Llama 4 Maverick Instruct er Metas nativt multimodale model til assistentlignende samtale og visuelt ræsonnement. Den modtager flersproget tekst og billeder og genererer flersproget tekst eller kode. Dens mixture-of-experts-arkitektur bruger tidlig fusion, som kombinerer visuel og tekstlig information inde i modellen frem for at behandle billedet som en løsrevet billedtekst leveret af en særskilt tekstassistent.
Modeloplysninger og kontekst
Producenten angiver 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt for Maverick. Dette adskiller sig fra Scouts konfiguration med 16 eksperter og 109 milliarder parametre i alt, selv om begge bærer betegnelsen 17B for aktiv størrelse. Navnet Instruct identificerer det assistentorienterede checkpoint frem for den fortrænede Maverick-model.
Modelkortet dokumenterer et kontekstvindue på 1M for Maverick. Brug konteksten til at holde de relevante passager, billeder, samtalen og det ønskede svar samlet. En stor kildesamling kræver stadig et defineret spørgsmål og artefakt. Mærk kildedokumenterne og billederne, og bed om den placering, der understøtter hvert udtrukket fund, frem for at bede om et uafgrænset resumé af alt materialet.
De understøttede sprog er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Producenten skelner mellem disse tolv understøttede sprog og den bredere samling på omkring to hundrede sprog brugt i fortræningen. Tilstedeværelse af et sprog i træningen bør ikke gøres til et løfte om ens evner på alle sprog.
Chat-, visions- og kodeopgaver
Kortets tilsigtede visuelle anvendelser omfatter genkendelse, billedræsonnement, billedtekstning og besvarelse af generelle spørgsmål om et billede. Ved et fotografi skal du bede modellen identificere de objekter eller den relation, der er relevant for opgaven. Ved et diagram skal du bede om en sammenligning af navngivne serier med akser og enheder bevaret. Ved en skematisk tegning kan du spørge, hvilken mærket forbindelse der understøtter et angivet krav.
Ved sammenligning af flere billeder skal du identificere hvert billedes rolle og bede om de samme kriterier på tværs af dem. Vedlæg eksempelvis et oprindeligt design og en revision, og bed derefter om synlige overensstemmelser, forskelle og detaljer, som billederne ikke fastslår. Hold observationerne adskilt fra konklusioner, der afhænger af den ledsagende tekst. Det gør outputtet lettere at undersøge mod den faktiske kilde.
Producenten rapporterer test af billedforståelse med op til fem inputbilleder. Det er det dokumenterede testomfang og ikke et ubetinget hårdt maksimum for billedantal. Bevar de detaljer, spørgsmålet kræver, og billedernes rækkefølge. Tilføjelse af mange ubeslægtede billeder definerer ikke i sig selv, hvad der skal sammenlignes.
Ved en kodeopgave skal du angive kravet, den relevante kilde og den forventede adfærd. Bed om den foreslåede implementering adskilt fra dens antagelser og eksempler. Et skærmbillede kan levere visuelle krav, mens den tekstlige betingelse leverer den adfærd, skærmbilledet ikke kan vise. Genereret kode er et tekstartefakt; kørsel, undersøgelse af en renderet grænseflade eller anvendelse i et repositorium kræver det tilsluttede miljø.
Samtaleforberedelse og træning
Modelkortet demonstrerer den tilhørende processor og chatskabelon med to billeder og et skriftligt sammenligningsspørgsmål. Hold samtaleroller og forbindelsen mellem billede og tekst eksplicit. En systeminstruktion kan definere målgruppen, tonen og svarstrukturen, mens brugerbeskeden indeholder den faktiske opgave og dokumentation. Producenten beskriver forbedringer efter træning af styrbarhed gennem systemprompter og samtaleformatering.
Maverick er fortrænet på cirka 22 billioner tokens multimodale data med en angivet skæringsdato for fortræningsdata i august 2024. Det er en statisk træningsdatagrænse frem for direkte adgang til aktuelle oplysninger. Når et spørgsmål afhænger af nyere eller privat materiale, skal du vedlægge materialet som kildekontekst eller gennem en særskilt tilsluttet søgeoperation.
Udgivelsen omfatter BF16-vægte og særskilt kvantiserede FP8-vægte. Disse præcisionsvalg skaber ikke en ny inputmodalitet eller giver Maverick Scouts kontekst på 10M. Bevar det præcise Instruct-checkpoint og dets konfiguration, når en gentaget opgave eller en afledt driftsopsætning sammenlignes.
Praktisk resultatdesign
En dokumentbilledopgave kan bede om kildeidentifikatoren, det synlige udsagn, den udtrukne værdi og fortolkningen som særskilte felter. En samtaleforklaring kan bevare de oprindelige begreber og tilpasse prosaen til læserens understøttede sprog. En kodeanmodning kan returnere det reviderede fragment og eksempler, der adskiller dets tilsigtede adfærd.
Definér, hvordan slutresultatet skal bruges, før du vedlægger materialet. En kort billedtekst, en sammenligningstabel og et foreslået program løser forskellige opgaver, selv når de deler de samme billeder. Modellens visuelle og sproglige evner leverer fortolkning og tekst; ekstern søgning, udførelse eller filproduktion kommer fra applikationskomponenter.
Specifikke grænser
De dokumenterede input her er tekst og billeder med tekst- og kodeoutput. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngivne ræsonnementsniveauer bør ikke tilskrives denne Maverick-udgave. Llama Guard er også en særskilt trænet klassifikator frem for et automatisk klassifikatoroutput fra et Maverick-svar.
Kortets genereringseksempel på 256 tokens er en eksempelindstilling, og de læste kilder fastslår ikke et særskilt hårdt maksimum for outputtokens ud over modellens kontekstspecifikation. Hold Maverick-identiteten, området af understøttede sprog og det kildeforbundne slutresultat eksplicitte frem for at låne grænser eller tilstande fra en anden Llama-udgave.
", "aboutText": "Llama 4 Maverick Instruct er Metas nativt multimodale model til assistentlignende samtale og visuelt ræsonnement. Den modtager flersproget tekst og billeder og genererer flersproget tekst eller kode. Dens mixture-of-experts-arkitektur bruger tidlig fusion, som kombinerer visuel og tekstlig information inde i modellen frem for at behandle billedet som en løsrevet billedtekst leveret af en særskilt tekstassistent.\n\nModeloplysninger og kontekst\n\nProducenten angiver 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt for Maverick. Dette adskiller sig fra Scouts konfiguration med 16 eksperter og 109 milliarder parametre i alt, selv om begge bærer betegnelsen 17B for aktiv størrelse. Navnet Instruct identificerer det assistentorienterede checkpoint frem for den fortrænede Maverick-model.\n\nModelkortet dokumenterer et kontekstvindue på 1M for Maverick. Brug konteksten til at holde de relevante passager, billeder, samtalen og det ønskede svar samlet. En stor kildesamling kræver stadig et defineret spørgsmål og artefakt. Mærk kildedokumenterne og billederne, og bed om den placering, der understøtter hvert udtrukket fund, frem for at bede om et uafgrænset resumé af alt materialet.\n\nDe understøttede sprog er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Producenten skelner mellem disse tolv understøttede sprog og den bredere samling på omkring to hundrede sprog brugt i fortræningen. Tilstedeværelse af et sprog i træningen bør ikke gøres til et løfte om ens evner på alle sprog.\n\nChat-, visions- og kodeopgaver\n\nKortets tilsigtede visuelle anvendelser omfatter genkendelse, billedræsonnement, billedtekstning og besvarelse af generelle spørgsmål om et billede. Ved et fotografi skal du bede modellen identificere de objekter eller den relation, der er relevant for opgaven. Ved et diagram skal du bede om en sammenligning af navngivne serier med akser og enheder bevaret. Ved en skematisk tegning kan du spørge, hvilken mærket forbindelse der understøtter et angivet krav.\n\nVed sammenligning af flere billeder skal du identificere hvert billedes rolle og bede om de samme kriterier på tværs af dem. Vedlæg eksempelvis et oprindeligt design og en revision, og bed derefter om synlige overensstemmelser, forskelle og detaljer, som billederne ikke fastslår. Hold observationerne adskilt fra konklusioner, der afhænger af den ledsagende tekst. Det gør outputtet lettere at undersøge mod den faktiske kilde.\n\nProducenten rapporterer test af billedforståelse med op til fem inputbilleder. Det er det dokumenterede testomfang og ikke et ubetinget hårdt maksimum for billedantal. Bevar de detaljer, spørgsmålet kræver, og billedernes rækkefølge. Tilføjelse af mange ubeslægtede billeder definerer ikke i sig selv, hvad der skal sammenlignes.\n\nVed en kodeopgave skal du angive kravet, den relevante kilde og den forventede adfærd. Bed om den foreslåede implementering adskilt fra dens antagelser og eksempler. Et skærmbillede kan levere visuelle krav, mens den tekstlige betingelse leverer den adfærd, skærmbilledet ikke kan vise. Genereret kode er et tekstartefakt; kørsel, undersøgelse af en renderet grænseflade eller anvendelse i et repositorium kræver det tilsluttede miljø.\n\nSamtaleforberedelse og træning\n\nModelkortet demonstrerer den tilhørende processor og chatskabelon med to billeder og et skriftligt sammenligningsspørgsmål. Hold samtaleroller og forbindelsen mellem billede og tekst eksplicit. En systeminstruktion kan definere målgruppen, tonen og svarstrukturen, mens brugerbeskeden indeholder den faktiske opgave og dokumentation. Producenten beskriver forbedringer efter træning af styrbarhed gennem systemprompter og samtaleformatering.\n\nMaverick er fortrænet på cirka 22 billioner tokens multimodale data med en angivet skæringsdato for fortræningsdata i august 2024. Det er en statisk træningsdatagrænse frem for direkte adgang til aktuelle oplysninger. Når et spørgsmål afhænger af nyere eller privat materiale, skal du vedlægge materialet som kildekontekst eller gennem en særskilt tilsluttet søgeoperation.\n\nUdgivelsen omfatter BF16-vægte og særskilt kvantiserede FP8-vægte. Disse præcisionsvalg skaber ikke en ny inputmodalitet eller giver Maverick Scouts kontekst på 10M. Bevar det præcise Instruct-checkpoint og dets konfiguration, når en gentaget opgave eller en afledt driftsopsætning sammenlignes.\n\nPraktisk resultatdesign\n\nEn dokumentbilledopgave kan bede om kildeidentifikatoren, det synlige udsagn, den udtrukne værdi og fortolkningen som særskilte felter. En samtaleforklaring kan bevare de oprindelige begreber og tilpasse prosaen til læserens understøttede sprog. En kodeanmodning kan returnere det reviderede fragment og eksempler, der adskiller dets tilsigtede adfærd.\n\nDefinér, hvordan slutresultatet skal bruges, før du vedlægger materialet. En kort billedtekst, en sammenligningstabel og et foreslået program løser forskellige opgaver, selv når de deler de samme billeder. Modellens visuelle og sproglige evner leverer fortolkning og tekst; ekstern søgning, udførelse eller filproduktion kommer fra applikationskomponenter.\n\nSpecifikke grænser\n\nDe dokumenterede input her er tekst og billeder med tekst- og kodeoutput. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngivne ræsonnementsniveauer bør ikke tilskrives denne Maverick-udgave. Llama Guard er også en særskilt trænet klassifikator frem for et automatisk klassifikatoroutput fra et Maverick-svar.\n\nKortets genereringseksempel på 256 tokens er en eksempelindstilling, og de læste kilder fastslår ikke et særskilt hårdt maksimum for outputtokens ud over modellens kontekstspecifikation. Hold Maverick-identiteten, området af understøttede sprog og det kildeforbundne slutresultat eksplicitte frem for at låne grænser eller tilstande fra en anden Llama-udgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er Metas nativt multimodale Instruct-model til tekst og billeder med 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt. Producenten dokumenterer en kontekst på 1M, flersproget tekst- og kodeoutput, visuel genkendelse, billedtekstning og spørgsmål om billeder i en udgave, der er adskilt fra Scout.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Llama 4 Maverick Instruct er Metas nativt multimodale model til assistentlignende samtale og visuelt ræsonnement. Den modtager flersproget tekst og billeder og genererer flersproget tekst eller kode. Dens mixture-of-experts-arkitektur bruger tidlig fusion, som kombinerer visuel og tekstlig information inde i modellen frem for at behandle billedet som en løsrevet billedtekst leveret af en særskilt tekstassistent.
Modeloplysninger og kontekst
Producenten angiver 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt for Maverick. Dette adskiller sig fra Scouts konfiguration med 16 eksperter og 109 milliarder parametre i alt, selv om begge bærer betegnelsen 17B for aktiv størrelse. Navnet Instruct identificerer det assistentorienterede checkpoint frem for den fortrænede Maverick-model.
Modelkortet dokumenterer et kontekstvindue på 1M for Maverick. Brug konteksten til at holde de relevante passager, billeder, samtalen og det ønskede svar samlet. En stor kildesamling kræver stadig et defineret spørgsmål og artefakt. Mærk kildedokumenterne og billederne, og bed om den placering, der understøtter hvert udtrukket fund, frem for at bede om et uafgrænset resumé af alt materialet.
De understøttede sprog er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Producenten skelner mellem disse tolv understøttede sprog og den bredere samling på omkring to hundrede sprog brugt i fortræningen. Tilstedeværelse af et sprog i træningen bør ikke gøres til et løfte om ens evner på alle sprog.
Chat-, visions- og kodeopgaver
Kortets tilsigtede visuelle anvendelser omfatter genkendelse, billedræsonnement, billedtekstning og besvarelse af generelle spørgsmål om et billede. Ved et fotografi skal du bede modellen identificere de objekter eller den relation, der er relevant for opgaven. Ved et diagram skal du bede om en sammenligning af navngivne serier med akser og enheder bevaret. Ved en skematisk tegning kan du spørge, hvilken mærket forbindelse der understøtter et angivet krav.
Ved sammenligning af flere billeder skal du identificere hvert billedes rolle og bede om de samme kriterier på tværs af dem. Vedlæg eksempelvis et oprindeligt design og en revision, og bed derefter om synlige overensstemmelser, forskelle og detaljer, som billederne ikke fastslår. Hold observationerne adskilt fra konklusioner, der afhænger af den ledsagende tekst. Det gør outputtet lettere at undersøge mod den faktiske kilde.
Producenten rapporterer test af billedforståelse med op til fem inputbilleder. Det er det dokumenterede testomfang og ikke et ubetinget hårdt maksimum for billedantal. Bevar de detaljer, spørgsmålet kræver, og billedernes rækkefølge. Tilføjelse af mange ubeslægtede billeder definerer ikke i sig selv, hvad der skal sammenlignes.
Ved en kodeopgave skal du angive kravet, den relevante kilde og den forventede adfærd. Bed om den foreslåede implementering adskilt fra dens antagelser og eksempler. Et skærmbillede kan levere visuelle krav, mens den tekstlige betingelse leverer den adfærd, skærmbilledet ikke kan vise. Genereret kode er et tekstartefakt; kørsel, undersøgelse af en renderet grænseflade eller anvendelse i et repositorium kræver det tilsluttede miljø.
Samtaleforberedelse og træning
Modelkortet demonstrerer den tilhørende processor og chatskabelon med to billeder og et skriftligt sammenligningsspørgsmål. Hold samtaleroller og forbindelsen mellem billede og tekst eksplicit. En systeminstruktion kan definere målgruppen, tonen og svarstrukturen, mens brugerbeskeden indeholder den faktiske opgave og dokumentation. Producenten beskriver forbedringer efter træning af styrbarhed gennem systemprompter og samtaleformatering.
Maverick er fortrænet på cirka 22 billioner tokens multimodale data med en angivet skæringsdato for fortræningsdata i august 2024. Det er en statisk træningsdatagrænse frem for direkte adgang til aktuelle oplysninger. Når et spørgsmål afhænger af nyere eller privat materiale, skal du vedlægge materialet som kildekontekst eller gennem en særskilt tilsluttet søgeoperation.
Udgivelsen omfatter BF16-vægte og særskilt kvantiserede FP8-vægte. Disse præcisionsvalg skaber ikke en ny inputmodalitet eller giver Maverick Scouts kontekst på 10M. Bevar det præcise Instruct-checkpoint og dets konfiguration, når en gentaget opgave eller en afledt driftsopsætning sammenlignes.
Praktisk resultatdesign
En dokumentbilledopgave kan bede om kildeidentifikatoren, det synlige udsagn, den udtrukne værdi og fortolkningen som særskilte felter. En samtaleforklaring kan bevare de oprindelige begreber og tilpasse prosaen til læserens understøttede sprog. En kodeanmodning kan returnere det reviderede fragment og eksempler, der adskiller dets tilsigtede adfærd.
Definér, hvordan slutresultatet skal bruges, før du vedlægger materialet. En kort billedtekst, en sammenligningstabel og et foreslået program løser forskellige opgaver, selv når de deler de samme billeder. Modellens visuelle og sproglige evner leverer fortolkning og tekst; ekstern søgning, udførelse eller filproduktion kommer fra applikationskomponenter.
Specifikke grænser
De dokumenterede input her er tekst og billeder med tekst- og kodeoutput. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngivne ræsonnementsniveauer bør ikke tilskrives denne Maverick-udgave. Llama Guard er også en særskilt trænet klassifikator frem for et automatisk klassifikatoroutput fra et Maverick-svar.
Kortets genereringseksempel på 256 tokens er en eksempelindstilling, og de læste kilder fastslår ikke et særskilt hårdt maksimum for outputtokens ud over modellens kontekstspecifikation. Hold Maverick-identiteten, området af understøttede sprog og det kildeforbundne slutresultat eksplicitte frem for at låne grænser eller tilstande fra en anden Llama-udgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser llama-4-maverick | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
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 |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
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 $0.000375 / 1K tokens Output · Outputtokens $0.001305 / 1K tokens Input · Cachelæsning $0.0001 / 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 $0.000375 / 1K tokens Output · Outputtokens $0.001305 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"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 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick er Metas nativt multimodale Instruct-model til tekst og billeder med 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt. Producenten dokumenterer en kontekst på 1M, flersproget tekst- og kodeoutput, visuel genkendelse, billedtekstning og spørgsmål om billeder i en udgave, der er adskilt fra Scout.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Llama 4 Maverick Instruct er Metas nativt multimodale model til assistentlignende samtale og visuelt ræsonnement. Den modtager flersproget tekst og billeder og genererer flersproget tekst eller kode. Dens mixture-of-experts-arkitektur bruger tidlig fusion, som kombinerer visuel og tekstlig information inde i modellen frem for at behandle billedet som en løsrevet billedtekst leveret af en særskilt tekstassistent.
Modeloplysninger og kontekst
Producenten angiver 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt for Maverick. Dette adskiller sig fra Scouts konfiguration med 16 eksperter og 109 milliarder parametre i alt, selv om begge bærer betegnelsen 17B for aktiv størrelse. Navnet Instruct identificerer det assistentorienterede checkpoint frem for den fortrænede Maverick-model.
Modelkortet dokumenterer et kontekstvindue på 1M for Maverick. Brug konteksten til at holde de relevante passager, billeder, samtalen og det ønskede svar samlet. En stor kildesamling kræver stadig et defineret spørgsmål og artefakt. Mærk kildedokumenterne og billederne, og bed om den placering, der understøtter hvert udtrukket fund, frem for at bede om et uafgrænset resumé af alt materialet.
De understøttede sprog er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Producenten skelner mellem disse tolv understøttede sprog og den bredere samling på omkring to hundrede sprog brugt i fortræningen. Tilstedeværelse af et sprog i træningen bør ikke gøres til et løfte om ens evner på alle sprog.
Chat-, visions- og kodeopgaver
Kortets tilsigtede visuelle anvendelser omfatter genkendelse, billedræsonnement, billedtekstning og besvarelse af generelle spørgsmål om et billede. Ved et fotografi skal du bede modellen identificere de objekter eller den relation, der er relevant for opgaven. Ved et diagram skal du bede om en sammenligning af navngivne serier med akser og enheder bevaret. Ved en skematisk tegning kan du spørge, hvilken mærket forbindelse der understøtter et angivet krav.
Ved sammenligning af flere billeder skal du identificere hvert billedes rolle og bede om de samme kriterier på tværs af dem. Vedlæg eksempelvis et oprindeligt design og en revision, og bed derefter om synlige overensstemmelser, forskelle og detaljer, som billederne ikke fastslår. Hold observationerne adskilt fra konklusioner, der afhænger af den ledsagende tekst. Det gør outputtet lettere at undersøge mod den faktiske kilde.
Producenten rapporterer test af billedforståelse med op til fem inputbilleder. Det er det dokumenterede testomfang og ikke et ubetinget hårdt maksimum for billedantal. Bevar de detaljer, spørgsmålet kræver, og billedernes rækkefølge. Tilføjelse af mange ubeslægtede billeder definerer ikke i sig selv, hvad der skal sammenlignes.
Ved en kodeopgave skal du angive kravet, den relevante kilde og den forventede adfærd. Bed om den foreslåede implementering adskilt fra dens antagelser og eksempler. Et skærmbillede kan levere visuelle krav, mens den tekstlige betingelse leverer den adfærd, skærmbilledet ikke kan vise. Genereret kode er et tekstartefakt; kørsel, undersøgelse af en renderet grænseflade eller anvendelse i et repositorium kræver det tilsluttede miljø.
Samtaleforberedelse og træning
Modelkortet demonstrerer den tilhørende processor og chatskabelon med to billeder og et skriftligt sammenligningsspørgsmål. Hold samtaleroller og forbindelsen mellem billede og tekst eksplicit. En systeminstruktion kan definere målgruppen, tonen og svarstrukturen, mens brugerbeskeden indeholder den faktiske opgave og dokumentation. Producenten beskriver forbedringer efter træning af styrbarhed gennem systemprompter og samtaleformatering.
Maverick er fortrænet på cirka 22 billioner tokens multimodale data med en angivet skæringsdato for fortræningsdata i august 2024. Det er en statisk træningsdatagrænse frem for direkte adgang til aktuelle oplysninger. Når et spørgsmål afhænger af nyere eller privat materiale, skal du vedlægge materialet som kildekontekst eller gennem en særskilt tilsluttet søgeoperation.
Udgivelsen omfatter BF16-vægte og særskilt kvantiserede FP8-vægte. Disse præcisionsvalg skaber ikke en ny inputmodalitet eller giver Maverick Scouts kontekst på 10M. Bevar det præcise Instruct-checkpoint og dets konfiguration, når en gentaget opgave eller en afledt driftsopsætning sammenlignes.
Praktisk resultatdesign
En dokumentbilledopgave kan bede om kildeidentifikatoren, det synlige udsagn, den udtrukne værdi og fortolkningen som særskilte felter. En samtaleforklaring kan bevare de oprindelige begreber og tilpasse prosaen til læserens understøttede sprog. En kodeanmodning kan returnere det reviderede fragment og eksempler, der adskiller dets tilsigtede adfærd.
Definér, hvordan slutresultatet skal bruges, før du vedlægger materialet. En kort billedtekst, en sammenligningstabel og et foreslået program løser forskellige opgaver, selv når de deler de samme billeder. Modellens visuelle og sproglige evner leverer fortolkning og tekst; ekstern søgning, udførelse eller filproduktion kommer fra applikationskomponenter.
Specifikke grænser
De dokumenterede input her er tekst og billeder med tekst- og kodeoutput. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngivne ræsonnementsniveauer bør ikke tilskrives denne Maverick-udgave. Llama Guard er også en særskilt trænet klassifikator frem for et automatisk klassifikatoroutput fra et Maverick-svar.
Kortets genereringseksempel på 256 tokens er en eksempelindstilling, og de læste kilder fastslår ikke et særskilt hårdt maksimum for outputtokens ud over modellens kontekstspecifikation. Hold Maverick-identiteten, området af understøttede sprog og det kildeforbundne slutresultat eksplicitte frem for at låne grænser eller tilstande fra en anden Llama-udgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser llama-4-maverick | 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 $0.000375 / 1K tokens Output · Outputtokens $0.001305 / 1K tokens Input · Cachelæsning $0.0001 / 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 $0.000375 / 1K tokens Output · Outputtokens $0.001305 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick er Metas nativt multimodale Instruct-model til tekst og billeder med 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt. Producenten dokumenterer en kontekst på 1M, flersproget tekst- og kodeoutput, visuel genkendelse, billedtekstning og spørgsmål om billeder i en udgave, der er adskilt fra Scout.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Llama 4 Maverick Instruct er Metas nativt multimodale model til assistentlignende samtale og visuelt ræsonnement. Den modtager flersproget tekst og billeder og genererer flersproget tekst eller kode. Dens mixture-of-experts-arkitektur bruger tidlig fusion, som kombinerer visuel og tekstlig information inde i modellen frem for at behandle billedet som en løsrevet billedtekst leveret af en særskilt tekstassistent.
Modeloplysninger og kontekst
Producenten angiver 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt for Maverick. Dette adskiller sig fra Scouts konfiguration med 16 eksperter og 109 milliarder parametre i alt, selv om begge bærer betegnelsen 17B for aktiv størrelse. Navnet Instruct identificerer det assistentorienterede checkpoint frem for den fortrænede Maverick-model.
Modelkortet dokumenterer et kontekstvindue på 1M for Maverick. Brug konteksten til at holde de relevante passager, billeder, samtalen og det ønskede svar samlet. En stor kildesamling kræver stadig et defineret spørgsmål og artefakt. Mærk kildedokumenterne og billederne, og bed om den placering, der understøtter hvert udtrukket fund, frem for at bede om et uafgrænset resumé af alt materialet.
De understøttede sprog er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Producenten skelner mellem disse tolv understøttede sprog og den bredere samling på omkring to hundrede sprog brugt i fortræningen. Tilstedeværelse af et sprog i træningen bør ikke gøres til et løfte om ens evner på alle sprog.
Chat-, visions- og kodeopgaver
Kortets tilsigtede visuelle anvendelser omfatter genkendelse, billedræsonnement, billedtekstning og besvarelse af generelle spørgsmål om et billede. Ved et fotografi skal du bede modellen identificere de objekter eller den relation, der er relevant for opgaven. Ved et diagram skal du bede om en sammenligning af navngivne serier med akser og enheder bevaret. Ved en skematisk tegning kan du spørge, hvilken mærket forbindelse der understøtter et angivet krav.
Ved sammenligning af flere billeder skal du identificere hvert billedes rolle og bede om de samme kriterier på tværs af dem. Vedlæg eksempelvis et oprindeligt design og en revision, og bed derefter om synlige overensstemmelser, forskelle og detaljer, som billederne ikke fastslår. Hold observationerne adskilt fra konklusioner, der afhænger af den ledsagende tekst. Det gør outputtet lettere at undersøge mod den faktiske kilde.
Producenten rapporterer test af billedforståelse med op til fem inputbilleder. Det er det dokumenterede testomfang og ikke et ubetinget hårdt maksimum for billedantal. Bevar de detaljer, spørgsmålet kræver, og billedernes rækkefølge. Tilføjelse af mange ubeslægtede billeder definerer ikke i sig selv, hvad der skal sammenlignes.
Ved en kodeopgave skal du angive kravet, den relevante kilde og den forventede adfærd. Bed om den foreslåede implementering adskilt fra dens antagelser og eksempler. Et skærmbillede kan levere visuelle krav, mens den tekstlige betingelse leverer den adfærd, skærmbilledet ikke kan vise. Genereret kode er et tekstartefakt; kørsel, undersøgelse af en renderet grænseflade eller anvendelse i et repositorium kræver det tilsluttede miljø.
Samtaleforberedelse og træning
Modelkortet demonstrerer den tilhørende processor og chatskabelon med to billeder og et skriftligt sammenligningsspørgsmål. Hold samtaleroller og forbindelsen mellem billede og tekst eksplicit. En systeminstruktion kan definere målgruppen, tonen og svarstrukturen, mens brugerbeskeden indeholder den faktiske opgave og dokumentation. Producenten beskriver forbedringer efter træning af styrbarhed gennem systemprompter og samtaleformatering.
Maverick er fortrænet på cirka 22 billioner tokens multimodale data med en angivet skæringsdato for fortræningsdata i august 2024. Det er en statisk træningsdatagrænse frem for direkte adgang til aktuelle oplysninger. Når et spørgsmål afhænger af nyere eller privat materiale, skal du vedlægge materialet som kildekontekst eller gennem en særskilt tilsluttet søgeoperation.
Udgivelsen omfatter BF16-vægte og særskilt kvantiserede FP8-vægte. Disse præcisionsvalg skaber ikke en ny inputmodalitet eller giver Maverick Scouts kontekst på 10M. Bevar det præcise Instruct-checkpoint og dets konfiguration, når en gentaget opgave eller en afledt driftsopsætning sammenlignes.
Praktisk resultatdesign
En dokumentbilledopgave kan bede om kildeidentifikatoren, det synlige udsagn, den udtrukne værdi og fortolkningen som særskilte felter. En samtaleforklaring kan bevare de oprindelige begreber og tilpasse prosaen til læserens understøttede sprog. En kodeanmodning kan returnere det reviderede fragment og eksempler, der adskiller dets tilsigtede adfærd.
Definér, hvordan slutresultatet skal bruges, før du vedlægger materialet. En kort billedtekst, en sammenligningstabel og et foreslået program løser forskellige opgaver, selv når de deler de samme billeder. Modellens visuelle og sproglige evner leverer fortolkning og tekst; ekstern søgning, udførelse eller filproduktion kommer fra applikationskomponenter.
Specifikke grænser
De dokumenterede input her er tekst og billeder med tekst- og kodeoutput. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngivne ræsonnementsniveauer bør ikke tilskrives denne Maverick-udgave. Llama Guard er også en særskilt trænet klassifikator frem for et automatisk klassifikatoroutput fra et Maverick-svar.
Kortets genereringseksempel på 256 tokens er en eksempelindstilling, og de læste kilder fastslår ikke et særskilt hårdt maksimum for outputtokens ud over modellens kontekstspecifikation. Hold Maverick-identiteten, området af understøttede sprog og det kildeforbundne slutresultat eksplicitte frem for at låne grænser eller tilstande fra en anden Llama-udgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokens Output · Outputtokens $0.001305 / 1K tokens Input · Cachelæsning $0.0001 / 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 $0.000375 / 1K tokens Output · Outputtokens $0.001305 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick er Metas nativt multimodale Instruct-model til tekst og billeder med 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt. Producenten dokumenterer en kontekst på 1M, flersproget tekst- og kodeoutput, visuel genkendelse, billedtekstning og spørgsmål om billeder i en udgave, der er adskilt fra Scout.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Llama 4 Maverick Instruct er Metas nativt multimodale model til assistentlignende samtale og visuelt ræsonnement. Den modtager flersproget tekst og billeder og genererer flersproget tekst eller kode. Dens mixture-of-experts-arkitektur bruger tidlig fusion, som kombinerer visuel og tekstlig information inde i modellen frem for at behandle billedet som en løsrevet billedtekst leveret af en særskilt tekstassistent.
Modeloplysninger og kontekst
Producenten angiver 128 eksperter, 17 milliarder aktive parametre og 400 milliarder parametre i alt for Maverick. Dette adskiller sig fra Scouts konfiguration med 16 eksperter og 109 milliarder parametre i alt, selv om begge bærer betegnelsen 17B for aktiv størrelse. Navnet Instruct identificerer det assistentorienterede checkpoint frem for den fortrænede Maverick-model.
Modelkortet dokumenterer et kontekstvindue på 1M for Maverick. Brug konteksten til at holde de relevante passager, billeder, samtalen og det ønskede svar samlet. En stor kildesamling kræver stadig et defineret spørgsmål og artefakt. Mærk kildedokumenterne og billederne, og bed om den placering, der understøtter hvert udtrukket fund, frem for at bede om et uafgrænset resumé af alt materialet.
De understøttede sprog er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Producenten skelner mellem disse tolv understøttede sprog og den bredere samling på omkring to hundrede sprog brugt i fortræningen. Tilstedeværelse af et sprog i træningen bør ikke gøres til et løfte om ens evner på alle sprog.
Chat-, visions- og kodeopgaver
Kortets tilsigtede visuelle anvendelser omfatter genkendelse, billedræsonnement, billedtekstning og besvarelse af generelle spørgsmål om et billede. Ved et fotografi skal du bede modellen identificere de objekter eller den relation, der er relevant for opgaven. Ved et diagram skal du bede om en sammenligning af navngivne serier med akser og enheder bevaret. Ved en skematisk tegning kan du spørge, hvilken mærket forbindelse der understøtter et angivet krav.
Ved sammenligning af flere billeder skal du identificere hvert billedes rolle og bede om de samme kriterier på tværs af dem. Vedlæg eksempelvis et oprindeligt design og en revision, og bed derefter om synlige overensstemmelser, forskelle og detaljer, som billederne ikke fastslår. Hold observationerne adskilt fra konklusioner, der afhænger af den ledsagende tekst. Det gør outputtet lettere at undersøge mod den faktiske kilde.
Producenten rapporterer test af billedforståelse med op til fem inputbilleder. Det er det dokumenterede testomfang og ikke et ubetinget hårdt maksimum for billedantal. Bevar de detaljer, spørgsmålet kræver, og billedernes rækkefølge. Tilføjelse af mange ubeslægtede billeder definerer ikke i sig selv, hvad der skal sammenlignes.
Ved en kodeopgave skal du angive kravet, den relevante kilde og den forventede adfærd. Bed om den foreslåede implementering adskilt fra dens antagelser og eksempler. Et skærmbillede kan levere visuelle krav, mens den tekstlige betingelse leverer den adfærd, skærmbilledet ikke kan vise. Genereret kode er et tekstartefakt; kørsel, undersøgelse af en renderet grænseflade eller anvendelse i et repositorium kræver det tilsluttede miljø.
Samtaleforberedelse og træning
Modelkortet demonstrerer den tilhørende processor og chatskabelon med to billeder og et skriftligt sammenligningsspørgsmål. Hold samtaleroller og forbindelsen mellem billede og tekst eksplicit. En systeminstruktion kan definere målgruppen, tonen og svarstrukturen, mens brugerbeskeden indeholder den faktiske opgave og dokumentation. Producenten beskriver forbedringer efter træning af styrbarhed gennem systemprompter og samtaleformatering.
Maverick er fortrænet på cirka 22 billioner tokens multimodale data med en angivet skæringsdato for fortræningsdata i august 2024. Det er en statisk træningsdatagrænse frem for direkte adgang til aktuelle oplysninger. Når et spørgsmål afhænger af nyere eller privat materiale, skal du vedlægge materialet som kildekontekst eller gennem en særskilt tilsluttet søgeoperation.
Udgivelsen omfatter BF16-vægte og særskilt kvantiserede FP8-vægte. Disse præcisionsvalg skaber ikke en ny inputmodalitet eller giver Maverick Scouts kontekst på 10M. Bevar det præcise Instruct-checkpoint og dets konfiguration, når en gentaget opgave eller en afledt driftsopsætning sammenlignes.
Praktisk resultatdesign
En dokumentbilledopgave kan bede om kildeidentifikatoren, det synlige udsagn, den udtrukne værdi og fortolkningen som særskilte felter. En samtaleforklaring kan bevare de oprindelige begreber og tilpasse prosaen til læserens understøttede sprog. En kodeanmodning kan returnere det reviderede fragment og eksempler, der adskiller dets tilsigtede adfærd.
Definér, hvordan slutresultatet skal bruges, før du vedlægger materialet. En kort billedtekst, en sammenligningstabel og et foreslået program løser forskellige opgaver, selv når de deler de samme billeder. Modellens visuelle og sproglige evner leverer fortolkning og tekst; ekstern søgning, udførelse eller filproduktion kommer fra applikationskomponenter.
Specifikke grænser
De dokumenterede input her er tekst og billeder med tekst- og kodeoutput. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngivne ræsonnementsniveauer bør ikke tilskrives denne Maverick-udgave. Llama Guard er også en særskilt trænet klassifikator frem for et automatisk klassifikatoroutput fra et Maverick-svar.
Kortets genereringseksempel på 256 tokens er en eksempelindstilling, og de læste kilder fastslår ikke et særskilt hårdt maksimum for outputtokens ud over modellens kontekstspecifikation. Hold Maverick-identiteten, området af understøttede sprog og det kildeforbundne slutresultat eksplicitte frem for at låne grænser eller tilstande fra en anden Llama-udgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokens Output · Outputtokens $0.001305 / 1K tokens Input · Cachelæsning $0.0001 / 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 $0.000375 / 1K tokens Output · Outputtokens $0.001305 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Teknisk eksempel på engelsk
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.