Gemma 4 31B IT er Google DeepMinds instruktionstilpassede tætte udgave af den åbne Gemma 4-familie. Google positionerer 31B-modellen omkring modelkvalitet og tilpasning til en opgave, mens den separate 26B A4B-udgave bruger en mixture of experts for effektiv inferens. Dette modelkort vedrører den navngivne instruktionstilpassede 31B-udgave frem for dens fortrænede vægte eller en kvantiseret afledning.
Den officielle tabel over den tætte arkitektur angiver 30.7 milliarder parametre, 60 lag, et sliding window på 1.024 tokens og en kontekst på 256K tokens. Familien kombinerer lokal sliding-window-attention med global attention, slutter med et globalt lag og bruger en dedikeret visuel encoder til denne model. Den resulterende profil er bygget til tekst- og billedinput med tekstoutput. Det er fakta om modelarkitekturen; de fastlægger ikke en applikations svartid og indebærer ikke lydunderstøttelsen fra andre Gemma 4-størrelser.
Konteksten på 256K tokens understøtter en opgave, der kombinerer omfattende tekst med visuel dokumentation. Billeder og tekst kan indflettes i én prompt; producenten anbefaler at placere billedindhold før den tilhørende tekst for at opnå de bedste resultater. Visuelle opgaver omfatter objektdetektion, fortolkning af dokumentsider, forståelse af skærme og grænseflader, diagrammer, flersproget OCR, håndskrift og udpegning. Outputtet er tekst: udtrukket indhold, en forklaring, kode eller en foreslået værktøjshandling.
Videoforståelse behandler en sekvens af frames. Modelkortet angiver maksimalt 60 sekunder, når billederne behandles med én frame pr. sekund. Forbered det relevante forløb, bevar rækkefølgen af frames, og stil et spørgsmål om den synlige sekvens. Denne visuelle 26B/31B-profil accepterer ikke lyd; taleegenskaberne fra de mindre Gemma 4-varianter med lydunderstøttelse gælder ikke her. Hvis opgaven kræver talt information, så tilføj dens transskription som tekst.
Konfigurerbar tænkning lader modellen ræsonnere før svaret eller give et direkte svar. Gemma 4 tilføjer en native system-rolle ved siden af rollerne user og assistant. Googles promptformat aktiverer tænkning med kontroltokenet <|think|> i system-prompten og adskiller tankekanalen fra det endelige svar; den dokumenterede processor kan håndtere denne skabelon. Bevar ved en samtale over flere ture tidligere endelige svar i historikken, og udelad tidligere tanker undtagen i ture med værktøjskald, hvor producenten siger, at de skal bevares.
Native Function Calling understøtter struktureret værktøjsbrug, og Googles lanceringsbeskrivelse dokumenterer også struktureret JSON-output. Definér opgaven, den tilgængelige funktion og det forventede resultat; applikationen udfører den ønskede handling og returnerer dens output til næste trin. En kodeopgave kan bede om generering, fuldførelse eller rettelse, mens en visuel assistent kan bruge den returnerede tekst til at forklare et diagram eller en skærm. En instruktion til et funktionskald er adskilt fra en tilsluttet handling, som faktisk er udført.
Variabel billedopløsning styres af det visuelle tokenbudget. De dokumenterede muligheder er 70, 140, 280, 560 og 1.120 tokens. Lavere budgetter passer til klassifikation, billedtekster eller sekvenser af frames; højere budgetter bevarer flere detaljer til OCR, dokumentfortolkning og små tekster med yderligere beregning. Beslut, om du har brug for den samlede scene eller præcis tekst, før billedet forberedes. Et tydeligt udsnit af en betegnelse kan være mere nyttigt til en udtrækningsopgave end en ukvalificeret anmodning om at undersøge alle detaljer på en hel side.
Google anbefaler temperature 1.0, top-p 0.95 og top-k 64 som familiens samplingkonfiguration. Modelkortet skelner mellem træning på mere end 140 sprog og direkte understøttelse af mere end 35 sprog. Angiv svarets sprog, og fasthold domænenavne, feltnavne eller formler udtrykkeligt i opgavebeskrivelsen. Tallet 256K er en kontekstspecifikation; det citerede modelkort fastlægger ikke et separat universelt maksimum for output for denne udgave.
Giv ved en dokument-og-kodeopgave det relevante sidebillede, det skriftlige krav og kildefragmentet: “Læs betegnelserne, forklar, hvordan denne skærm afviger fra specifikationen, og foreslå en fokuseret rettelse af den leverede kode.” Bed ved et diagram svaret skelne synlige værdier fra en udledt tendens. Gemmas modelkort bemærker begrænsninger ved tvetydigt sprog, meget komplekse opgaver og forkerte eller forældede faktuelle udsagn. Vedlæg derfor de autoritative fakta, som det ønskede resultat skal bruge, frem for at forvente, at træningsviden leverer dem.
", "aboutText": "Gemma 4 31B IT er Google DeepMinds instruktionstilpassede tætte udgave af den åbne Gemma 4-familie. Google positionerer 31B-modellen omkring modelkvalitet og tilpasning til en opgave, mens den separate 26B A4B-udgave bruger en mixture of experts for effektiv inferens. Dette modelkort vedrører den navngivne instruktionstilpassede 31B-udgave frem for dens fortrænede vægte eller en kvantiseret afledning.\n\nDen officielle tabel over den tætte arkitektur angiver 30.7 milliarder parametre, 60 lag, et sliding window på 1.024 tokens og en kontekst på 256K tokens. Familien kombinerer lokal sliding-window-attention med global attention, slutter med et globalt lag og bruger en dedikeret visuel encoder til denne model. Den resulterende profil er bygget til tekst- og billedinput med tekstoutput. Det er fakta om modelarkitekturen; de fastlægger ikke en applikations svartid og indebærer ikke lydunderstøttelsen fra andre Gemma 4-størrelser.\n\nKonteksten på 256K tokens understøtter en opgave, der kombinerer omfattende tekst med visuel dokumentation. Billeder og tekst kan indflettes i én prompt; producenten anbefaler at placere billedindhold før den tilhørende tekst for at opnå de bedste resultater. Visuelle opgaver omfatter objektdetektion, fortolkning af dokumentsider, forståelse af skærme og grænseflader, diagrammer, flersproget OCR, håndskrift og udpegning. Outputtet er tekst: udtrukket indhold, en forklaring, kode eller en foreslået værktøjshandling.\n\nVideoforståelse behandler en sekvens af frames. Modelkortet angiver maksimalt 60 sekunder, når billederne behandles med én frame pr. sekund. Forbered det relevante forløb, bevar rækkefølgen af frames, og stil et spørgsmål om den synlige sekvens. Denne visuelle 26B/31B-profil accepterer ikke lyd; taleegenskaberne fra de mindre Gemma 4-varianter med lydunderstøttelse gælder ikke her. Hvis opgaven kræver talt information, så tilføj dens transskription som tekst.\n\nKonfigurerbar tænkning lader modellen ræsonnere før svaret eller give et direkte svar. Gemma 4 tilføjer en native system-rolle ved siden af rollerne user og assistant. Googles promptformat aktiverer tænkning med kontroltokenet <|think|> i system-prompten og adskiller tankekanalen fra det endelige svar; den dokumenterede processor kan håndtere denne skabelon. Bevar ved en samtale over flere ture tidligere endelige svar i historikken, og udelad tidligere tanker undtagen i ture med værktøjskald, hvor producenten siger, at de skal bevares.\n\nNative Function Calling understøtter struktureret værktøjsbrug, og Googles lanceringsbeskrivelse dokumenterer også struktureret JSON-output. Definér opgaven, den tilgængelige funktion og det forventede resultat; applikationen udfører den ønskede handling og returnerer dens output til næste trin. En kodeopgave kan bede om generering, fuldførelse eller rettelse, mens en visuel assistent kan bruge den returnerede tekst til at forklare et diagram eller en skærm. En instruktion til et funktionskald er adskilt fra en tilsluttet handling, som faktisk er udført.\n\nVariabel billedopløsning styres af det visuelle tokenbudget. De dokumenterede muligheder er 70, 140, 280, 560 og 1.120 tokens. Lavere budgetter passer til klassifikation, billedtekster eller sekvenser af frames; højere budgetter bevarer flere detaljer til OCR, dokumentfortolkning og små tekster med yderligere beregning. Beslut, om du har brug for den samlede scene eller præcis tekst, før billedet forberedes. Et tydeligt udsnit af en betegnelse kan være mere nyttigt til en udtrækningsopgave end en ukvalificeret anmodning om at undersøge alle detaljer på en hel side.\n\nGoogle anbefaler temperature 1.0, top-p 0.95 og top-k 64 som familiens samplingkonfiguration. Modelkortet skelner mellem træning på mere end 140 sprog og direkte understøttelse af mere end 35 sprog. Angiv svarets sprog, og fasthold domænenavne, feltnavne eller formler udtrykkeligt i opgavebeskrivelsen. Tallet 256K er en kontekstspecifikation; det citerede modelkort fastlægger ikke et separat universelt maksimum for output for denne udgave.\n\nGiv ved en dokument-og-kodeopgave det relevante sidebillede, det skriftlige krav og kildefragmentet: “Læs betegnelserne, forklar, hvordan denne skærm afviger fra specifikationen, og foreslå en fokuseret rettelse af den leverede kode.” Bed ved et diagram svaret skelne synlige værdier fra en udledt tendens. Gemmas modelkort bemærker begrænsninger ved tvetydigt sprog, meget komplekse opgaver og forkerte eller forældede faktuelle udsagn. Vedlæg derfor de autoritative fakta, som det ønskede resultat skal bruge, frem for at forvente, at træningsviden leverer dem.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.google/gemma-4-31b-itGemma 4 31B IT er Googles instruktionstilpassede model med tæt arkitektur til ræsonnering over tekst og visuelt materiale. Dens kontekst på 256K, konfigurerbar tænkning, forståelse af billeder og video baseret på frames samt native funktionskald understøtter kode-, dokument- og agentopgaver med tekstoutput.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemma 4 31B IT er Google DeepMinds instruktionstilpassede tætte udgave af den åbne Gemma 4-familie. Google positionerer 31B-modellen omkring modelkvalitet og tilpasning til en opgave, mens den separate 26B A4B-udgave bruger en mixture of experts for effektiv inferens. Dette modelkort vedrører den navngivne instruktionstilpassede 31B-udgave frem for dens fortrænede vægte eller en kvantiseret afledning.
Den officielle tabel over den tætte arkitektur angiver 30.7 milliarder parametre, 60 lag, et sliding window på 1.024 tokens og en kontekst på 256K tokens. Familien kombinerer lokal sliding-window-attention med global attention, slutter med et globalt lag og bruger en dedikeret visuel encoder til denne model. Den resulterende profil er bygget til tekst- og billedinput med tekstoutput. Det er fakta om modelarkitekturen; de fastlægger ikke en applikations svartid og indebærer ikke lydunderstøttelsen fra andre Gemma 4-størrelser.
Konteksten på 256K tokens understøtter en opgave, der kombinerer omfattende tekst med visuel dokumentation. Billeder og tekst kan indflettes i én prompt; producenten anbefaler at placere billedindhold før den tilhørende tekst for at opnå de bedste resultater. Visuelle opgaver omfatter objektdetektion, fortolkning af dokumentsider, forståelse af skærme og grænseflader, diagrammer, flersproget OCR, håndskrift og udpegning. Outputtet er tekst: udtrukket indhold, en forklaring, kode eller en foreslået værktøjshandling.
Videoforståelse behandler en sekvens af frames. Modelkortet angiver maksimalt 60 sekunder, når billederne behandles med én frame pr. sekund. Forbered det relevante forløb, bevar rækkefølgen af frames, og stil et spørgsmål om den synlige sekvens. Denne visuelle 26B/31B-profil accepterer ikke lyd; taleegenskaberne fra de mindre Gemma 4-varianter med lydunderstøttelse gælder ikke her. Hvis opgaven kræver talt information, så tilføj dens transskription som tekst.
Konfigurerbar tænkning lader modellen ræsonnere før svaret eller give et direkte svar. Gemma 4 tilføjer en native system-rolle ved siden af rollerne user og assistant. Googles promptformat aktiverer tænkning med kontroltokenet <|think|> i system-prompten og adskiller tankekanalen fra det endelige svar; den dokumenterede processor kan håndtere denne skabelon. Bevar ved en samtale over flere ture tidligere endelige svar i historikken, og udelad tidligere tanker undtagen i ture med værktøjskald, hvor producenten siger, at de skal bevares.
Native Function Calling understøtter struktureret værktøjsbrug, og Googles lanceringsbeskrivelse dokumenterer også struktureret JSON-output. Definér opgaven, den tilgængelige funktion og det forventede resultat; applikationen udfører den ønskede handling og returnerer dens output til næste trin. En kodeopgave kan bede om generering, fuldførelse eller rettelse, mens en visuel assistent kan bruge den returnerede tekst til at forklare et diagram eller en skærm. En instruktion til et funktionskald er adskilt fra en tilsluttet handling, som faktisk er udført.
Variabel billedopløsning styres af det visuelle tokenbudget. De dokumenterede muligheder er 70, 140, 280, 560 og 1.120 tokens. Lavere budgetter passer til klassifikation, billedtekster eller sekvenser af frames; højere budgetter bevarer flere detaljer til OCR, dokumentfortolkning og små tekster med yderligere beregning. Beslut, om du har brug for den samlede scene eller præcis tekst, før billedet forberedes. Et tydeligt udsnit af en betegnelse kan være mere nyttigt til en udtrækningsopgave end en ukvalificeret anmodning om at undersøge alle detaljer på en hel side.
Google anbefaler temperature 1.0, top-p 0.95 og top-k 64 som familiens samplingkonfiguration. Modelkortet skelner mellem træning på mere end 140 sprog og direkte understøttelse af mere end 35 sprog. Angiv svarets sprog, og fasthold domænenavne, feltnavne eller formler udtrykkeligt i opgavebeskrivelsen. Tallet 256K er en kontekstspecifikation; det citerede modelkort fastlægger ikke et separat universelt maksimum for output for denne udgave.
Giv ved en dokument-og-kodeopgave det relevante sidebillede, det skriftlige krav og kildefragmentet: “Læs betegnelserne, forklar, hvordan denne skærm afviger fra specifikationen, og foreslå en fokuseret rettelse af den leverede kode.” Bed ved et diagram svaret skelne synlige værdier fra en udledt tendens. Gemmas modelkort bemærker begrænsninger ved tvetydigt sprog, meget komplekse opgaver og forkerte eller forældede faktuelle udsagn. Vedlæg derfor de autoritative fakta, som det ønskede resultat skal bruge, frem for at forvente, at træningsviden leverer dem.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemma-4-31b-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 $0.0002 / 1K tokens Output · Outputtokens $0.00068 / 1K tokens Input · Cachelæsning $0.0002 / 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 $0.0002 / 1K tokens Output · Outputtokens $0.00068 / 1K tokens Input · Cachelæsning $0.0002 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-31b-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-4-31b-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-4-31b-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-4-31b-it
Brug metodestierne vist ovenfor.
google/gemma-4-31b-itGemma 4 31B IT er Googles instruktionstilpassede model med tæt arkitektur til ræsonnering over tekst og visuelt materiale. Dens kontekst på 256K, konfigurerbar tænkning, forståelse af billeder og video baseret på frames samt native funktionskald understøtter kode-, dokument- og agentopgaver med tekstoutput.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemma 4 31B IT er Google DeepMinds instruktionstilpassede tætte udgave af den åbne Gemma 4-familie. Google positionerer 31B-modellen omkring modelkvalitet og tilpasning til en opgave, mens den separate 26B A4B-udgave bruger en mixture of experts for effektiv inferens. Dette modelkort vedrører den navngivne instruktionstilpassede 31B-udgave frem for dens fortrænede vægte eller en kvantiseret afledning.
Den officielle tabel over den tætte arkitektur angiver 30.7 milliarder parametre, 60 lag, et sliding window på 1.024 tokens og en kontekst på 256K tokens. Familien kombinerer lokal sliding-window-attention med global attention, slutter med et globalt lag og bruger en dedikeret visuel encoder til denne model. Den resulterende profil er bygget til tekst- og billedinput med tekstoutput. Det er fakta om modelarkitekturen; de fastlægger ikke en applikations svartid og indebærer ikke lydunderstøttelsen fra andre Gemma 4-størrelser.
Konteksten på 256K tokens understøtter en opgave, der kombinerer omfattende tekst med visuel dokumentation. Billeder og tekst kan indflettes i én prompt; producenten anbefaler at placere billedindhold før den tilhørende tekst for at opnå de bedste resultater. Visuelle opgaver omfatter objektdetektion, fortolkning af dokumentsider, forståelse af skærme og grænseflader, diagrammer, flersproget OCR, håndskrift og udpegning. Outputtet er tekst: udtrukket indhold, en forklaring, kode eller en foreslået værktøjshandling.
Videoforståelse behandler en sekvens af frames. Modelkortet angiver maksimalt 60 sekunder, når billederne behandles med én frame pr. sekund. Forbered det relevante forløb, bevar rækkefølgen af frames, og stil et spørgsmål om den synlige sekvens. Denne visuelle 26B/31B-profil accepterer ikke lyd; taleegenskaberne fra de mindre Gemma 4-varianter med lydunderstøttelse gælder ikke her. Hvis opgaven kræver talt information, så tilføj dens transskription som tekst.
Konfigurerbar tænkning lader modellen ræsonnere før svaret eller give et direkte svar. Gemma 4 tilføjer en native system-rolle ved siden af rollerne user og assistant. Googles promptformat aktiverer tænkning med kontroltokenet <|think|> i system-prompten og adskiller tankekanalen fra det endelige svar; den dokumenterede processor kan håndtere denne skabelon. Bevar ved en samtale over flere ture tidligere endelige svar i historikken, og udelad tidligere tanker undtagen i ture med værktøjskald, hvor producenten siger, at de skal bevares.
Native Function Calling understøtter struktureret værktøjsbrug, og Googles lanceringsbeskrivelse dokumenterer også struktureret JSON-output. Definér opgaven, den tilgængelige funktion og det forventede resultat; applikationen udfører den ønskede handling og returnerer dens output til næste trin. En kodeopgave kan bede om generering, fuldførelse eller rettelse, mens en visuel assistent kan bruge den returnerede tekst til at forklare et diagram eller en skærm. En instruktion til et funktionskald er adskilt fra en tilsluttet handling, som faktisk er udført.
Variabel billedopløsning styres af det visuelle tokenbudget. De dokumenterede muligheder er 70, 140, 280, 560 og 1.120 tokens. Lavere budgetter passer til klassifikation, billedtekster eller sekvenser af frames; højere budgetter bevarer flere detaljer til OCR, dokumentfortolkning og små tekster med yderligere beregning. Beslut, om du har brug for den samlede scene eller præcis tekst, før billedet forberedes. Et tydeligt udsnit af en betegnelse kan være mere nyttigt til en udtrækningsopgave end en ukvalificeret anmodning om at undersøge alle detaljer på en hel side.
Google anbefaler temperature 1.0, top-p 0.95 og top-k 64 som familiens samplingkonfiguration. Modelkortet skelner mellem træning på mere end 140 sprog og direkte understøttelse af mere end 35 sprog. Angiv svarets sprog, og fasthold domænenavne, feltnavne eller formler udtrykkeligt i opgavebeskrivelsen. Tallet 256K er en kontekstspecifikation; det citerede modelkort fastlægger ikke et separat universelt maksimum for output for denne udgave.
Giv ved en dokument-og-kodeopgave det relevante sidebillede, det skriftlige krav og kildefragmentet: “Læs betegnelserne, forklar, hvordan denne skærm afviger fra specifikationen, og foreslå en fokuseret rettelse af den leverede kode.” Bed ved et diagram svaret skelne synlige værdier fra en udledt tendens. Gemmas modelkort bemærker begrænsninger ved tvetydigt sprog, meget komplekse opgaver og forkerte eller forældede faktuelle udsagn. Vedlæg derfor de autoritative fakta, som det ønskede resultat skal bruge, frem for at forvente, at træningsviden leverer dem.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/gemma-4-31b-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 $0.0002 / 1K tokens Output · Outputtokens $0.00068 / 1K tokens Input · Cachelæsning $0.0002 / 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 $0.0002 / 1K tokens Output · Outputtokens $0.00068 / 1K tokens Input · Cachelæsning $0.0002 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "google/gemma-4-31b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-31b-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-4-31b-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-4-31b-it
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.