
    output: >
      The first 50 prime numbers are: [2, 3, 5, 7, 11, 13, 17, 19, 23, 29,
      31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97, 101, 103,
      107, 109, 113, 127, 131, 137, 139, 149, 151, 157, 163, 167, 173, 179,
      181, 191, 193, 197, 199, 211, 223, 227, 229]

      The sum of the first 50 prime numbers is: 5117
- text: The sum of the first 50 prime numbers is 5117.

URL context

Com a ferramenta URL context, você pode fornecer mais contexto ao modelo na forma de URLs. Ao adicionar URLs à solicitação, o modelo acessará o conteúdo dessas páginas da web, usando-o para fundamentar a resposta e melhorar sua qualidade.

curl https://api.highwayapi.ai/openai/chat/completions \
-H "Authorization: Bearer <YOUR-API-KEY>" \
-H "Content-Type: application/json" -d @- <<EOF
{
  "model": "gemini-2.5-flash-lite",
  "messages": [
    {
      "role": "user",
      "content": "Para que tipo de pessoa esta receita é adequada? https://www.foodnetwork.com/recipes/ina-garten/perfect-roast-chicken-recipe-1940592"
    }
  ],
  "tools": [
    {
      "function": {"name": "url_context"}
    }
  ]
}
EOF

curl https://api.highwayapi.ai/gemini/v1/models/gemini-2.5-flash-lite:generateContent \
-H "Authorization: Bearer <YOUR-API-KEY>" \
-H "Content-Type: application/json" -d @- <<EOF
{
  "contents": [
    {
      "role": "user",
      "parts": [{"text": "Para que tipo de pessoa esta receita é adequada? https://www.foodnetwork.com/recipes/ina-garten/perfect-roast-chicken-recipe-1940592"}]
    }
  ],
  "tools": [
    {
      "urlContext": {}
    }
  ]
}
EOF

Exemplo de resposta:

{
  "id": "82f10046aebe6697ed9d33a9fa398de4",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Esta receita é sobre como preparar o frango assado perfeito da Ina Garten.\n\n**Informações principais:**\n* **Origem da receita:** Ina Garten, adaptada de 《Barefoot Contessa Cookbook》.\n* **Tempo de preparo:** 20 minutos\n* **Tempo de assar:** 1 hora e 30 minutos\n* **Tempo total:** 2 horas e 10 minutos\n* **Rendimento:** 8 porções\n* **Dificuldade:** Média\n\n**Ingredientes:**\n* Um frango para assar de 5 a 6 libras\n* Sal kosher\n* Pimenta-do-reino moída na hora\n* Um maço grande de tomilho fresco, mais 20 raminhos\n* Um limão, cortado ao meio\n* Uma cabeça de alho, cortada ao meio transversalmente\n* 2 colheres de sopa (1/4 de tablete) de manteiga derretida\n* 1 cebola amarela grande, cortada em fatias grossas\n* 4 cenouras, cortadas em pedaços de 2 polegadas\n* 1 bulbo de erva-doce, com a parte superior removida, cortado em gomos\n* Azeite de oliva\n\n**Modo de preparo:**\n1. Preaqueça o forno a 425 graus Fahrenheit (cerca de 220 graus Celsius).\n2. Limpe as vísceras do frango, lave o frango por dentro e por fora. Remova o excesso de gordura e as penas restantes, e seque a parte externa do frango com papel-toalha.\n3. Tempere generosamente o interior do frango com sal e pimenta. Coloque um maço de tomilho, meio limão e todo o alho na cavidade do frango.\n4. Pincele a parte externa do frango com manteiga derretida e tempere novamente com sal e pimenta.\n5. Amarre as pernas do frango com barbante culinário e dobre as pontas das asas para baixo do corpo do frango.\n6. Coloque a cebola, as cenouras e a erva-doce em uma assadeira. Misture com sal, pimenta, 20 raminhos de tomilho e azeite de oliva. Espalhe os legumes no fundo da assadeira e coloque o frango por cima.\n7. Asse o frango por 1,5 hora, ou até que, ao cortar entre a perna e a coxa com uma faca, os sucos saiam claros.\n8. Transfira o frango assado e os legumes para uma travessa, cubra com papel-alumínio e deixe descansar por cerca de 20 minutos.\n9. Corte o frango em fatias e sirva com os legumes.\n\n**Dicas culinárias e feedback de usuários:**\n* A receita menciona que, se os legumes começarem a dourar no fundo, é possível adicionar uma xícara de caldo de galinha para ajudar a manter a umidade.\n* Alguns usuários sugeriram usar uma assadeira menor para evitar que os legumes queimem.\n* Alguns usuários substituíram a erva-doce por batatas.\n* Muitos usuários relataram que o frango fica muito macio e suculento, cheio de sabor, e que o processo de preparo é simples."
      },
      "finish_reason": "stop"
    }
  ],
  "gemini_grounding_metadata": {
    "groundingChunks": [
      {
        "web": {
          "uri": "https://www.foodnetwork.com/recipes/ina-garten/perfect-roast-chicken-recipe-1940592",
          "title": "Perfect Roast Chicken Recipe | Ina Garten | Food Network"
        }
      }
    ],
    "groundingSupports": [....]
  }
}

{
  "candidates": [
    {
      "content": {
        "role": "model",
        "parts": [
          {
            "text": "\nEsta receita é adequada para pessoas que gostam de frango assado clássico, especialmente cozinheiros domésticos que desejam preparar um prato delicioso e relativamente fácil. A dificuldade da receita é classificada como “média”, e ela leva no total 2 horas e 10 minutos (incluindo 20 minutos de preparo, 20 minutos de tempo ocioso e 1 hora e 30 minutos de cozimento).\n\nAlém disso, ela também é adequada para quem deseja preparar um prato principal impressionante para reuniões ou ocasiões especiais, pois frango assado costuma ser o destaque em mesas festivas.\n\nA receita também menciona que é possível ajustar os ingredientes de acordo com o gosto pessoal; por exemplo, há comentários mencionando que é possível omitir a erva-doce ou adicionar caldo de galinha para ajudar no Basting, o que indica que ela também pode ser adequada para quem gosta de experimentar e fazer ajustes ao cozinhar."
          }
        ]
      },
      "finishReason": "STOP",
      "index": 0,
      "safetyRatings": null,
      "groundingMetadata": {
        "groundingChunks": [
          {
            "web": {
              "uri": "https://www.foodnetwork.com/recipes/ina-garten/perfect-roast-chicken-recipe-1940592",
              "title": "Perfect Roast Chicken Recipe | Ina Garten | Food Network"
            }
          }
        ],
        "groundingSupports": [
          {
            "segment": {
              "startIndex": 148,
              "endIndex": 317,
              "text": "A dificuldade da receita é classificada como “média”, e ela leva no total 2 horas e 10 minutos (incluindo 20 minutos de preparo, 20 minutos de tempo ocioso e 1 hora e 30 minutos de cozimento)."
            },
            "groundingChunkIndices": [
              0
            ]
          },
          {
            "segment": {
              "startIndex": 319,
              "endIndex": 475,
              "text": "Além disso, ela também é adequada para quem deseja preparar um prato principal impressionante para reuniões ou ocasiões especiais, pois frango assado costuma ser o destaque em mesas festivas."
            },
            "groundingChunkIndices": [
              0
            ]
          },
          {
            "segment": {
              "startIndex": 477,
              "endIndex": 695,
              "text": "A receita também menciona que é possível ajustar os ingredientes de acordo com o gosto pessoal; por exemplo, há comentários mencionando que é possível omitir a erva-doce ou adicionar caldo de galinha para ajudar no Basting, o que indica que ela também pode ser adequada para quem gosta de experimentar e fazer ajustes ao cozinhar."
            },
            "groundingChunkIndices": [
              0
            ]
          }
        ]
      }
    }
  ],
  "promptFeedback": {
    "safetyRatings": null
  },
  "usageMetadata": {
    "promptTokenCount": 37,
    "candidatesTokenCount": 159,
    "totalTokenCount": 3270,
    "trafficType": "ON_DEMAND",
    "promptTokensDetails": [
      {
        "modality": "TEXT",
        "tokenCount": 37
      }
    ],
    "candidatesTokensDetails": [
      {
        "modality": "TEXT",
        "tokenCount": 159
      }
    ],
    "toolUsePromptTokensDetails": [
      {
        "modality": "TEXT",
        "tokenCount": 3074
      }
    ],
    "toolUsePromptTokenCount": 3074
  },
  "responseId": "0472efecb0da2db5f78d047e70e54db6",
  "modelVersion": "gemini-2.5-flash-lite"
}

Introdução

API de LLM

Provedores de modelos

Recursos do modelo

Configuração de ferramentas de terceiros

Gemini

Início rápido

Controle de raciocínio no protocolo OpenAI

Configurações padrão de cada modelo

Uso de ferramentas do lado do servidor

Google Search

Code Execution

URL context

​Início rápido

​Controle de raciocínio no protocolo OpenAI

​Configurações padrão de cada modelo

​Uso de ferramentas do lado do servidor

​Google Search

​Code Execution

​URL context

Início rápido

Controle de raciocínio no protocolo OpenAI

Configurações padrão de cada modelo

Uso de ferramentas do lado do servidor

Google Search

Code Execution

URL context