Llama 4 Maverick Instruct je nativně multimodální model společnosti Meta pro konverzaci s asistentem a vizuální uvažování. Přijímá vícejazyčný text a obrázky a generuje vícejazyčný text nebo kód. Jeho architektura mixture-of-experts používá časnou fúzi a kombinuje vizuální a textové informace uvnitř modelu, místo aby s obrázkem zacházela jako s nesouvisejícím popiskem dodaným samostatným textovým asistentem.
Informace o modelu a kontext
Výrobce pro Maverick uvádí 128 expertů, 17 miliard aktivních parametrů a celkem 400 miliard parametrů. To se liší od konfigurace Scout se 16 experty a celkem 109 miliardami parametrů, přestože oba modely nesou označení 17B aktivní velikosti. Název Instruct označuje checkpoint zaměřený na asistenta, nikoli předtrénovaný model Maverick.
Karta modelu pro Maverick dokumentuje kontextové okno 1M. Kontext používejte k uchování příslušných pasáží, obrázků, konverzace a požadované odpovědi společně. Rozsáhlá kolekce zdrojů stále potřebuje definovanou otázku a artefakt. Označte zdrojové dokumenty a obrázky a požadujte umístění podporující každé extrahované zjištění namísto nesměrovaného shrnutí všeho materiálu.
Podporovanými jazyky jsou arabština, angličtina, francouzština, němčina, hindština, indonéština, italština, portugalština, španělština, tagalog, thajština a vietnamština. Výrobce odlišuje těchto dvanáct podporovaných jazyků od širší kolekce přibližně dvou set jazyků používaných při předtrénování. Přítomnost jazyka v tréninku by se neměla měnit ve slib stejné schopnosti pro každý jazyk.
Chatové, vizuální a programátorské úlohy
Zamýšlená vizuální využití na kartě zahrnují rozpoznávání, uvažování nad obrázky, tvorbu popisků a odpovídání na obecné otázky k obrázku. U fotografie požadujte, aby model určil objekty nebo vztah relevantní k úloze. U grafu požadujte porovnání pojmenovaných řad se zachováním os a jednotek. U diagramu se zeptejte, které označené spojení podporuje dodaný požadavek.
Při porovnání více obrázků určete roli každého z nich a požadujte napříč nimi stejná kritéria. Dodejte například původní návrh a jeho revizi a potom požadujte viditelné shody, rozdíly a podrobnosti, které obrázky nedokládají. Pozorování oddělujte od závěrů závislých na doprovodném textu. Výstup tak půjde snáze zkontrolovat proti skutečnému zdroji.
Výrobce uvádí testování porozumění obrázkům až s pěti vstupními obrázky. Jde o zdokumentovaný testovaný rozsah, nikoli bezpodmínečné pevné maximum počtu obrázků. Zachovejte podrobnosti potřebné pro otázku a pořadí obrázků. Přidání velkého počtu nesouvisejících obrázků samo neurčuje, co by se mělo porovnávat.
U programátorské úlohy poskytněte požadavek, příslušný zdroj a očekávané chování. Navrženou implementaci požadujte odděleně od jejích předpokladů a příkladů. Snímek obrazovky může dodat vizuální požadavky, zatímco textová podmínka dodává chování, které snímek nemůže ukázat. Generovaný kód je textový artefakt; jeho spuštění, kontrola vykresleného rozhraní nebo aplikace v repozitáři vyžadují připojené prostředí.
Příprava konverzace a trénink
Karta modelu ukazuje odpovídající procesor a chatovou šablonu se dvěma obrázky a psanou otázkou k porovnání. Role konverzace a spojení obrázků s textem ponechte výslovné. Systémový pokyn může definovat publikum, tón a strukturu odpovědi, zatímco uživatelská zpráva dodává skutečnou úlohu a podklady. Výrobce popisuje zlepšení řiditelnosti systémovým promptem a formátování konverzace po následném tréninku.
Maverick je předtrénován přibližně na 22 bilionech tokenů multimodálních dat s uvedenou hranicí předtrénovacích dat v srpnu 2024. Jde o statickou hranici tréninkových dat, nikoli živý přístup k aktuálním informacím. Pokud otázka závisí na novějším nebo soukromém materiálu, poskytněte jej jako zdrojový kontext nebo prostřednictvím samostatně připojené vyhledávací operace.
Vydání zahrnuje váhy BF16 a samostatně kvantizované váhy FP8. Tyto volby přesnosti nevytvářejí další vstupní modalitu ani nepřidělují Mavericku kontext 10M modelu Scout. Při porovnávání opakované úlohy nebo odvozeného nasazení zachovejte přesný checkpoint Instruct a jeho konfiguraci.
Praktický návrh výsledku
Úloha s obrázkem dokumentu může požadovat identifikátor zdroje, viditelné tvrzení, extrahovanou hodnotu a interpretaci jako samostatná pole. Konverzační vysvětlení může zachovat původní termíny a přizpůsobit prózu podporovanému jazyku čtenáře. Programátorský požadavek může vrátit upravený úsek a příklady odlišující jeho zamýšlené chování.
Před dodáním materiálu definujte způsob využití konečného výsledku. Krátký popisek, porovnávací tabulka a navržený program řeší různé úlohy, i když sdílejí stejné obrázky. Vizuální a jazykové schopnosti modelu poskytují interpretaci a text; externí vyhledávání, vykonávání nebo vytváření souborů zajišťují komponenty aplikace.
Konkrétní hranice
Zde zdokumentovanými vstupy jsou text a obrázky s textovým a kódovým výstupem. Této edici Maverick nemají být přiřazovány porozumění zvuku nebo videu, generování řeči ani pojmenované ovládání úsilí při uvažování Muse Spark. Llama Guard je také samostatně trénovaný klasifikátor, nikoli automatický klasifikační výstup odpovědi Maverick.
Příklad generování 256 tokenů na kartě je ukázkové nastavení a prostudované zdroje nestanovují samostatné pevné maximum výstupních tokenů nad rámec specifikace kontextu modelu. Identitu Maverick, rozsah podporovaných jazyků a konečný artefakt propojený se zdroji ponechte výslovně uvedené a nepřebírejte limity nebo režimy jiného vydání Llama.
", "aboutText": "Llama 4 Maverick Instruct je nativně multimodální model společnosti Meta pro konverzaci s asistentem a vizuální uvažování. Přijímá vícejazyčný text a obrázky a generuje vícejazyčný text nebo kód. Jeho architektura mixture-of-experts používá časnou fúzi a kombinuje vizuální a textové informace uvnitř modelu, místo aby s obrázkem zacházela jako s nesouvisejícím popiskem dodaným samostatným textovým asistentem.\n\nInformace o modelu a kontext\n\nVýrobce pro Maverick uvádí 128 expertů, 17 miliard aktivních parametrů a celkem 400 miliard parametrů. To se liší od konfigurace Scout se 16 experty a celkem 109 miliardami parametrů, přestože oba modely nesou označení 17B aktivní velikosti. Název Instruct označuje checkpoint zaměřený na asistenta, nikoli předtrénovaný model Maverick.\n\nKarta modelu pro Maverick dokumentuje kontextové okno 1M. Kontext používejte k uchování příslušných pasáží, obrázků, konverzace a požadované odpovědi společně. Rozsáhlá kolekce zdrojů stále potřebuje definovanou otázku a artefakt. Označte zdrojové dokumenty a obrázky a požadujte umístění podporující každé extrahované zjištění namísto nesměrovaného shrnutí všeho materiálu.\n\nPodporovanými jazyky jsou arabština, angličtina, francouzština, němčina, hindština, indonéština, italština, portugalština, španělština, tagalog, thajština a vietnamština. Výrobce odlišuje těchto dvanáct podporovaných jazyků od širší kolekce přibližně dvou set jazyků používaných při předtrénování. Přítomnost jazyka v tréninku by se neměla měnit ve slib stejné schopnosti pro každý jazyk.\n\nChatové, vizuální a programátorské úlohy\n\nZamýšlená vizuální využití na kartě zahrnují rozpoznávání, uvažování nad obrázky, tvorbu popisků a odpovídání na obecné otázky k obrázku. U fotografie požadujte, aby model určil objekty nebo vztah relevantní k úloze. U grafu požadujte porovnání pojmenovaných řad se zachováním os a jednotek. U diagramu se zeptejte, které označené spojení podporuje dodaný požadavek.\n\nPři porovnání více obrázků určete roli každého z nich a požadujte napříč nimi stejná kritéria. Dodejte například původní návrh a jeho revizi a potom požadujte viditelné shody, rozdíly a podrobnosti, které obrázky nedokládají. Pozorování oddělujte od závěrů závislých na doprovodném textu. Výstup tak půjde snáze zkontrolovat proti skutečnému zdroji.\n\nVýrobce uvádí testování porozumění obrázkům až s pěti vstupními obrázky. Jde o zdokumentovaný testovaný rozsah, nikoli bezpodmínečné pevné maximum počtu obrázků. Zachovejte podrobnosti potřebné pro otázku a pořadí obrázků. Přidání velkého počtu nesouvisejících obrázků samo neurčuje, co by se mělo porovnávat.\n\nU programátorské úlohy poskytněte požadavek, příslušný zdroj a očekávané chování. Navrženou implementaci požadujte odděleně od jejích předpokladů a příkladů. Snímek obrazovky může dodat vizuální požadavky, zatímco textová podmínka dodává chování, které snímek nemůže ukázat. Generovaný kód je textový artefakt; jeho spuštění, kontrola vykresleného rozhraní nebo aplikace v repozitáři vyžadují připojené prostředí.\n\nPříprava konverzace a trénink\n\nKarta modelu ukazuje odpovídající procesor a chatovou šablonu se dvěma obrázky a psanou otázkou k porovnání. Role konverzace a spojení obrázků s textem ponechte výslovné. Systémový pokyn může definovat publikum, tón a strukturu odpovědi, zatímco uživatelská zpráva dodává skutečnou úlohu a podklady. Výrobce popisuje zlepšení řiditelnosti systémovým promptem a formátování konverzace po následném tréninku.\n\nMaverick je předtrénován přibližně na 22 bilionech tokenů multimodálních dat s uvedenou hranicí předtrénovacích dat v srpnu 2024. Jde o statickou hranici tréninkových dat, nikoli živý přístup k aktuálním informacím. Pokud otázka závisí na novějším nebo soukromém materiálu, poskytněte jej jako zdrojový kontext nebo prostřednictvím samostatně připojené vyhledávací operace.\n\nVydání zahrnuje váhy BF16 a samostatně kvantizované váhy FP8. Tyto volby přesnosti nevytvářejí další vstupní modalitu ani nepřidělují Mavericku kontext 10M modelu Scout. Při porovnávání opakované úlohy nebo odvozeného nasazení zachovejte přesný checkpoint Instruct a jeho konfiguraci.\n\nPraktický návrh výsledku\n\nÚloha s obrázkem dokumentu může požadovat identifikátor zdroje, viditelné tvrzení, extrahovanou hodnotu a interpretaci jako samostatná pole. Konverzační vysvětlení může zachovat původní termíny a přizpůsobit prózu podporovanému jazyku čtenáře. Programátorský požadavek může vrátit upravený úsek a příklady odlišující jeho zamýšlené chování.\n\nPřed dodáním materiálu definujte způsob využití konečného výsledku. Krátký popisek, porovnávací tabulka a navržený program řeší různé úlohy, i když sdílejí stejné obrázky. Vizuální a jazykové schopnosti modelu poskytují interpretaci a text; externí vyhledávání, vykonávání nebo vytváření souborů zajišťují komponenty aplikace.\n\nKonkrétní hranice\n\nZde zdokumentovanými vstupy jsou text a obrázky s textovým a kódovým výstupem. Této edici Maverick nemají být přiřazovány porozumění zvuku nebo videu, generování řeči ani pojmenované ovládání úsilí při uvažování Muse Spark. Llama Guard je také samostatně trénovaný klasifikátor, nikoli automatický klasifikační výstup odpovědi Maverick.\n\nPříklad generování 256 tokenů na kartě je ukázkové nastavení a prostudované zdroje nestanovují samostatné pevné maximum výstupních tokenů nad rámec specifikace kontextu modelu. Identitu Maverick, rozsah podporovaných jazyků a konečný artefakt propojený se zdroji ponechte výslovně uvedené a nepřebírejte limity nebo režimy jiného vydání Llama.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick je nativní model Instruct společnosti Meta pro text a obrázky se 128 experty, 17 miliardami aktivních a celkem 400 miliardami parametrů. Výrobce dokumentuje kontext 1M, vícejazyčný textový a kódový výstup, vizuální rozpoznávání, tvorbu popisků a otázky k obrázkům ve vydání odlišném od Scout.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama 4 Maverick Instruct je nativně multimodální model společnosti Meta pro konverzaci s asistentem a vizuální uvažování. Přijímá vícejazyčný text a obrázky a generuje vícejazyčný text nebo kód. Jeho architektura mixture-of-experts používá časnou fúzi a kombinuje vizuální a textové informace uvnitř modelu, místo aby s obrázkem zacházela jako s nesouvisejícím popiskem dodaným samostatným textovým asistentem.
Informace o modelu a kontext
Výrobce pro Maverick uvádí 128 expertů, 17 miliard aktivních parametrů a celkem 400 miliard parametrů. To se liší od konfigurace Scout se 16 experty a celkem 109 miliardami parametrů, přestože oba modely nesou označení 17B aktivní velikosti. Název Instruct označuje checkpoint zaměřený na asistenta, nikoli předtrénovaný model Maverick.
Karta modelu pro Maverick dokumentuje kontextové okno 1M. Kontext používejte k uchování příslušných pasáží, obrázků, konverzace a požadované odpovědi společně. Rozsáhlá kolekce zdrojů stále potřebuje definovanou otázku a artefakt. Označte zdrojové dokumenty a obrázky a požadujte umístění podporující každé extrahované zjištění namísto nesměrovaného shrnutí všeho materiálu.
Podporovanými jazyky jsou arabština, angličtina, francouzština, němčina, hindština, indonéština, italština, portugalština, španělština, tagalog, thajština a vietnamština. Výrobce odlišuje těchto dvanáct podporovaných jazyků od širší kolekce přibližně dvou set jazyků používaných při předtrénování. Přítomnost jazyka v tréninku by se neměla měnit ve slib stejné schopnosti pro každý jazyk.
Chatové, vizuální a programátorské úlohy
Zamýšlená vizuální využití na kartě zahrnují rozpoznávání, uvažování nad obrázky, tvorbu popisků a odpovídání na obecné otázky k obrázku. U fotografie požadujte, aby model určil objekty nebo vztah relevantní k úloze. U grafu požadujte porovnání pojmenovaných řad se zachováním os a jednotek. U diagramu se zeptejte, které označené spojení podporuje dodaný požadavek.
Při porovnání více obrázků určete roli každého z nich a požadujte napříč nimi stejná kritéria. Dodejte například původní návrh a jeho revizi a potom požadujte viditelné shody, rozdíly a podrobnosti, které obrázky nedokládají. Pozorování oddělujte od závěrů závislých na doprovodném textu. Výstup tak půjde snáze zkontrolovat proti skutečnému zdroji.
Výrobce uvádí testování porozumění obrázkům až s pěti vstupními obrázky. Jde o zdokumentovaný testovaný rozsah, nikoli bezpodmínečné pevné maximum počtu obrázků. Zachovejte podrobnosti potřebné pro otázku a pořadí obrázků. Přidání velkého počtu nesouvisejících obrázků samo neurčuje, co by se mělo porovnávat.
U programátorské úlohy poskytněte požadavek, příslušný zdroj a očekávané chování. Navrženou implementaci požadujte odděleně od jejích předpokladů a příkladů. Snímek obrazovky může dodat vizuální požadavky, zatímco textová podmínka dodává chování, které snímek nemůže ukázat. Generovaný kód je textový artefakt; jeho spuštění, kontrola vykresleného rozhraní nebo aplikace v repozitáři vyžadují připojené prostředí.
Příprava konverzace a trénink
Karta modelu ukazuje odpovídající procesor a chatovou šablonu se dvěma obrázky a psanou otázkou k porovnání. Role konverzace a spojení obrázků s textem ponechte výslovné. Systémový pokyn může definovat publikum, tón a strukturu odpovědi, zatímco uživatelská zpráva dodává skutečnou úlohu a podklady. Výrobce popisuje zlepšení řiditelnosti systémovým promptem a formátování konverzace po následném tréninku.
Maverick je předtrénován přibližně na 22 bilionech tokenů multimodálních dat s uvedenou hranicí předtrénovacích dat v srpnu 2024. Jde o statickou hranici tréninkových dat, nikoli živý přístup k aktuálním informacím. Pokud otázka závisí na novějším nebo soukromém materiálu, poskytněte jej jako zdrojový kontext nebo prostřednictvím samostatně připojené vyhledávací operace.
Vydání zahrnuje váhy BF16 a samostatně kvantizované váhy FP8. Tyto volby přesnosti nevytvářejí další vstupní modalitu ani nepřidělují Mavericku kontext 10M modelu Scout. Při porovnávání opakované úlohy nebo odvozeného nasazení zachovejte přesný checkpoint Instruct a jeho konfiguraci.
Praktický návrh výsledku
Úloha s obrázkem dokumentu může požadovat identifikátor zdroje, viditelné tvrzení, extrahovanou hodnotu a interpretaci jako samostatná pole. Konverzační vysvětlení může zachovat původní termíny a přizpůsobit prózu podporovanému jazyku čtenáře. Programátorský požadavek může vrátit upravený úsek a příklady odlišující jeho zamýšlené chování.
Před dodáním materiálu definujte způsob využití konečného výsledku. Krátký popisek, porovnávací tabulka a navržený program řeší různé úlohy, i když sdílejí stejné obrázky. Vizuální a jazykové schopnosti modelu poskytují interpretaci a text; externí vyhledávání, vykonávání nebo vytváření souborů zajišťují komponenty aplikace.
Konkrétní hranice
Zde zdokumentovanými vstupy jsou text a obrázky s textovým a kódovým výstupem. Této edici Maverick nemají být přiřazovány porozumění zvuku nebo videu, generování řeči ani pojmenované ovládání úsilí při uvažování Muse Spark. Llama Guard je také samostatně trénovaný klasifikátor, nikoli automatický klasifikační výstup odpovědi Maverick.
Příklad generování 256 tokenů na kartě je ukázkové nastavení a prostudované zdroje nestanovují samostatné pevné maximum výstupních tokenů nad rámec specifikace kontextu modelu. Identitu Maverick, rozsah podporovaných jazyků a konečný artefakt propojený se zdroji ponechte výslovně uvedené a nepřebírejte limity nebo režimy jiného vydání Llama.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity llama-4-maverick | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Textová konverzace | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream |
Parametrcontrol_scope | KontraktTextová konverzace; stream je booleovská hodnota a ve výchozím nastavení je false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000375 / 1K tokenů Výstup · Výstupní tokeny $0.001305 / 1K tokenů Vstup · Čtení z mezipaměti $0.0001 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000375 / 1K tokenů Výstup · Výstupní tokeny $0.001305 / 1K tokenů Vstup · Čtení z mezipaměti $0.0001 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick je nativní model Instruct společnosti Meta pro text a obrázky se 128 experty, 17 miliardami aktivních a celkem 400 miliardami parametrů. Výrobce dokumentuje kontext 1M, vícejazyčný textový a kódový výstup, vizuální rozpoznávání, tvorbu popisků a otázky k obrázkům ve vydání odlišném od Scout.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama 4 Maverick Instruct je nativně multimodální model společnosti Meta pro konverzaci s asistentem a vizuální uvažování. Přijímá vícejazyčný text a obrázky a generuje vícejazyčný text nebo kód. Jeho architektura mixture-of-experts používá časnou fúzi a kombinuje vizuální a textové informace uvnitř modelu, místo aby s obrázkem zacházela jako s nesouvisejícím popiskem dodaným samostatným textovým asistentem.
Informace o modelu a kontext
Výrobce pro Maverick uvádí 128 expertů, 17 miliard aktivních parametrů a celkem 400 miliard parametrů. To se liší od konfigurace Scout se 16 experty a celkem 109 miliardami parametrů, přestože oba modely nesou označení 17B aktivní velikosti. Název Instruct označuje checkpoint zaměřený na asistenta, nikoli předtrénovaný model Maverick.
Karta modelu pro Maverick dokumentuje kontextové okno 1M. Kontext používejte k uchování příslušných pasáží, obrázků, konverzace a požadované odpovědi společně. Rozsáhlá kolekce zdrojů stále potřebuje definovanou otázku a artefakt. Označte zdrojové dokumenty a obrázky a požadujte umístění podporující každé extrahované zjištění namísto nesměrovaného shrnutí všeho materiálu.
Podporovanými jazyky jsou arabština, angličtina, francouzština, němčina, hindština, indonéština, italština, portugalština, španělština, tagalog, thajština a vietnamština. Výrobce odlišuje těchto dvanáct podporovaných jazyků od širší kolekce přibližně dvou set jazyků používaných při předtrénování. Přítomnost jazyka v tréninku by se neměla měnit ve slib stejné schopnosti pro každý jazyk.
Chatové, vizuální a programátorské úlohy
Zamýšlená vizuální využití na kartě zahrnují rozpoznávání, uvažování nad obrázky, tvorbu popisků a odpovídání na obecné otázky k obrázku. U fotografie požadujte, aby model určil objekty nebo vztah relevantní k úloze. U grafu požadujte porovnání pojmenovaných řad se zachováním os a jednotek. U diagramu se zeptejte, které označené spojení podporuje dodaný požadavek.
Při porovnání více obrázků určete roli každého z nich a požadujte napříč nimi stejná kritéria. Dodejte například původní návrh a jeho revizi a potom požadujte viditelné shody, rozdíly a podrobnosti, které obrázky nedokládají. Pozorování oddělujte od závěrů závislých na doprovodném textu. Výstup tak půjde snáze zkontrolovat proti skutečnému zdroji.
Výrobce uvádí testování porozumění obrázkům až s pěti vstupními obrázky. Jde o zdokumentovaný testovaný rozsah, nikoli bezpodmínečné pevné maximum počtu obrázků. Zachovejte podrobnosti potřebné pro otázku a pořadí obrázků. Přidání velkého počtu nesouvisejících obrázků samo neurčuje, co by se mělo porovnávat.
U programátorské úlohy poskytněte požadavek, příslušný zdroj a očekávané chování. Navrženou implementaci požadujte odděleně od jejích předpokladů a příkladů. Snímek obrazovky může dodat vizuální požadavky, zatímco textová podmínka dodává chování, které snímek nemůže ukázat. Generovaný kód je textový artefakt; jeho spuštění, kontrola vykresleného rozhraní nebo aplikace v repozitáři vyžadují připojené prostředí.
Příprava konverzace a trénink
Karta modelu ukazuje odpovídající procesor a chatovou šablonu se dvěma obrázky a psanou otázkou k porovnání. Role konverzace a spojení obrázků s textem ponechte výslovné. Systémový pokyn může definovat publikum, tón a strukturu odpovědi, zatímco uživatelská zpráva dodává skutečnou úlohu a podklady. Výrobce popisuje zlepšení řiditelnosti systémovým promptem a formátování konverzace po následném tréninku.
Maverick je předtrénován přibližně na 22 bilionech tokenů multimodálních dat s uvedenou hranicí předtrénovacích dat v srpnu 2024. Jde o statickou hranici tréninkových dat, nikoli živý přístup k aktuálním informacím. Pokud otázka závisí na novějším nebo soukromém materiálu, poskytněte jej jako zdrojový kontext nebo prostřednictvím samostatně připojené vyhledávací operace.
Vydání zahrnuje váhy BF16 a samostatně kvantizované váhy FP8. Tyto volby přesnosti nevytvářejí další vstupní modalitu ani nepřidělují Mavericku kontext 10M modelu Scout. Při porovnávání opakované úlohy nebo odvozeného nasazení zachovejte přesný checkpoint Instruct a jeho konfiguraci.
Praktický návrh výsledku
Úloha s obrázkem dokumentu může požadovat identifikátor zdroje, viditelné tvrzení, extrahovanou hodnotu a interpretaci jako samostatná pole. Konverzační vysvětlení může zachovat původní termíny a přizpůsobit prózu podporovanému jazyku čtenáře. Programátorský požadavek může vrátit upravený úsek a příklady odlišující jeho zamýšlené chování.
Před dodáním materiálu definujte způsob využití konečného výsledku. Krátký popisek, porovnávací tabulka a navržený program řeší různé úlohy, i když sdílejí stejné obrázky. Vizuální a jazykové schopnosti modelu poskytují interpretaci a text; externí vyhledávání, vykonávání nebo vytváření souborů zajišťují komponenty aplikace.
Konkrétní hranice
Zde zdokumentovanými vstupy jsou text a obrázky s textovým a kódovým výstupem. Této edici Maverick nemají být přiřazovány porozumění zvuku nebo videu, generování řeči ani pojmenované ovládání úsilí při uvažování Muse Spark. Llama Guard je také samostatně trénovaný klasifikátor, nikoli automatický klasifikační výstup odpovědi Maverick.
Příklad generování 256 tokenů na kartě je ukázkové nastavení a prostudované zdroje nestanovují samostatné pevné maximum výstupních tokenů nad rámec specifikace kontextu modelu. Identitu Maverick, rozsah podporovaných jazyků a konečný artefakt propojený se zdroji ponechte výslovně uvedené a nepřebírejte limity nebo režimy jiného vydání Llama.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity llama-4-maverick | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000375 / 1K tokenů Výstup · Výstupní tokeny $0.001305 / 1K tokenů Vstup · Čtení z mezipaměti $0.0001 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000375 / 1K tokenů Výstup · Výstupní tokeny $0.001305 / 1K tokenů Vstup · Čtení z mezipaměti $0.0001 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick je nativní model Instruct společnosti Meta pro text a obrázky se 128 experty, 17 miliardami aktivních a celkem 400 miliardami parametrů. Výrobce dokumentuje kontext 1M, vícejazyčný textový a kódový výstup, vizuální rozpoznávání, tvorbu popisků a otázky k obrázkům ve vydání odlišném od Scout.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama 4 Maverick Instruct je nativně multimodální model společnosti Meta pro konverzaci s asistentem a vizuální uvažování. Přijímá vícejazyčný text a obrázky a generuje vícejazyčný text nebo kód. Jeho architektura mixture-of-experts používá časnou fúzi a kombinuje vizuální a textové informace uvnitř modelu, místo aby s obrázkem zacházela jako s nesouvisejícím popiskem dodaným samostatným textovým asistentem.
Informace o modelu a kontext
Výrobce pro Maverick uvádí 128 expertů, 17 miliard aktivních parametrů a celkem 400 miliard parametrů. To se liší od konfigurace Scout se 16 experty a celkem 109 miliardami parametrů, přestože oba modely nesou označení 17B aktivní velikosti. Název Instruct označuje checkpoint zaměřený na asistenta, nikoli předtrénovaný model Maverick.
Karta modelu pro Maverick dokumentuje kontextové okno 1M. Kontext používejte k uchování příslušných pasáží, obrázků, konverzace a požadované odpovědi společně. Rozsáhlá kolekce zdrojů stále potřebuje definovanou otázku a artefakt. Označte zdrojové dokumenty a obrázky a požadujte umístění podporující každé extrahované zjištění namísto nesměrovaného shrnutí všeho materiálu.
Podporovanými jazyky jsou arabština, angličtina, francouzština, němčina, hindština, indonéština, italština, portugalština, španělština, tagalog, thajština a vietnamština. Výrobce odlišuje těchto dvanáct podporovaných jazyků od širší kolekce přibližně dvou set jazyků používaných při předtrénování. Přítomnost jazyka v tréninku by se neměla měnit ve slib stejné schopnosti pro každý jazyk.
Chatové, vizuální a programátorské úlohy
Zamýšlená vizuální využití na kartě zahrnují rozpoznávání, uvažování nad obrázky, tvorbu popisků a odpovídání na obecné otázky k obrázku. U fotografie požadujte, aby model určil objekty nebo vztah relevantní k úloze. U grafu požadujte porovnání pojmenovaných řad se zachováním os a jednotek. U diagramu se zeptejte, které označené spojení podporuje dodaný požadavek.
Při porovnání více obrázků určete roli každého z nich a požadujte napříč nimi stejná kritéria. Dodejte například původní návrh a jeho revizi a potom požadujte viditelné shody, rozdíly a podrobnosti, které obrázky nedokládají. Pozorování oddělujte od závěrů závislých na doprovodném textu. Výstup tak půjde snáze zkontrolovat proti skutečnému zdroji.
Výrobce uvádí testování porozumění obrázkům až s pěti vstupními obrázky. Jde o zdokumentovaný testovaný rozsah, nikoli bezpodmínečné pevné maximum počtu obrázků. Zachovejte podrobnosti potřebné pro otázku a pořadí obrázků. Přidání velkého počtu nesouvisejících obrázků samo neurčuje, co by se mělo porovnávat.
U programátorské úlohy poskytněte požadavek, příslušný zdroj a očekávané chování. Navrženou implementaci požadujte odděleně od jejích předpokladů a příkladů. Snímek obrazovky může dodat vizuální požadavky, zatímco textová podmínka dodává chování, které snímek nemůže ukázat. Generovaný kód je textový artefakt; jeho spuštění, kontrola vykresleného rozhraní nebo aplikace v repozitáři vyžadují připojené prostředí.
Příprava konverzace a trénink
Karta modelu ukazuje odpovídající procesor a chatovou šablonu se dvěma obrázky a psanou otázkou k porovnání. Role konverzace a spojení obrázků s textem ponechte výslovné. Systémový pokyn může definovat publikum, tón a strukturu odpovědi, zatímco uživatelská zpráva dodává skutečnou úlohu a podklady. Výrobce popisuje zlepšení řiditelnosti systémovým promptem a formátování konverzace po následném tréninku.
Maverick je předtrénován přibližně na 22 bilionech tokenů multimodálních dat s uvedenou hranicí předtrénovacích dat v srpnu 2024. Jde o statickou hranici tréninkových dat, nikoli živý přístup k aktuálním informacím. Pokud otázka závisí na novějším nebo soukromém materiálu, poskytněte jej jako zdrojový kontext nebo prostřednictvím samostatně připojené vyhledávací operace.
Vydání zahrnuje váhy BF16 a samostatně kvantizované váhy FP8. Tyto volby přesnosti nevytvářejí další vstupní modalitu ani nepřidělují Mavericku kontext 10M modelu Scout. Při porovnávání opakované úlohy nebo odvozeného nasazení zachovejte přesný checkpoint Instruct a jeho konfiguraci.
Praktický návrh výsledku
Úloha s obrázkem dokumentu může požadovat identifikátor zdroje, viditelné tvrzení, extrahovanou hodnotu a interpretaci jako samostatná pole. Konverzační vysvětlení může zachovat původní termíny a přizpůsobit prózu podporovanému jazyku čtenáře. Programátorský požadavek může vrátit upravený úsek a příklady odlišující jeho zamýšlené chování.
Před dodáním materiálu definujte způsob využití konečného výsledku. Krátký popisek, porovnávací tabulka a navržený program řeší různé úlohy, i když sdílejí stejné obrázky. Vizuální a jazykové schopnosti modelu poskytují interpretaci a text; externí vyhledávání, vykonávání nebo vytváření souborů zajišťují komponenty aplikace.
Konkrétní hranice
Zde zdokumentovanými vstupy jsou text a obrázky s textovým a kódovým výstupem. Této edici Maverick nemají být přiřazovány porozumění zvuku nebo videu, generování řeči ani pojmenované ovládání úsilí při uvažování Muse Spark. Llama Guard je také samostatně trénovaný klasifikátor, nikoli automatický klasifikační výstup odpovědi Maverick.
Příklad generování 256 tokenů na kartě je ukázkové nastavení a prostudované zdroje nestanovují samostatné pevné maximum výstupních tokenů nad rámec specifikace kontextu modelu. Identitu Maverick, rozsah podporovaných jazyků a konečný artefakt propojený se zdroji ponechte výslovně uvedené a nepřebírejte limity nebo režimy jiného vydání Llama.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity meta-llama/llama-4-maverick | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000375 / 1K tokenů Výstup · Výstupní tokeny $0.001305 / 1K tokenů Vstup · Čtení z mezipaměti $0.0001 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000375 / 1K tokenů Výstup · Výstupní tokeny $0.001305 / 1K tokenů Vstup · Čtení z mezipaměti $0.0001 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick je nativní model Instruct společnosti Meta pro text a obrázky se 128 experty, 17 miliardami aktivních a celkem 400 miliardami parametrů. Výrobce dokumentuje kontext 1M, vícejazyčný textový a kódový výstup, vizuální rozpoznávání, tvorbu popisků a otázky k obrázkům ve vydání odlišném od Scout.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama 4 Maverick Instruct je nativně multimodální model společnosti Meta pro konverzaci s asistentem a vizuální uvažování. Přijímá vícejazyčný text a obrázky a generuje vícejazyčný text nebo kód. Jeho architektura mixture-of-experts používá časnou fúzi a kombinuje vizuální a textové informace uvnitř modelu, místo aby s obrázkem zacházela jako s nesouvisejícím popiskem dodaným samostatným textovým asistentem.
Informace o modelu a kontext
Výrobce pro Maverick uvádí 128 expertů, 17 miliard aktivních parametrů a celkem 400 miliard parametrů. To se liší od konfigurace Scout se 16 experty a celkem 109 miliardami parametrů, přestože oba modely nesou označení 17B aktivní velikosti. Název Instruct označuje checkpoint zaměřený na asistenta, nikoli předtrénovaný model Maverick.
Karta modelu pro Maverick dokumentuje kontextové okno 1M. Kontext používejte k uchování příslušných pasáží, obrázků, konverzace a požadované odpovědi společně. Rozsáhlá kolekce zdrojů stále potřebuje definovanou otázku a artefakt. Označte zdrojové dokumenty a obrázky a požadujte umístění podporující každé extrahované zjištění namísto nesměrovaného shrnutí všeho materiálu.
Podporovanými jazyky jsou arabština, angličtina, francouzština, němčina, hindština, indonéština, italština, portugalština, španělština, tagalog, thajština a vietnamština. Výrobce odlišuje těchto dvanáct podporovaných jazyků od širší kolekce přibližně dvou set jazyků používaných při předtrénování. Přítomnost jazyka v tréninku by se neměla měnit ve slib stejné schopnosti pro každý jazyk.
Chatové, vizuální a programátorské úlohy
Zamýšlená vizuální využití na kartě zahrnují rozpoznávání, uvažování nad obrázky, tvorbu popisků a odpovídání na obecné otázky k obrázku. U fotografie požadujte, aby model určil objekty nebo vztah relevantní k úloze. U grafu požadujte porovnání pojmenovaných řad se zachováním os a jednotek. U diagramu se zeptejte, které označené spojení podporuje dodaný požadavek.
Při porovnání více obrázků určete roli každého z nich a požadujte napříč nimi stejná kritéria. Dodejte například původní návrh a jeho revizi a potom požadujte viditelné shody, rozdíly a podrobnosti, které obrázky nedokládají. Pozorování oddělujte od závěrů závislých na doprovodném textu. Výstup tak půjde snáze zkontrolovat proti skutečnému zdroji.
Výrobce uvádí testování porozumění obrázkům až s pěti vstupními obrázky. Jde o zdokumentovaný testovaný rozsah, nikoli bezpodmínečné pevné maximum počtu obrázků. Zachovejte podrobnosti potřebné pro otázku a pořadí obrázků. Přidání velkého počtu nesouvisejících obrázků samo neurčuje, co by se mělo porovnávat.
U programátorské úlohy poskytněte požadavek, příslušný zdroj a očekávané chování. Navrženou implementaci požadujte odděleně od jejích předpokladů a příkladů. Snímek obrazovky může dodat vizuální požadavky, zatímco textová podmínka dodává chování, které snímek nemůže ukázat. Generovaný kód je textový artefakt; jeho spuštění, kontrola vykresleného rozhraní nebo aplikace v repozitáři vyžadují připojené prostředí.
Příprava konverzace a trénink
Karta modelu ukazuje odpovídající procesor a chatovou šablonu se dvěma obrázky a psanou otázkou k porovnání. Role konverzace a spojení obrázků s textem ponechte výslovné. Systémový pokyn může definovat publikum, tón a strukturu odpovědi, zatímco uživatelská zpráva dodává skutečnou úlohu a podklady. Výrobce popisuje zlepšení řiditelnosti systémovým promptem a formátování konverzace po následném tréninku.
Maverick je předtrénován přibližně na 22 bilionech tokenů multimodálních dat s uvedenou hranicí předtrénovacích dat v srpnu 2024. Jde o statickou hranici tréninkových dat, nikoli živý přístup k aktuálním informacím. Pokud otázka závisí na novějším nebo soukromém materiálu, poskytněte jej jako zdrojový kontext nebo prostřednictvím samostatně připojené vyhledávací operace.
Vydání zahrnuje váhy BF16 a samostatně kvantizované váhy FP8. Tyto volby přesnosti nevytvářejí další vstupní modalitu ani nepřidělují Mavericku kontext 10M modelu Scout. Při porovnávání opakované úlohy nebo odvozeného nasazení zachovejte přesný checkpoint Instruct a jeho konfiguraci.
Praktický návrh výsledku
Úloha s obrázkem dokumentu může požadovat identifikátor zdroje, viditelné tvrzení, extrahovanou hodnotu a interpretaci jako samostatná pole. Konverzační vysvětlení může zachovat původní termíny a přizpůsobit prózu podporovanému jazyku čtenáře. Programátorský požadavek může vrátit upravený úsek a příklady odlišující jeho zamýšlené chování.
Před dodáním materiálu definujte způsob využití konečného výsledku. Krátký popisek, porovnávací tabulka a navržený program řeší různé úlohy, i když sdílejí stejné obrázky. Vizuální a jazykové schopnosti modelu poskytují interpretaci a text; externí vyhledávání, vykonávání nebo vytváření souborů zajišťují komponenty aplikace.
Konkrétní hranice
Zde zdokumentovanými vstupy jsou text a obrázky s textovým a kódovým výstupem. Této edici Maverick nemají být přiřazovány porozumění zvuku nebo videu, generování řeči ani pojmenované ovládání úsilí při uvažování Muse Spark. Llama Guard je také samostatně trénovaný klasifikátor, nikoli automatický klasifikační výstup odpovědi Maverick.
Příklad generování 256 tokenů na kartě je ukázkové nastavení a prostudované zdroje nestanovují samostatné pevné maximum výstupních tokenů nad rámec specifikace kontextu modelu. Identitu Maverick, rozsah podporovaných jazyků a konečný artefakt propojený se zdroji ponechte výslovně uvedené a nepřebírejte limity nebo režimy jiného vydání Llama.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity meta-llama/llama-4-maverick | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000375 / 1K tokenů Výstup · Výstupní tokeny $0.001305 / 1K tokenů Vstup · Čtení z mezipaměti $0.0001 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000375 / 1K tokenů Výstup · Výstupní tokeny $0.001305 / 1K tokenů Vstup · Čtení z mezipaměti $0.0001 / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Technický příklad v angličtině
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.