Gemma 3 27B IT er den instruktionstilpassede udgave i størrelsesklassen 27B i Googles Gemma 3-familie. Den kombinerer tekstgenerering med billedforståelse og er adskilt fra det fortrænede 27B-checkpoint og de mindre modeller 4B og 12B IT. Resultatet er tekst: en kildebaseret forklaring, sammenfatning, et dokumentudkast, et svar eller et kodeforslag. Den instruktionstilpassede model er designet til at følge en samtale og en ønsket opgave frem for blot at fungere som en rå tekstfuldførelsesmodel.
Producentens modelkort angiver en samlet kontekst på 128K tokens for denne størrelse. Input og output deler kapaciteten, så det genererede svar bruger den plads, der er tilbage efter anmodningen. En stor samling skal bevare kildeidentifikatorer og stadig efterlade plads til det ønskede resultat. Billedvisninger i basisforløbet normaliseres til 896×896 og kodes til 256 visuelle tokens. Forklar ved en samlet tekst- og billedanalyse, hvordan et sidebillede, diagram eller skærmbillede hænger sammen med de skriftlige kilder, så modellen har ét sammenhængende spørgsmål at besvare.
Det rapporterede fortræningsbudget for 27B-modellen er 14 billioner tokens. Familiens data omfatter webdokumenter på mere end 140 sprog, kode, matematik og billeder. Træningen bruger vidensdestillation, og eftertræningsmetoden tilføjer instruktionsfølgning og mål for forstærkningslæring inden for hjælpsomhed, matematik, programmering, ræsonnering og flersproget adfærd. Disse fakta beskriver producentens modeludviklingsproces. De erstatter ikke kontrol af en genereret påstand mod dens kilde eller kørsel af et foreslået program med de tilsigtede input.
Den tekniske rapport beskriver en transformer med kun en decoder, grouped-query attention og fem lokale opmærksomhedslag for hvert globalt lag. Det lokale spænd er 1.024 tokens, mens globale lag muliggør interaktioner over den længere kontekst. Familiens fælles SigLIP-billedencoder repræsenterer visuelle input for sprogmodellen. Dens SentencePiece-tokenizer bruger opdelte cifre, bevarede blanktegn og kodning på byteniveau. Bevar talnotation, kodeindrykning og kildesprogets terminologi, når de er relevante for fortolkningen.
For ikke-kvadratiske eller detaljerede billeder beskriver rapporten Pan and Scan, som kan tilføje ikke-overlappende udsnit, før visningerne skaleres til billedencoderen. Dette hjælper med at bevare små detaljer, som en enkelt kvadratisk skalering kan miste, men den faktiske behandlingsopsætning er vigtig. En forskningsopgave eller en opgave med tekniske dokumenter kan give både en hel side og en læsbar diagramdetalje og angive deres forhold. Bed svaret om at identificere de synlige værdier, den relevante tekstbetingelse og den konklusion, der understøttes af begge.
Brug producentens native IT-samtaleformat med user- og model-ture. En særskilt system-tur understøttes ikke i det format; placér rolle- og svarinstruktioner i den første user-besked, og brug den angivne formateringsmetode. Angiv spørgsmålet, de afsnit, der skal sammenlignes, og prioriteringsreglerne, hvis kilderne er uenige, ved en lang rapport. Et originalt eksempel er at afstemme en skriftlig specifikation med et diagram og returnere en kravtabel, en liste over afvigelser og de antagelser, der kræves til en foreslået løsning.
De tilsigtede anvendelser omfatter skrivning, sammenfatning, samtale, udtræk af billeddata og udforskning til undervisning eller forskning. Giv det faktiske modul, inputeksempler og grænsefladebegrænsninger til kodeanalyse, og bed derefter om en forklaring eller foreslået ændring, der er knyttet til disse fakta. Angiv målgruppen og de begreber, der skal forblive uændrede, ved flersproget skrivning. Bed om observationer knyttet til navngivne elementer frem for en generel billedbeskrivelse ved et visuelt spørgsmål. Kvantiserede familiecheckpoints er særskilt offentliggjorte artefakter, så bevar den præcise identitet for 27B IT og behandlingsindstillingerne, når du sammenligner resultater.
Producenten bemærker, at modeller kan give ukorrekte eller forældede fakta og have svært ved tvetydighed, nuancer og meget åbne instruktioner. Google advarer også om, at et plausibelt sprogmønster kan give et svar, der overser en almindelig begrænsning fra den virkelige verden. Mere kontekst er kun nyttig, når de relevante betingelser er klare. Bevar originalkilderne, kontrollér udtrukne data og beregninger, og validér ethvert svar, der ligner strukturerede data, før du behandler det som en post. En forklaring baseret på flere kilder skal skelne mellem leveret dokumentation, fortolkning og manglende oplysninger. Denne 27B-profil understøtter en forberedt ræsonneringsopgave med tekst og billeder; informationshentning, værktøjsudførelse eller faktuel opdatering udført af en applikation kræver sin egen returnerede dokumentation og må ikke udledes af flydende output.
", "aboutText": "Gemma 3 27B IT er den instruktionstilpassede udgave i størrelsesklassen 27B i Googles Gemma 3-familie. Den kombinerer tekstgenerering med billedforståelse og er adskilt fra det fortrænede 27B-checkpoint og de mindre modeller 4B og 12B IT. Resultatet er tekst: en kildebaseret forklaring, sammenfatning, et dokumentudkast, et svar eller et kodeforslag. Den instruktionstilpassede model er designet til at følge en samtale og en ønsket opgave frem for blot at fungere som en rå tekstfuldførelsesmodel.\n\nProducentens modelkort angiver en samlet kontekst på 128K tokens for denne størrelse. Input og output deler kapaciteten, så det genererede svar bruger den plads, der er tilbage efter anmodningen. En stor samling skal bevare kildeidentifikatorer og stadig efterlade plads til det ønskede resultat. Billedvisninger i basisforløbet normaliseres til 896×896 og kodes til 256 visuelle tokens. Forklar ved en samlet tekst- og billedanalyse, hvordan et sidebillede, diagram eller skærmbillede hænger sammen med de skriftlige kilder, så modellen har ét sammenhængende spørgsmål at besvare.\n\nDet rapporterede fortræningsbudget for 27B-modellen er 14 billioner tokens. Familiens data omfatter webdokumenter på mere end 140 sprog, kode, matematik og billeder. Træningen bruger vidensdestillation, og eftertræningsmetoden tilføjer instruktionsfølgning og mål for forstærkningslæring inden for hjælpsomhed, matematik, programmering, ræsonnering og flersproget adfærd. Disse fakta beskriver producentens modeludviklingsproces. De erstatter ikke kontrol af en genereret påstand mod dens kilde eller kørsel af et foreslået program med de tilsigtede input.\n\nDen tekniske rapport beskriver en transformer med kun en decoder, grouped-query attention og fem lokale opmærksomhedslag for hvert globalt lag. Det lokale spænd er 1.024 tokens, mens globale lag muliggør interaktioner over den længere kontekst. Familiens fælles SigLIP-billedencoder repræsenterer visuelle input for sprogmodellen. Dens SentencePiece-tokenizer bruger opdelte cifre, bevarede blanktegn og kodning på byteniveau. Bevar talnotation, kodeindrykning og kildesprogets terminologi, når de er relevante for fortolkningen.\n\nFor ikke-kvadratiske eller detaljerede billeder beskriver rapporten Pan and Scan, som kan tilføje ikke-overlappende udsnit, før visningerne skaleres til billedencoderen. Dette hjælper med at bevare små detaljer, som en enkelt kvadratisk skalering kan miste, men den faktiske behandlingsopsætning er vigtig. En forskningsopgave eller en opgave med tekniske dokumenter kan give både en hel side og en læsbar diagramdetalje og angive deres forhold. Bed svaret om at identificere de synlige værdier, den relevante tekstbetingelse og den konklusion, der understøttes af begge.\n\nBrug producentens native IT-samtaleformat med user- og model-ture. En særskilt system-tur understøttes ikke i det format; placér rolle- og svarinstruktioner i den første user-besked, og brug den angivne formateringsmetode. Angiv spørgsmålet, de afsnit, der skal sammenlignes, og prioriteringsreglerne, hvis kilderne er uenige, ved en lang rapport. Et originalt eksempel er at afstemme en skriftlig specifikation med et diagram og returnere en kravtabel, en liste over afvigelser og de antagelser, der kræves til en foreslået løsning.\n\nDe tilsigtede anvendelser omfatter skrivning, sammenfatning, samtale, udtræk af billeddata og udforskning til undervisning eller forskning. Giv det faktiske modul, inputeksempler og grænsefladebegrænsninger til kodeanalyse, og bed derefter om en forklaring eller foreslået ændring, der er knyttet til disse fakta. Angiv målgruppen og de begreber, der skal forblive uændrede, ved flersproget skrivning. Bed om observationer knyttet til navngivne elementer frem for en generel billedbeskrivelse ved et visuelt spørgsmål. Kvantiserede familiecheckpoints er særskilt offentliggjorte artefakter, så bevar den præcise identitet for 27B IT og behandlingsindstillingerne, når du sammenligner resultater.\n\nProducenten bemærker, at modeller kan give ukorrekte eller forældede fakta og have svært ved tvetydighed, nuancer og meget åbne instruktioner. Google advarer også om, at et plausibelt sprogmønster kan give et svar, der overser en almindelig begrænsning fra den virkelige verden. Mere kontekst er kun nyttig, når de relevante betingelser er klare. Bevar originalkilderne, kontrollér udtrukne data og beregninger, og validér ethvert svar, der ligner strukturerede data, før du behandler det som en post. En forklaring baseret på flere kilder skal skelne mellem leveret dokumentation, fortolkning og manglende oplysninger. Denne 27B-profil understøtter en forberedt ræsonneringsopgave med tekst og billeder; informationshentning, værktøjsudførelse eller faktuel opdatering udført af en applikation kræver sin egen returnerede dokumentation og må ikke udledes af flydende output.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.google/gemma-3-27b-itGemma 3 27B IT er den instruktionstilpassede model i størrelsesklassen 27B i Googles Gemma 3-familie. Den accepterer tekst og billeder og producerer tekst til analyse af lange kilder, skrivning, kode og visuelle spørgsmål med en fælles kontekst på 128K og flersproget dækning i familien.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemma 3 27B IT er den instruktionstilpassede udgave i størrelsesklassen 27B i Googles Gemma 3-familie. Den kombinerer tekstgenerering med billedforståelse og er adskilt fra det fortrænede 27B-checkpoint og de mindre modeller 4B og 12B IT. Resultatet er tekst: en kildebaseret forklaring, sammenfatning, et dokumentudkast, et svar eller et kodeforslag. Den instruktionstilpassede model er designet til at følge en samtale og en ønsket opgave frem for blot at fungere som en rå tekstfuldførelsesmodel.
Producentens modelkort angiver en samlet kontekst på 128K tokens for denne størrelse. Input og output deler kapaciteten, så det genererede svar bruger den plads, der er tilbage efter anmodningen. En stor samling skal bevare kildeidentifikatorer og stadig efterlade plads til det ønskede resultat. Billedvisninger i basisforløbet normaliseres til 896×896 og kodes til 256 visuelle tokens. Forklar ved en samlet tekst- og billedanalyse, hvordan et sidebillede, diagram eller skærmbillede hænger sammen med de skriftlige kilder, så modellen har ét sammenhængende spørgsmål at besvare.
Det rapporterede fortræningsbudget for 27B-modellen er 14 billioner tokens. Familiens data omfatter webdokumenter på mere end 140 sprog, kode, matematik og billeder. Træningen bruger vidensdestillation, og eftertræningsmetoden tilføjer instruktionsfølgning og mål for forstærkningslæring inden for hjælpsomhed, matematik, programmering, ræsonnering og flersproget adfærd. Disse fakta beskriver producentens modeludviklingsproces. De erstatter ikke kontrol af en genereret påstand mod dens kilde eller kørsel af et foreslået program med de tilsigtede input.
Den tekniske rapport beskriver en transformer med kun en decoder, grouped-query attention og fem lokale opmærksomhedslag for hvert globalt lag. Det lokale spænd er 1.024 tokens, mens globale lag muliggør interaktioner over den længere kontekst. Familiens fælles SigLIP-billedencoder repræsenterer visuelle input for sprogmodellen. Dens SentencePiece-tokenizer bruger opdelte cifre, bevarede blanktegn og kodning på byteniveau. Bevar talnotation, kodeindrykning og kildesprogets terminologi, når de er relevante for fortolkningen.
For ikke-kvadratiske eller detaljerede billeder beskriver rapporten Pan and Scan, som kan tilføje ikke-overlappende udsnit, før visningerne skaleres til billedencoderen. Dette hjælper med at bevare små detaljer, som en enkelt kvadratisk skalering kan miste, men den faktiske behandlingsopsætning er vigtig. En forskningsopgave eller en opgave med tekniske dokumenter kan give både en hel side og en læsbar diagramdetalje og angive deres forhold. Bed svaret om at identificere de synlige værdier, den relevante tekstbetingelse og den konklusion, der understøttes af begge.
Brug producentens native IT-samtaleformat med user- og model-ture. En særskilt system-tur understøttes ikke i det format; placér rolle- og svarinstruktioner i den første user-besked, og brug den angivne formateringsmetode. Angiv spørgsmålet, de afsnit, der skal sammenlignes, og prioriteringsreglerne, hvis kilderne er uenige, ved en lang rapport. Et originalt eksempel er at afstemme en skriftlig specifikation med et diagram og returnere en kravtabel, en liste over afvigelser og de antagelser, der kræves til en foreslået løsning.
De tilsigtede anvendelser omfatter skrivning, sammenfatning, samtale, udtræk af billeddata og udforskning til undervisning eller forskning. Giv det faktiske modul, inputeksempler og grænsefladebegrænsninger til kodeanalyse, og bed derefter om en forklaring eller foreslået ændring, der er knyttet til disse fakta. Angiv målgruppen og de begreber, der skal forblive uændrede, ved flersproget skrivning. Bed om observationer knyttet til navngivne elementer frem for en generel billedbeskrivelse ved et visuelt spørgsmål. Kvantiserede familiecheckpoints er særskilt offentliggjorte artefakter, så bevar den præcise identitet for 27B IT og behandlingsindstillingerne, når du sammenligner resultater.
Producenten bemærker, at modeller kan give ukorrekte eller forældede fakta og have svært ved tvetydighed, nuancer og meget åbne instruktioner. Google advarer også om, at et plausibelt sprogmønster kan give et svar, der overser en almindelig begrænsning fra den virkelige verden. Mere kontekst er kun nyttig, når de relevante betingelser er klare. Bevar originalkilderne, kontrollér udtrukne data og beregninger, og validér ethvert svar, der ligner strukturerede data, før du behandler det som en post. En forklaring baseret på flere kilder skal skelne mellem leveret dokumentation, fortolkning og manglende oplysninger. Denne 27B-profil understøtter en forberedt ræsonneringsopgave med tekst og billeder; informationshentning, værktøjsudførelse eller faktuel opdatering udført af en applikation kræver sin egen returnerede dokumentation og må ikke udledes af flydende output.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemma-3-27b-it | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00016 / 1K tokens Output · Outputtokens $0.0007 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00016 / 1K tokens Output · Outputtokens $0.0007 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-27b-it", "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='google/gemma-3-27b-it',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='google/gemma-3-27b-it',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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra google/gemma-3-27b-it
Brug metodestierne vist ovenfor.
google/gemma-3-27b-itGemma 3 27B IT er den instruktionstilpassede model i størrelsesklassen 27B i Googles Gemma 3-familie. Den accepterer tekst og billeder og producerer tekst til analyse af lange kilder, skrivning, kode og visuelle spørgsmål med en fælles kontekst på 128K og flersproget dækning i familien.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemma 3 27B IT er den instruktionstilpassede udgave i størrelsesklassen 27B i Googles Gemma 3-familie. Den kombinerer tekstgenerering med billedforståelse og er adskilt fra det fortrænede 27B-checkpoint og de mindre modeller 4B og 12B IT. Resultatet er tekst: en kildebaseret forklaring, sammenfatning, et dokumentudkast, et svar eller et kodeforslag. Den instruktionstilpassede model er designet til at følge en samtale og en ønsket opgave frem for blot at fungere som en rå tekstfuldførelsesmodel.
Producentens modelkort angiver en samlet kontekst på 128K tokens for denne størrelse. Input og output deler kapaciteten, så det genererede svar bruger den plads, der er tilbage efter anmodningen. En stor samling skal bevare kildeidentifikatorer og stadig efterlade plads til det ønskede resultat. Billedvisninger i basisforløbet normaliseres til 896×896 og kodes til 256 visuelle tokens. Forklar ved en samlet tekst- og billedanalyse, hvordan et sidebillede, diagram eller skærmbillede hænger sammen med de skriftlige kilder, så modellen har ét sammenhængende spørgsmål at besvare.
Det rapporterede fortræningsbudget for 27B-modellen er 14 billioner tokens. Familiens data omfatter webdokumenter på mere end 140 sprog, kode, matematik og billeder. Træningen bruger vidensdestillation, og eftertræningsmetoden tilføjer instruktionsfølgning og mål for forstærkningslæring inden for hjælpsomhed, matematik, programmering, ræsonnering og flersproget adfærd. Disse fakta beskriver producentens modeludviklingsproces. De erstatter ikke kontrol af en genereret påstand mod dens kilde eller kørsel af et foreslået program med de tilsigtede input.
Den tekniske rapport beskriver en transformer med kun en decoder, grouped-query attention og fem lokale opmærksomhedslag for hvert globalt lag. Det lokale spænd er 1.024 tokens, mens globale lag muliggør interaktioner over den længere kontekst. Familiens fælles SigLIP-billedencoder repræsenterer visuelle input for sprogmodellen. Dens SentencePiece-tokenizer bruger opdelte cifre, bevarede blanktegn og kodning på byteniveau. Bevar talnotation, kodeindrykning og kildesprogets terminologi, når de er relevante for fortolkningen.
For ikke-kvadratiske eller detaljerede billeder beskriver rapporten Pan and Scan, som kan tilføje ikke-overlappende udsnit, før visningerne skaleres til billedencoderen. Dette hjælper med at bevare små detaljer, som en enkelt kvadratisk skalering kan miste, men den faktiske behandlingsopsætning er vigtig. En forskningsopgave eller en opgave med tekniske dokumenter kan give både en hel side og en læsbar diagramdetalje og angive deres forhold. Bed svaret om at identificere de synlige værdier, den relevante tekstbetingelse og den konklusion, der understøttes af begge.
Brug producentens native IT-samtaleformat med user- og model-ture. En særskilt system-tur understøttes ikke i det format; placér rolle- og svarinstruktioner i den første user-besked, og brug den angivne formateringsmetode. Angiv spørgsmålet, de afsnit, der skal sammenlignes, og prioriteringsreglerne, hvis kilderne er uenige, ved en lang rapport. Et originalt eksempel er at afstemme en skriftlig specifikation med et diagram og returnere en kravtabel, en liste over afvigelser og de antagelser, der kræves til en foreslået løsning.
De tilsigtede anvendelser omfatter skrivning, sammenfatning, samtale, udtræk af billeddata og udforskning til undervisning eller forskning. Giv det faktiske modul, inputeksempler og grænsefladebegrænsninger til kodeanalyse, og bed derefter om en forklaring eller foreslået ændring, der er knyttet til disse fakta. Angiv målgruppen og de begreber, der skal forblive uændrede, ved flersproget skrivning. Bed om observationer knyttet til navngivne elementer frem for en generel billedbeskrivelse ved et visuelt spørgsmål. Kvantiserede familiecheckpoints er særskilt offentliggjorte artefakter, så bevar den præcise identitet for 27B IT og behandlingsindstillingerne, når du sammenligner resultater.
Producenten bemærker, at modeller kan give ukorrekte eller forældede fakta og have svært ved tvetydighed, nuancer og meget åbne instruktioner. Google advarer også om, at et plausibelt sprogmønster kan give et svar, der overser en almindelig begrænsning fra den virkelige verden. Mere kontekst er kun nyttig, når de relevante betingelser er klare. Bevar originalkilderne, kontrollér udtrukne data og beregninger, og validér ethvert svar, der ligner strukturerede data, før du behandler det som en post. En forklaring baseret på flere kilder skal skelne mellem leveret dokumentation, fortolkning og manglende oplysninger. Denne 27B-profil understøtter en forberedt ræsonneringsopgave med tekst og billeder; informationshentning, værktøjsudførelse eller faktuel opdatering udført af en applikation kræver sin egen returnerede dokumentation og må ikke udledes af flydende output.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemma-3-27b-it | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00016 / 1K tokens Output · Outputtokens $0.0007 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00016 / 1K tokens Output · Outputtokens $0.0007 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "google/gemma-3-27b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'google/gemma-3-27b-it', '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': 'google/gemma-3-27b-it', '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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra google/gemma-3-27b-it
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.