Llama Guard 4 12B er Metas nativt multimodale sikkerhedsklassifikator med 12 milliarder parametre. Den trænes samlet på tekst og flere billeder og genererer en tekstlig klassifikation: safe eller unsafe med de overtrådte farekategorier, når resultatet er unsafe. Formålet er at evaluere indhold i en prompt eller et genereret svar frem for at fungere som en generel chatassistent.
Klassifikation af prompter og svar
Modellen kan klassificere materiale, før det sendes til en generativ model, efter at denne model har produceret et svar, eller på begge tidspunkter. Det er forskellige spørgsmål. Promptklassifikation evaluerer brugerens input, mens svarklassifikation evaluerer det, en assistent faktisk skrev. Et system kan derfor skelne mellem en risikabel anmodning og et svar, der håndterer anmodningen på en acceptabel måde under klassifikatorens taksonomi.
Vedlæg det præcise indhold, der skal klassificeres, med samtaleroller og relevant kontekst. Hvis målet er et svar, skal du bevare det spørgsmål, der giver svaret betydning. Ved blandet tekst- og billedinput skal du medtage de billeder, der hører til prompten, frem for at klassificere uvedkommende tekst eller ét vilkårligt valgt billede. Klassifikatorresultatet er information til applikationens regel- eller reviewtrin; det blokerer ikke i sig selv en anmodning eller ændrer en fil.
Fjorten farekategorier
Producenten tilpasser klassifikatoren til MLCommons' faretaksonomi og tilføjer en kategori for kodefortolkere, som kun gælder tekst. De fjorten etiketter dækker voldskriminalitet, ikkevoldelig kriminalitet, seksualforbrydelser, seksuel udnyttelse af børn, ærekrænkelse, specialiseret rådgivning, privatliv, intellektuel ejendomsret, våben med vilkårlig virkning, had, selvmord og selvskade, seksuelt indhold, valg og misbrug af kodefortolkere.
Kategorierne bruger identifikatorerne S1 til S14. S14, Code Interpreter Abuse, er specifikt til anvendelser med værktøjskald og kun tekst. Bevar taksonomiidentifikatoren sammen med safe/unsafe-resultatet, så et senere applikationstrin kan fortolke klassifikationen under de samme kategoridefinitioner. Et kort resultat er en kategorivurdering og ikke en fuld forklaring, en juridisk afgørelse eller en garanti for, at enhver mulig skade er opdaget.
Som illustrativt format kan en unsafe-klassifikation efterfølges af den relevante kategoriidentifikator. Bevar den oprindeligt evaluerede tekst, dens kilde eller samtaleposition og de returnerede etiketter samlet. Denne forbindelse lader en applikation skelne mellem det undersøgte indhold og et senere omskrevet svar eller en særskilt prompt.
Arkitektur og træning
Llama Guard 4 har en tæt Transformer-arkitektur med tidlig fusion, beskåret fra et fortrænet Llama 4 Scout-checkpoint. Producenten fjerner routede eksperter og routerlag og bevarer den delte tætte ekspert og eftertræner derefter den resulterende model til indholdsklassifikation. Den udfører ingen yderligere fortræning efter beskæringstrinnet. Det skaber en anden model end Scouts mixture-of-experts-chatudgave.
Modellen deler Llama 4s tokenizer og visionsencoder og kombinerer klassifikationstræning med kun tekst og multimodal træning. Producenten beskriver flersprogede data og træning med flere billeder, hvor de fleste af disse eksempler indeholder to til fem billeder og en omtrentlig blanding i forholdet tre til én mellem rene tekstdata og multimodale data. Dette er træningskarakteristika og ikke hårde grænser for antallet af input.
Det dokumenterede flersprogede område følger de sprog, Llama Guard 3 understøtter, og kortet omtaler engelsk sammen med fransk, tysk, hindi, italiensk, portugisisk, spansk og thai. En klassifikationsanmodning bør bevare den faktiske ordlyd og visuelle kontekst på det sprog, der evalueres, frem for at erstatte indholdet med et uvedkommende resumé.
Forberedelse af et nyttigt klassifikationsresultat
Ved en inputkontrol skal du vedlægge brugerens besked og de tilhørende billeder og bede om promptklassifikationen i producentens format. Ved en outputkontrol skal du vedlægge assistentens faktiske svar sammen med den relevante tidligere besked. Et eksempel med flere billeder kan bevare den tekst, der forbinder billederne, så modellen evaluerer den samlede anmodning frem for uafhængige fragmenter uden kontekst.
Modelkortet demonstrerer anvendelse af den tilhørende samtaleskabelon og afkodning af kun den genererede klassifikation. Genereringseksemplet på ti tokens illustrerer et kort etiketresultat; tallet er ikke en særskilt maksimal svarkapacitet. Hold det ønskede output på linje med klassifikatorens formål frem for at bede den skrive et almindeligt samtalesvar.
Specifikke begrænsninger
Producenten angiver, at vurderinger kan være begrænset af modellens træningsdata, almene viden, sprogdækning og politikdækning. Kategorier om ærekrænkelse, intellektuel ejendomsret og valg kan kræve faktuel, aktuel viden, som klassifikatoren muligvis ikke har. Kategorietiketten bør derfor bevare forbindelsen til indholdet og de oplysninger, der var tilgængelige for evalueringen.
Kortet rapporterer test hovedsageligt på prompter med få billeder, oftest tre, og bemærker, at adfærden kan variere med en langt større billedsamling. Det beskriver testomfanget frem for et universelt maksimum på tre billeder. Modellen kan også være sårbar over for adversarialt indhold eller prompt injection, der ændrer dens tilsigtede adfærd.
Llama Guard 4s klassifikatorrolle bør ikke overtage Scouts kontekstspecifikation eller generelle assistentevner, blot fordi den er beskåret fra Scout. Det læste kort angiver ikke en særskilt hård kontekst- eller outputtokenkapacitet for denne klassifikator. Bevar det evaluerede materiale og taksonomietiketterne som det praktiske artefakt, og lad applikationen bestemme den handling, der knyttes til resultatet.
", "aboutText": "Llama Guard 4 12B er Metas nativt multimodale sikkerhedsklassifikator med 12 milliarder parametre. Den trænes samlet på tekst og flere billeder og genererer en tekstlig klassifikation: safe eller unsafe med de overtrådte farekategorier, når resultatet er unsafe. Formålet er at evaluere indhold i en prompt eller et genereret svar frem for at fungere som en generel chatassistent.\n\nKlassifikation af prompter og svar\n\nModellen kan klassificere materiale, før det sendes til en generativ model, efter at denne model har produceret et svar, eller på begge tidspunkter. Det er forskellige spørgsmål. Promptklassifikation evaluerer brugerens input, mens svarklassifikation evaluerer det, en assistent faktisk skrev. Et system kan derfor skelne mellem en risikabel anmodning og et svar, der håndterer anmodningen på en acceptabel måde under klassifikatorens taksonomi.\n\nVedlæg det præcise indhold, der skal klassificeres, med samtaleroller og relevant kontekst. Hvis målet er et svar, skal du bevare det spørgsmål, der giver svaret betydning. Ved blandet tekst- og billedinput skal du medtage de billeder, der hører til prompten, frem for at klassificere uvedkommende tekst eller ét vilkårligt valgt billede. Klassifikatorresultatet er information til applikationens regel- eller reviewtrin; det blokerer ikke i sig selv en anmodning eller ændrer en fil.\n\nFjorten farekategorier\n\nProducenten tilpasser klassifikatoren til MLCommons' faretaksonomi og tilføjer en kategori for kodefortolkere, som kun gælder tekst. De fjorten etiketter dækker voldskriminalitet, ikkevoldelig kriminalitet, seksualforbrydelser, seksuel udnyttelse af børn, ærekrænkelse, specialiseret rådgivning, privatliv, intellektuel ejendomsret, våben med vilkårlig virkning, had, selvmord og selvskade, seksuelt indhold, valg og misbrug af kodefortolkere.\n\nKategorierne bruger identifikatorerne S1 til S14. S14, Code Interpreter Abuse, er specifikt til anvendelser med værktøjskald og kun tekst. Bevar taksonomiidentifikatoren sammen med safe/unsafe-resultatet, så et senere applikationstrin kan fortolke klassifikationen under de samme kategoridefinitioner. Et kort resultat er en kategorivurdering og ikke en fuld forklaring, en juridisk afgørelse eller en garanti for, at enhver mulig skade er opdaget.\n\nSom illustrativt format kan en unsafe-klassifikation efterfølges af den relevante kategoriidentifikator. Bevar den oprindeligt evaluerede tekst, dens kilde eller samtaleposition og de returnerede etiketter samlet. Denne forbindelse lader en applikation skelne mellem det undersøgte indhold og et senere omskrevet svar eller en særskilt prompt.\n\nArkitektur og træning\n\nLlama Guard 4 har en tæt Transformer-arkitektur med tidlig fusion, beskåret fra et fortrænet Llama 4 Scout-checkpoint. Producenten fjerner routede eksperter og routerlag og bevarer den delte tætte ekspert og eftertræner derefter den resulterende model til indholdsklassifikation. Den udfører ingen yderligere fortræning efter beskæringstrinnet. Det skaber en anden model end Scouts mixture-of-experts-chatudgave.\n\nModellen deler Llama 4s tokenizer og visionsencoder og kombinerer klassifikationstræning med kun tekst og multimodal træning. Producenten beskriver flersprogede data og træning med flere billeder, hvor de fleste af disse eksempler indeholder to til fem billeder og en omtrentlig blanding i forholdet tre til én mellem rene tekstdata og multimodale data. Dette er træningskarakteristika og ikke hårde grænser for antallet af input.\n\nDet dokumenterede flersprogede område følger de sprog, Llama Guard 3 understøtter, og kortet omtaler engelsk sammen med fransk, tysk, hindi, italiensk, portugisisk, spansk og thai. En klassifikationsanmodning bør bevare den faktiske ordlyd og visuelle kontekst på det sprog, der evalueres, frem for at erstatte indholdet med et uvedkommende resumé.\n\nForberedelse af et nyttigt klassifikationsresultat\n\nVed en inputkontrol skal du vedlægge brugerens besked og de tilhørende billeder og bede om promptklassifikationen i producentens format. Ved en outputkontrol skal du vedlægge assistentens faktiske svar sammen med den relevante tidligere besked. Et eksempel med flere billeder kan bevare den tekst, der forbinder billederne, så modellen evaluerer den samlede anmodning frem for uafhængige fragmenter uden kontekst.\n\nModelkortet demonstrerer anvendelse af den tilhørende samtaleskabelon og afkodning af kun den genererede klassifikation. Genereringseksemplet på ti tokens illustrerer et kort etiketresultat; tallet er ikke en særskilt maksimal svarkapacitet. Hold det ønskede output på linje med klassifikatorens formål frem for at bede den skrive et almindeligt samtalesvar.\n\nSpecifikke begrænsninger\n\nProducenten angiver, at vurderinger kan være begrænset af modellens træningsdata, almene viden, sprogdækning og politikdækning. Kategorier om ærekrænkelse, intellektuel ejendomsret og valg kan kræve faktuel, aktuel viden, som klassifikatoren muligvis ikke har. Kategorietiketten bør derfor bevare forbindelsen til indholdet og de oplysninger, der var tilgængelige for evalueringen.\n\nKortet rapporterer test hovedsageligt på prompter med få billeder, oftest tre, og bemærker, at adfærden kan variere med en langt større billedsamling. Det beskriver testomfanget frem for et universelt maksimum på tre billeder. Modellen kan også være sårbar over for adversarialt indhold eller prompt injection, der ændrer dens tilsigtede adfærd.\n\nLlama Guard 4s klassifikatorrolle bør ikke overtage Scouts kontekstspecifikation eller generelle assistentevner, blot fordi den er beskåret fra Scout. Det læste kort angiver ikke en særskilt hård kontekst- eller outputtokenkapacitet for denne klassifikator. Bevar det evaluerede materiale og taksonomietiketterne som det praktiske artefakt, og lad applikationen bestemme den handling, der knyttes til resultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B er Metas multimodale indholdsklassifikator til prompter og genererede svar. Den analyserer tekst med et eller flere billeder og returnerer en safe/unsafe-etiket samt relevante farekategorier ved hjælp af en tæt arkitektur beskåret fra Llama 4 Scout.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Llama Guard 4 12B er Metas nativt multimodale sikkerhedsklassifikator med 12 milliarder parametre. Den trænes samlet på tekst og flere billeder og genererer en tekstlig klassifikation: safe eller unsafe med de overtrådte farekategorier, når resultatet er unsafe. Formålet er at evaluere indhold i en prompt eller et genereret svar frem for at fungere som en generel chatassistent.
Klassifikation af prompter og svar
Modellen kan klassificere materiale, før det sendes til en generativ model, efter at denne model har produceret et svar, eller på begge tidspunkter. Det er forskellige spørgsmål. Promptklassifikation evaluerer brugerens input, mens svarklassifikation evaluerer det, en assistent faktisk skrev. Et system kan derfor skelne mellem en risikabel anmodning og et svar, der håndterer anmodningen på en acceptabel måde under klassifikatorens taksonomi.
Vedlæg det præcise indhold, der skal klassificeres, med samtaleroller og relevant kontekst. Hvis målet er et svar, skal du bevare det spørgsmål, der giver svaret betydning. Ved blandet tekst- og billedinput skal du medtage de billeder, der hører til prompten, frem for at klassificere uvedkommende tekst eller ét vilkårligt valgt billede. Klassifikatorresultatet er information til applikationens regel- eller reviewtrin; det blokerer ikke i sig selv en anmodning eller ændrer en fil.
Fjorten farekategorier
Producenten tilpasser klassifikatoren til MLCommons' faretaksonomi og tilføjer en kategori for kodefortolkere, som kun gælder tekst. De fjorten etiketter dækker voldskriminalitet, ikkevoldelig kriminalitet, seksualforbrydelser, seksuel udnyttelse af børn, ærekrænkelse, specialiseret rådgivning, privatliv, intellektuel ejendomsret, våben med vilkårlig virkning, had, selvmord og selvskade, seksuelt indhold, valg og misbrug af kodefortolkere.
Kategorierne bruger identifikatorerne S1 til S14. S14, Code Interpreter Abuse, er specifikt til anvendelser med værktøjskald og kun tekst. Bevar taksonomiidentifikatoren sammen med safe/unsafe-resultatet, så et senere applikationstrin kan fortolke klassifikationen under de samme kategoridefinitioner. Et kort resultat er en kategorivurdering og ikke en fuld forklaring, en juridisk afgørelse eller en garanti for, at enhver mulig skade er opdaget.
Som illustrativt format kan en unsafe-klassifikation efterfølges af den relevante kategoriidentifikator. Bevar den oprindeligt evaluerede tekst, dens kilde eller samtaleposition og de returnerede etiketter samlet. Denne forbindelse lader en applikation skelne mellem det undersøgte indhold og et senere omskrevet svar eller en særskilt prompt.
Arkitektur og træning
Llama Guard 4 har en tæt Transformer-arkitektur med tidlig fusion, beskåret fra et fortrænet Llama 4 Scout-checkpoint. Producenten fjerner routede eksperter og routerlag og bevarer den delte tætte ekspert og eftertræner derefter den resulterende model til indholdsklassifikation. Den udfører ingen yderligere fortræning efter beskæringstrinnet. Det skaber en anden model end Scouts mixture-of-experts-chatudgave.
Modellen deler Llama 4s tokenizer og visionsencoder og kombinerer klassifikationstræning med kun tekst og multimodal træning. Producenten beskriver flersprogede data og træning med flere billeder, hvor de fleste af disse eksempler indeholder to til fem billeder og en omtrentlig blanding i forholdet tre til én mellem rene tekstdata og multimodale data. Dette er træningskarakteristika og ikke hårde grænser for antallet af input.
Det dokumenterede flersprogede område følger de sprog, Llama Guard 3 understøtter, og kortet omtaler engelsk sammen med fransk, tysk, hindi, italiensk, portugisisk, spansk og thai. En klassifikationsanmodning bør bevare den faktiske ordlyd og visuelle kontekst på det sprog, der evalueres, frem for at erstatte indholdet med et uvedkommende resumé.
Forberedelse af et nyttigt klassifikationsresultat
Ved en inputkontrol skal du vedlægge brugerens besked og de tilhørende billeder og bede om promptklassifikationen i producentens format. Ved en outputkontrol skal du vedlægge assistentens faktiske svar sammen med den relevante tidligere besked. Et eksempel med flere billeder kan bevare den tekst, der forbinder billederne, så modellen evaluerer den samlede anmodning frem for uafhængige fragmenter uden kontekst.
Modelkortet demonstrerer anvendelse af den tilhørende samtaleskabelon og afkodning af kun den genererede klassifikation. Genereringseksemplet på ti tokens illustrerer et kort etiketresultat; tallet er ikke en særskilt maksimal svarkapacitet. Hold det ønskede output på linje med klassifikatorens formål frem for at bede den skrive et almindeligt samtalesvar.
Specifikke begrænsninger
Producenten angiver, at vurderinger kan være begrænset af modellens træningsdata, almene viden, sprogdækning og politikdækning. Kategorier om ærekrænkelse, intellektuel ejendomsret og valg kan kræve faktuel, aktuel viden, som klassifikatoren muligvis ikke har. Kategorietiketten bør derfor bevare forbindelsen til indholdet og de oplysninger, der var tilgængelige for evalueringen.
Kortet rapporterer test hovedsageligt på prompter med få billeder, oftest tre, og bemærker, at adfærden kan variere med en langt større billedsamling. Det beskriver testomfanget frem for et universelt maksimum på tre billeder. Modellen kan også være sårbar over for adversarialt indhold eller prompt injection, der ændrer dens tilsigtede adfærd.
Llama Guard 4s klassifikatorrolle bør ikke overtage Scouts kontekstspecifikation eller generelle assistentevner, blot fordi den er beskåret fra Scout. Det læste kort angiver ikke en særskilt hård kontekst- eller outputtokenkapacitet for denne klassifikator. Bevar det evaluerede materiale og taksonomietiketterne som det praktiske artefakt, og lad applikationen bestemme den handling, der knyttes til resultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Output · Outputtokens $0.00036 / 1K tokens Input · Cachelæsning — / 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 $0.00036 / 1K tokens Output · Outputtokens $0.00036 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-guard-4-12b", "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-guard-4-12b',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-guard-4-12b',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 meta-llama/llama-guard-4-12b
Brug metodestierne vist ovenfor.
meta-llama/llama-guard-4-12bLlama Guard 4 12B er Metas multimodale indholdsklassifikator til prompter og genererede svar. Den analyserer tekst med et eller flere billeder og returnerer en safe/unsafe-etiket samt relevante farekategorier ved hjælp af en tæt arkitektur beskåret fra Llama 4 Scout.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Llama Guard 4 12B er Metas nativt multimodale sikkerhedsklassifikator med 12 milliarder parametre. Den trænes samlet på tekst og flere billeder og genererer en tekstlig klassifikation: safe eller unsafe med de overtrådte farekategorier, når resultatet er unsafe. Formålet er at evaluere indhold i en prompt eller et genereret svar frem for at fungere som en generel chatassistent.
Klassifikation af prompter og svar
Modellen kan klassificere materiale, før det sendes til en generativ model, efter at denne model har produceret et svar, eller på begge tidspunkter. Det er forskellige spørgsmål. Promptklassifikation evaluerer brugerens input, mens svarklassifikation evaluerer det, en assistent faktisk skrev. Et system kan derfor skelne mellem en risikabel anmodning og et svar, der håndterer anmodningen på en acceptabel måde under klassifikatorens taksonomi.
Vedlæg det præcise indhold, der skal klassificeres, med samtaleroller og relevant kontekst. Hvis målet er et svar, skal du bevare det spørgsmål, der giver svaret betydning. Ved blandet tekst- og billedinput skal du medtage de billeder, der hører til prompten, frem for at klassificere uvedkommende tekst eller ét vilkårligt valgt billede. Klassifikatorresultatet er information til applikationens regel- eller reviewtrin; det blokerer ikke i sig selv en anmodning eller ændrer en fil.
Fjorten farekategorier
Producenten tilpasser klassifikatoren til MLCommons' faretaksonomi og tilføjer en kategori for kodefortolkere, som kun gælder tekst. De fjorten etiketter dækker voldskriminalitet, ikkevoldelig kriminalitet, seksualforbrydelser, seksuel udnyttelse af børn, ærekrænkelse, specialiseret rådgivning, privatliv, intellektuel ejendomsret, våben med vilkårlig virkning, had, selvmord og selvskade, seksuelt indhold, valg og misbrug af kodefortolkere.
Kategorierne bruger identifikatorerne S1 til S14. S14, Code Interpreter Abuse, er specifikt til anvendelser med værktøjskald og kun tekst. Bevar taksonomiidentifikatoren sammen med safe/unsafe-resultatet, så et senere applikationstrin kan fortolke klassifikationen under de samme kategoridefinitioner. Et kort resultat er en kategorivurdering og ikke en fuld forklaring, en juridisk afgørelse eller en garanti for, at enhver mulig skade er opdaget.
Som illustrativt format kan en unsafe-klassifikation efterfølges af den relevante kategoriidentifikator. Bevar den oprindeligt evaluerede tekst, dens kilde eller samtaleposition og de returnerede etiketter samlet. Denne forbindelse lader en applikation skelne mellem det undersøgte indhold og et senere omskrevet svar eller en særskilt prompt.
Arkitektur og træning
Llama Guard 4 har en tæt Transformer-arkitektur med tidlig fusion, beskåret fra et fortrænet Llama 4 Scout-checkpoint. Producenten fjerner routede eksperter og routerlag og bevarer den delte tætte ekspert og eftertræner derefter den resulterende model til indholdsklassifikation. Den udfører ingen yderligere fortræning efter beskæringstrinnet. Det skaber en anden model end Scouts mixture-of-experts-chatudgave.
Modellen deler Llama 4s tokenizer og visionsencoder og kombinerer klassifikationstræning med kun tekst og multimodal træning. Producenten beskriver flersprogede data og træning med flere billeder, hvor de fleste af disse eksempler indeholder to til fem billeder og en omtrentlig blanding i forholdet tre til én mellem rene tekstdata og multimodale data. Dette er træningskarakteristika og ikke hårde grænser for antallet af input.
Det dokumenterede flersprogede område følger de sprog, Llama Guard 3 understøtter, og kortet omtaler engelsk sammen med fransk, tysk, hindi, italiensk, portugisisk, spansk og thai. En klassifikationsanmodning bør bevare den faktiske ordlyd og visuelle kontekst på det sprog, der evalueres, frem for at erstatte indholdet med et uvedkommende resumé.
Forberedelse af et nyttigt klassifikationsresultat
Ved en inputkontrol skal du vedlægge brugerens besked og de tilhørende billeder og bede om promptklassifikationen i producentens format. Ved en outputkontrol skal du vedlægge assistentens faktiske svar sammen med den relevante tidligere besked. Et eksempel med flere billeder kan bevare den tekst, der forbinder billederne, så modellen evaluerer den samlede anmodning frem for uafhængige fragmenter uden kontekst.
Modelkortet demonstrerer anvendelse af den tilhørende samtaleskabelon og afkodning af kun den genererede klassifikation. Genereringseksemplet på ti tokens illustrerer et kort etiketresultat; tallet er ikke en særskilt maksimal svarkapacitet. Hold det ønskede output på linje med klassifikatorens formål frem for at bede den skrive et almindeligt samtalesvar.
Specifikke begrænsninger
Producenten angiver, at vurderinger kan være begrænset af modellens træningsdata, almene viden, sprogdækning og politikdækning. Kategorier om ærekrænkelse, intellektuel ejendomsret og valg kan kræve faktuel, aktuel viden, som klassifikatoren muligvis ikke har. Kategorietiketten bør derfor bevare forbindelsen til indholdet og de oplysninger, der var tilgængelige for evalueringen.
Kortet rapporterer test hovedsageligt på prompter med få billeder, oftest tre, og bemærker, at adfærden kan variere med en langt større billedsamling. Det beskriver testomfanget frem for et universelt maksimum på tre billeder. Modellen kan også være sårbar over for adversarialt indhold eller prompt injection, der ændrer dens tilsigtede adfærd.
Llama Guard 4s klassifikatorrolle bør ikke overtage Scouts kontekstspecifikation eller generelle assistentevner, blot fordi den er beskåret fra Scout. Det læste kort angiver ikke en særskilt hård kontekst- eller outputtokenkapacitet for denne klassifikator. Bevar det evaluerede materiale og taksonomietiketterne som det praktiske artefakt, og lad applikationen bestemme den handling, der knyttes til resultatet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Output · Outputtokens $0.00036 / 1K tokens Input · Cachelæsning — / 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 $0.00036 / 1K tokens Output · Outputtokens $0.00036 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-guard-4-12b', '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-guard-4-12b', '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 meta-llama/llama-guard-4-12b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.