Llama Guard 4 12B ist Metas nativ multimodaler Sicherheitsklassifikator mit 12 Milliarden Parametern. Er wird gemeinsam auf Text und mehreren Bildern trainiert und erzeugt eine textliche Klassifikation: safe oder unsafe, bei unsafe mit den verletzten Gefahrenkategorien. Sein Zweck ist die Bewertung von Inhalten in einem Prompt oder einer erzeugten Antwort und nicht die Rolle eines allgemeinen Chatassistenten.
Klassifikation von Prompts und Antworten
Das Modell kann Material vor der Übermittlung an ein generatives Modell, nach dessen Antwort oder an beiden Punkten klassifizieren. Das sind unterschiedliche Fragen. Die Promptklassifikation bewertet die Nutzereingabe, die Antwortklassifikation hingegen das, was ein Assistent tatsächlich geschrieben hat. Ein System kann daher eine riskante Anfrage von einer Antwort unterscheiden, die sie nach der Taxonomie des Klassifikators in akzeptabler Weise behandelt.
Stellen Sie den exakten zu klassifizierenden Inhalt mit Gesprächsrollen und relevantem Kontext bereit. Ist das Ziel eine Antwort, bewahren Sie die Frage, die ihr Bedeutung gibt. Fügen Sie bei einer gemischten Text-Bild-Eingabe die zu diesem Prompt gehörenden Bilder hinzu, statt unzusammenhängenden Text oder ein beliebig ausgewähltes Bild zu klassifizieren. Das Klassifikatorergebnis liefert Informationen für den Regel- oder Prüfschritt der Anwendung; es blockiert nicht selbst eine Anfrage und ändert keine Datei.
Vierzehn Gefahrenkategorien
Der Hersteller richtet den Klassifikator an der MLCommons-Gefahrentaxonomie aus und ergänzt eine reine Textkategorie für Codeinterpreter. Die vierzehn Kennzeichnungen umfassen Gewaltdelikte, nicht gewalttätige Straftaten, Sexualdelikte, sexuelle Ausbeutung von Kindern, Verleumdung, fachliche Beratung, Privatsphäre, geistiges Eigentum, unterschiedslos wirkende Waffen, Hass, Suizid und Selbstverletzung, sexuelle Inhalte, Wahlen und Missbrauch des Codeinterpreters.
Die Kategorien verwenden die Kennungen S1 bis S14. S14, Code Interpreter Abuse, ist speziell für reine Textanwendungsfälle mit Werkzeugaufrufen vorgesehen. Behalten Sie die Taxonomiekennung beim safe/unsafe-Ergebnis bei, damit ein späterer Anwendungsschritt die Klassifikation anhand derselben Kategoriedefinitionen interpretieren kann. Ein kurzes Ergebnis ist ein Kategorienurteil und keine vollständige Erklärung, rechtliche Feststellung oder Garantie, dass jeder mögliche Schaden erkannt wurde.
Als Formatbeispiel kann auf eine unsafe-Klassifikation die zutreffende Kategorienkennung folgen. Bewahren Sie den ursprünglich bewerteten Text, seine Quelle oder Gesprächsposition und die zurückgegebenen Kennzeichnungen gemeinsam auf. Diese Zuordnung ermöglicht es einer Anwendung, den untersuchten Inhalt von einer später umformulierten Antwort oder einem anderen Prompt zu unterscheiden.
Architektur und Training
Llama Guard 4 besitzt eine dichte Early-Fusion-Transformer-Architektur, die durch Pruning aus einem vortrainierten Llama-4-Scout-Checkpoint hervorgeht. Der Hersteller entfernt geroutete Experten und Router-Schichten und behält den gemeinsam genutzten dichten Experten; anschließend trainiert er das resultierende Modell für Inhaltsklassifikation nach. Nach diesem Pruning-Schritt erfolgt kein zusätzliches Vortraining. Dadurch entsteht ein anderes Modell als Scouts Mixture-of-Experts-Chatausgabe.
Das Modell teilt Tokenizer und Bildencoder von Llama 4 und verbindet rein textliches mit multimodalem Klassifikationstraining. Der Hersteller beschreibt mehrsprachige Daten und Training mit mehreren Bildern; die meisten dieser Beispiele enthalten zwei bis fünf Bilder, bei einer ungefähren Mischung von drei Teilen reiner Textdaten zu einem Teil multimodaler Daten. Das sind Trainingsmerkmale und keine harten Grenzen für die Anzahl der Eingaben.
Der dokumentierte mehrsprachige Umfang folgt den von Llama Guard 3 unterstützten Sprachen; die Karte behandelt Englisch sowie Französisch, Deutsch, Hindi, Italienisch, Portugiesisch, Spanisch und Thai. Eine Klassifikationsanfrage sollte den tatsächlichen Wortlaut und visuellen Kontext in der zu bewertenden Sprache bewahren, statt den Inhalt durch eine sachfremde Zusammenfassung zu ersetzen.
Ein nützliches Klassifikationsergebnis vorbereiten
Stellen Sie für eine Eingabeprüfung die Nutzernachricht und zugehörigen Bilder bereit und fordern Sie die Promptklassifikation im Herstellerformat an. Stellen Sie für eine Ausgabeprüfung die tatsächliche Assistentenantwort zusammen mit der relevanten vorherigen Nachricht bereit. Ein Beispiel mit mehreren Bildern kann den verbindenden Text beibehalten, damit das Modell die gemeinsame Anfrage statt unabhängiger Fragmente ohne Kontext bewertet.
Die Modellkarte zeigt das Anwenden der passenden Gesprächsvorlage und das Decodieren ausschließlich der erzeugten Klassifikation. Ihr Generierungsbeispiel mit zehn Token veranschaulicht ein kurzes Kennzeichnungsergebnis; diese Zahl ist keine gesonderte maximale Antwortkapazität. Richten Sie die gewünschte Ausgabe am Zweck des Klassifikators aus, statt ihn eine gewöhnliche Gesprächsantwort schreiben zu lassen.
Spezifische Einschränkungen
Der Hersteller erklärt, dass Urteile durch Trainingsdaten, Alltagswissen, Sprachabdeckung und Abdeckung der Regeln begrenzt sein können. Kategorien zu Verleumdung, geistigem Eigentum und Wahlen können sachliches, aktuelles Wissen erfordern, das der Klassifikator möglicherweise nicht besitzt. Die Kategorienkennzeichnung sollte daher ihren Bezug zum Inhalt und den für die Bewertung verfügbaren Informationen bewahren.
Die Karte berichtet von Tests überwiegend mit Prompts mit wenigen Bildern, meist drei, und weist darauf hin, dass sich das Verhalten bei einer wesentlich größeren Bildsammlung unterscheiden kann. Das beschreibt den getesteten Umfang und kein allgemeines Maximum von drei Bildern. Das Modell kann außerdem anfällig für adversarielle Inhalte oder Prompt Injection sein, die sein beabsichtigtes Verhalten verändern.
Die Klassifikatorrolle von Llama Guard 4 sollte nicht allein wegen des Prunings aus Scout dessen Kontextspezifikation oder allgemeine Assistentenfähigkeiten übernehmen. Die gelesene Karte nennt für diesen Klassifikator keine gesonderte harte Kontext- oder Ausgabetokenkapazität. Bewahren Sie bewertetes Material und Taxonomiekennzeichnungen als praktisches Artefakt und lassen Sie die Anwendung über die mit dem Ergebnis verbundene Aktion entscheiden.
", "aboutText": "Llama Guard 4 12B ist Metas nativ multimodaler Sicherheitsklassifikator mit 12 Milliarden Parametern. Er wird gemeinsam auf Text und mehreren Bildern trainiert und erzeugt eine textliche Klassifikation: safe oder unsafe, bei unsafe mit den verletzten Gefahrenkategorien. Sein Zweck ist die Bewertung von Inhalten in einem Prompt oder einer erzeugten Antwort und nicht die Rolle eines allgemeinen Chatassistenten.\n\nKlassifikation von Prompts und Antworten\n\nDas Modell kann Material vor der Übermittlung an ein generatives Modell, nach dessen Antwort oder an beiden Punkten klassifizieren. Das sind unterschiedliche Fragen. Die Promptklassifikation bewertet die Nutzereingabe, die Antwortklassifikation hingegen das, was ein Assistent tatsächlich geschrieben hat. Ein System kann daher eine riskante Anfrage von einer Antwort unterscheiden, die sie nach der Taxonomie des Klassifikators in akzeptabler Weise behandelt.\n\nStellen Sie den exakten zu klassifizierenden Inhalt mit Gesprächsrollen und relevantem Kontext bereit. Ist das Ziel eine Antwort, bewahren Sie die Frage, die ihr Bedeutung gibt. Fügen Sie bei einer gemischten Text-Bild-Eingabe die zu diesem Prompt gehörenden Bilder hinzu, statt unzusammenhängenden Text oder ein beliebig ausgewähltes Bild zu klassifizieren. Das Klassifikatorergebnis liefert Informationen für den Regel- oder Prüfschritt der Anwendung; es blockiert nicht selbst eine Anfrage und ändert keine Datei.\n\nVierzehn Gefahrenkategorien\n\nDer Hersteller richtet den Klassifikator an der MLCommons-Gefahrentaxonomie aus und ergänzt eine reine Textkategorie für Codeinterpreter. Die vierzehn Kennzeichnungen umfassen Gewaltdelikte, nicht gewalttätige Straftaten, Sexualdelikte, sexuelle Ausbeutung von Kindern, Verleumdung, fachliche Beratung, Privatsphäre, geistiges Eigentum, unterschiedslos wirkende Waffen, Hass, Suizid und Selbstverletzung, sexuelle Inhalte, Wahlen und Missbrauch des Codeinterpreters.\n\nDie Kategorien verwenden die Kennungen S1 bis S14. S14, Code Interpreter Abuse, ist speziell für reine Textanwendungsfälle mit Werkzeugaufrufen vorgesehen. Behalten Sie die Taxonomiekennung beim safe/unsafe-Ergebnis bei, damit ein späterer Anwendungsschritt die Klassifikation anhand derselben Kategoriedefinitionen interpretieren kann. Ein kurzes Ergebnis ist ein Kategorienurteil und keine vollständige Erklärung, rechtliche Feststellung oder Garantie, dass jeder mögliche Schaden erkannt wurde.\n\nAls Formatbeispiel kann auf eine unsafe-Klassifikation die zutreffende Kategorienkennung folgen. Bewahren Sie den ursprünglich bewerteten Text, seine Quelle oder Gesprächsposition und die zurückgegebenen Kennzeichnungen gemeinsam auf. Diese Zuordnung ermöglicht es einer Anwendung, den untersuchten Inhalt von einer später umformulierten Antwort oder einem anderen Prompt zu unterscheiden.\n\nArchitektur und Training\n\nLlama Guard 4 besitzt eine dichte Early-Fusion-Transformer-Architektur, die durch Pruning aus einem vortrainierten Llama-4-Scout-Checkpoint hervorgeht. Der Hersteller entfernt geroutete Experten und Router-Schichten und behält den gemeinsam genutzten dichten Experten; anschließend trainiert er das resultierende Modell für Inhaltsklassifikation nach. Nach diesem Pruning-Schritt erfolgt kein zusätzliches Vortraining. Dadurch entsteht ein anderes Modell als Scouts Mixture-of-Experts-Chatausgabe.\n\nDas Modell teilt Tokenizer und Bildencoder von Llama 4 und verbindet rein textliches mit multimodalem Klassifikationstraining. Der Hersteller beschreibt mehrsprachige Daten und Training mit mehreren Bildern; die meisten dieser Beispiele enthalten zwei bis fünf Bilder, bei einer ungefähren Mischung von drei Teilen reiner Textdaten zu einem Teil multimodaler Daten. Das sind Trainingsmerkmale und keine harten Grenzen für die Anzahl der Eingaben.\n\nDer dokumentierte mehrsprachige Umfang folgt den von Llama Guard 3 unterstützten Sprachen; die Karte behandelt Englisch sowie Französisch, Deutsch, Hindi, Italienisch, Portugiesisch, Spanisch und Thai. Eine Klassifikationsanfrage sollte den tatsächlichen Wortlaut und visuellen Kontext in der zu bewertenden Sprache bewahren, statt den Inhalt durch eine sachfremde Zusammenfassung zu ersetzen.\n\nEin nützliches Klassifikationsergebnis vorbereiten\n\nStellen Sie für eine Eingabeprüfung die Nutzernachricht und zugehörigen Bilder bereit und fordern Sie die Promptklassifikation im Herstellerformat an. Stellen Sie für eine Ausgabeprüfung die tatsächliche Assistentenantwort zusammen mit der relevanten vorherigen Nachricht bereit. Ein Beispiel mit mehreren Bildern kann den verbindenden Text beibehalten, damit das Modell die gemeinsame Anfrage statt unabhängiger Fragmente ohne Kontext bewertet.\n\nDie Modellkarte zeigt das Anwenden der passenden Gesprächsvorlage und das Decodieren ausschließlich der erzeugten Klassifikation. Ihr Generierungsbeispiel mit zehn Token veranschaulicht ein kurzes Kennzeichnungsergebnis; diese Zahl ist keine gesonderte maximale Antwortkapazität. Richten Sie die gewünschte Ausgabe am Zweck des Klassifikators aus, statt ihn eine gewöhnliche Gesprächsantwort schreiben zu lassen.\n\nSpezifische Einschränkungen\n\nDer Hersteller erklärt, dass Urteile durch Trainingsdaten, Alltagswissen, Sprachabdeckung und Abdeckung der Regeln begrenzt sein können. Kategorien zu Verleumdung, geistigem Eigentum und Wahlen können sachliches, aktuelles Wissen erfordern, das der Klassifikator möglicherweise nicht besitzt. Die Kategorienkennzeichnung sollte daher ihren Bezug zum Inhalt und den für die Bewertung verfügbaren Informationen bewahren.\n\nDie Karte berichtet von Tests überwiegend mit Prompts mit wenigen Bildern, meist drei, und weist darauf hin, dass sich das Verhalten bei einer wesentlich größeren Bildsammlung unterscheiden kann. Das beschreibt den getesteten Umfang und kein allgemeines Maximum von drei Bildern. Das Modell kann außerdem anfällig für adversarielle Inhalte oder Prompt Injection sein, die sein beabsichtigtes Verhalten verändern.\n\nDie Klassifikatorrolle von Llama Guard 4 sollte nicht allein wegen des Prunings aus Scout dessen Kontextspezifikation oder allgemeine Assistentenfähigkeiten übernehmen. Die gelesene Karte nennt für diesen Klassifikator keine gesonderte harte Kontext- oder Ausgabetokenkapazität. Bewahren Sie bewertetes Material und Taxonomiekennzeichnungen als praktisches Artefakt und lassen Sie die Anwendung über die mit dem Ergebnis verbundene Aktion entscheiden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 ist Metas multimodaler Inhaltsklassifikator für Prompts und erzeugte Antworten. Er analysiert Text mit einem oder mehreren Bildern und liefert eine safe/unsafe-Kennzeichnung sowie zutreffende Gefahrenkategorien, mit einer aus Llama 4 Scout durch Pruning abgeleiteten dichten Architektur.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama Guard 4 12B ist Metas nativ multimodaler Sicherheitsklassifikator mit 12 Milliarden Parametern. Er wird gemeinsam auf Text und mehreren Bildern trainiert und erzeugt eine textliche Klassifikation: safe oder unsafe, bei unsafe mit den verletzten Gefahrenkategorien. Sein Zweck ist die Bewertung von Inhalten in einem Prompt oder einer erzeugten Antwort und nicht die Rolle eines allgemeinen Chatassistenten.
Klassifikation von Prompts und Antworten
Das Modell kann Material vor der Übermittlung an ein generatives Modell, nach dessen Antwort oder an beiden Punkten klassifizieren. Das sind unterschiedliche Fragen. Die Promptklassifikation bewertet die Nutzereingabe, die Antwortklassifikation hingegen das, was ein Assistent tatsächlich geschrieben hat. Ein System kann daher eine riskante Anfrage von einer Antwort unterscheiden, die sie nach der Taxonomie des Klassifikators in akzeptabler Weise behandelt.
Stellen Sie den exakten zu klassifizierenden Inhalt mit Gesprächsrollen und relevantem Kontext bereit. Ist das Ziel eine Antwort, bewahren Sie die Frage, die ihr Bedeutung gibt. Fügen Sie bei einer gemischten Text-Bild-Eingabe die zu diesem Prompt gehörenden Bilder hinzu, statt unzusammenhängenden Text oder ein beliebig ausgewähltes Bild zu klassifizieren. Das Klassifikatorergebnis liefert Informationen für den Regel- oder Prüfschritt der Anwendung; es blockiert nicht selbst eine Anfrage und ändert keine Datei.
Vierzehn Gefahrenkategorien
Der Hersteller richtet den Klassifikator an der MLCommons-Gefahrentaxonomie aus und ergänzt eine reine Textkategorie für Codeinterpreter. Die vierzehn Kennzeichnungen umfassen Gewaltdelikte, nicht gewalttätige Straftaten, Sexualdelikte, sexuelle Ausbeutung von Kindern, Verleumdung, fachliche Beratung, Privatsphäre, geistiges Eigentum, unterschiedslos wirkende Waffen, Hass, Suizid und Selbstverletzung, sexuelle Inhalte, Wahlen und Missbrauch des Codeinterpreters.
Die Kategorien verwenden die Kennungen S1 bis S14. S14, Code Interpreter Abuse, ist speziell für reine Textanwendungsfälle mit Werkzeugaufrufen vorgesehen. Behalten Sie die Taxonomiekennung beim safe/unsafe-Ergebnis bei, damit ein späterer Anwendungsschritt die Klassifikation anhand derselben Kategoriedefinitionen interpretieren kann. Ein kurzes Ergebnis ist ein Kategorienurteil und keine vollständige Erklärung, rechtliche Feststellung oder Garantie, dass jeder mögliche Schaden erkannt wurde.
Als Formatbeispiel kann auf eine unsafe-Klassifikation die zutreffende Kategorienkennung folgen. Bewahren Sie den ursprünglich bewerteten Text, seine Quelle oder Gesprächsposition und die zurückgegebenen Kennzeichnungen gemeinsam auf. Diese Zuordnung ermöglicht es einer Anwendung, den untersuchten Inhalt von einer später umformulierten Antwort oder einem anderen Prompt zu unterscheiden.
Architektur und Training
Llama Guard 4 besitzt eine dichte Early-Fusion-Transformer-Architektur, die durch Pruning aus einem vortrainierten Llama-4-Scout-Checkpoint hervorgeht. Der Hersteller entfernt geroutete Experten und Router-Schichten und behält den gemeinsam genutzten dichten Experten; anschließend trainiert er das resultierende Modell für Inhaltsklassifikation nach. Nach diesem Pruning-Schritt erfolgt kein zusätzliches Vortraining. Dadurch entsteht ein anderes Modell als Scouts Mixture-of-Experts-Chatausgabe.
Das Modell teilt Tokenizer und Bildencoder von Llama 4 und verbindet rein textliches mit multimodalem Klassifikationstraining. Der Hersteller beschreibt mehrsprachige Daten und Training mit mehreren Bildern; die meisten dieser Beispiele enthalten zwei bis fünf Bilder, bei einer ungefähren Mischung von drei Teilen reiner Textdaten zu einem Teil multimodaler Daten. Das sind Trainingsmerkmale und keine harten Grenzen für die Anzahl der Eingaben.
Der dokumentierte mehrsprachige Umfang folgt den von Llama Guard 3 unterstützten Sprachen; die Karte behandelt Englisch sowie Französisch, Deutsch, Hindi, Italienisch, Portugiesisch, Spanisch und Thai. Eine Klassifikationsanfrage sollte den tatsächlichen Wortlaut und visuellen Kontext in der zu bewertenden Sprache bewahren, statt den Inhalt durch eine sachfremde Zusammenfassung zu ersetzen.
Ein nützliches Klassifikationsergebnis vorbereiten
Stellen Sie für eine Eingabeprüfung die Nutzernachricht und zugehörigen Bilder bereit und fordern Sie die Promptklassifikation im Herstellerformat an. Stellen Sie für eine Ausgabeprüfung die tatsächliche Assistentenantwort zusammen mit der relevanten vorherigen Nachricht bereit. Ein Beispiel mit mehreren Bildern kann den verbindenden Text beibehalten, damit das Modell die gemeinsame Anfrage statt unabhängiger Fragmente ohne Kontext bewertet.
Die Modellkarte zeigt das Anwenden der passenden Gesprächsvorlage und das Decodieren ausschließlich der erzeugten Klassifikation. Ihr Generierungsbeispiel mit zehn Token veranschaulicht ein kurzes Kennzeichnungsergebnis; diese Zahl ist keine gesonderte maximale Antwortkapazität. Richten Sie die gewünschte Ausgabe am Zweck des Klassifikators aus, statt ihn eine gewöhnliche Gesprächsantwort schreiben zu lassen.
Spezifische Einschränkungen
Der Hersteller erklärt, dass Urteile durch Trainingsdaten, Alltagswissen, Sprachabdeckung und Abdeckung der Regeln begrenzt sein können. Kategorien zu Verleumdung, geistigem Eigentum und Wahlen können sachliches, aktuelles Wissen erfordern, das der Klassifikator möglicherweise nicht besitzt. Die Kategorienkennzeichnung sollte daher ihren Bezug zum Inhalt und den für die Bewertung verfügbaren Informationen bewahren.
Die Karte berichtet von Tests überwiegend mit Prompts mit wenigen Bildern, meist drei, und weist darauf hin, dass sich das Verhalten bei einer wesentlich größeren Bildsammlung unterscheiden kann. Das beschreibt den getesteten Umfang und kein allgemeines Maximum von drei Bildern. Das Modell kann außerdem anfällig für adversarielle Inhalte oder Prompt Injection sein, die sein beabsichtigtes Verhalten verändern.
Die Klassifikatorrolle von Llama Guard 4 sollte nicht allein wegen des Prunings aus Scout dessen Kontextspezifikation oder allgemeine Assistentenfähigkeiten übernehmen. Die gelesene Karte nennt für diesen Klassifikator keine gesonderte harte Kontext- oder Ausgabetokenkapazität. Bewahren Sie bewertetes Material und Taxonomiekennzeichnungen als praktisches Artefakt und lassen Sie die Anwendung über die mit dem Ergebnis verbundene Aktion entscheiden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta-llama/llama-guard-4-12b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta-llama/llama-guard-4-12b
Verwenden Sie die oben angezeigten Methodenpfade.
meta-llama/llama-guard-4-12bLlama Guard 4 12B ist Metas multimodaler Inhaltsklassifikator für Prompts und erzeugte Antworten. Er analysiert Text mit einem oder mehreren Bildern und liefert eine safe/unsafe-Kennzeichnung sowie zutreffende Gefahrenkategorien, mit einer aus Llama 4 Scout durch Pruning abgeleiteten dichten Architektur.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama Guard 4 12B ist Metas nativ multimodaler Sicherheitsklassifikator mit 12 Milliarden Parametern. Er wird gemeinsam auf Text und mehreren Bildern trainiert und erzeugt eine textliche Klassifikation: safe oder unsafe, bei unsafe mit den verletzten Gefahrenkategorien. Sein Zweck ist die Bewertung von Inhalten in einem Prompt oder einer erzeugten Antwort und nicht die Rolle eines allgemeinen Chatassistenten.
Klassifikation von Prompts und Antworten
Das Modell kann Material vor der Übermittlung an ein generatives Modell, nach dessen Antwort oder an beiden Punkten klassifizieren. Das sind unterschiedliche Fragen. Die Promptklassifikation bewertet die Nutzereingabe, die Antwortklassifikation hingegen das, was ein Assistent tatsächlich geschrieben hat. Ein System kann daher eine riskante Anfrage von einer Antwort unterscheiden, die sie nach der Taxonomie des Klassifikators in akzeptabler Weise behandelt.
Stellen Sie den exakten zu klassifizierenden Inhalt mit Gesprächsrollen und relevantem Kontext bereit. Ist das Ziel eine Antwort, bewahren Sie die Frage, die ihr Bedeutung gibt. Fügen Sie bei einer gemischten Text-Bild-Eingabe die zu diesem Prompt gehörenden Bilder hinzu, statt unzusammenhängenden Text oder ein beliebig ausgewähltes Bild zu klassifizieren. Das Klassifikatorergebnis liefert Informationen für den Regel- oder Prüfschritt der Anwendung; es blockiert nicht selbst eine Anfrage und ändert keine Datei.
Vierzehn Gefahrenkategorien
Der Hersteller richtet den Klassifikator an der MLCommons-Gefahrentaxonomie aus und ergänzt eine reine Textkategorie für Codeinterpreter. Die vierzehn Kennzeichnungen umfassen Gewaltdelikte, nicht gewalttätige Straftaten, Sexualdelikte, sexuelle Ausbeutung von Kindern, Verleumdung, fachliche Beratung, Privatsphäre, geistiges Eigentum, unterschiedslos wirkende Waffen, Hass, Suizid und Selbstverletzung, sexuelle Inhalte, Wahlen und Missbrauch des Codeinterpreters.
Die Kategorien verwenden die Kennungen S1 bis S14. S14, Code Interpreter Abuse, ist speziell für reine Textanwendungsfälle mit Werkzeugaufrufen vorgesehen. Behalten Sie die Taxonomiekennung beim safe/unsafe-Ergebnis bei, damit ein späterer Anwendungsschritt die Klassifikation anhand derselben Kategoriedefinitionen interpretieren kann. Ein kurzes Ergebnis ist ein Kategorienurteil und keine vollständige Erklärung, rechtliche Feststellung oder Garantie, dass jeder mögliche Schaden erkannt wurde.
Als Formatbeispiel kann auf eine unsafe-Klassifikation die zutreffende Kategorienkennung folgen. Bewahren Sie den ursprünglich bewerteten Text, seine Quelle oder Gesprächsposition und die zurückgegebenen Kennzeichnungen gemeinsam auf. Diese Zuordnung ermöglicht es einer Anwendung, den untersuchten Inhalt von einer später umformulierten Antwort oder einem anderen Prompt zu unterscheiden.
Architektur und Training
Llama Guard 4 besitzt eine dichte Early-Fusion-Transformer-Architektur, die durch Pruning aus einem vortrainierten Llama-4-Scout-Checkpoint hervorgeht. Der Hersteller entfernt geroutete Experten und Router-Schichten und behält den gemeinsam genutzten dichten Experten; anschließend trainiert er das resultierende Modell für Inhaltsklassifikation nach. Nach diesem Pruning-Schritt erfolgt kein zusätzliches Vortraining. Dadurch entsteht ein anderes Modell als Scouts Mixture-of-Experts-Chatausgabe.
Das Modell teilt Tokenizer und Bildencoder von Llama 4 und verbindet rein textliches mit multimodalem Klassifikationstraining. Der Hersteller beschreibt mehrsprachige Daten und Training mit mehreren Bildern; die meisten dieser Beispiele enthalten zwei bis fünf Bilder, bei einer ungefähren Mischung von drei Teilen reiner Textdaten zu einem Teil multimodaler Daten. Das sind Trainingsmerkmale und keine harten Grenzen für die Anzahl der Eingaben.
Der dokumentierte mehrsprachige Umfang folgt den von Llama Guard 3 unterstützten Sprachen; die Karte behandelt Englisch sowie Französisch, Deutsch, Hindi, Italienisch, Portugiesisch, Spanisch und Thai. Eine Klassifikationsanfrage sollte den tatsächlichen Wortlaut und visuellen Kontext in der zu bewertenden Sprache bewahren, statt den Inhalt durch eine sachfremde Zusammenfassung zu ersetzen.
Ein nützliches Klassifikationsergebnis vorbereiten
Stellen Sie für eine Eingabeprüfung die Nutzernachricht und zugehörigen Bilder bereit und fordern Sie die Promptklassifikation im Herstellerformat an. Stellen Sie für eine Ausgabeprüfung die tatsächliche Assistentenantwort zusammen mit der relevanten vorherigen Nachricht bereit. Ein Beispiel mit mehreren Bildern kann den verbindenden Text beibehalten, damit das Modell die gemeinsame Anfrage statt unabhängiger Fragmente ohne Kontext bewertet.
Die Modellkarte zeigt das Anwenden der passenden Gesprächsvorlage und das Decodieren ausschließlich der erzeugten Klassifikation. Ihr Generierungsbeispiel mit zehn Token veranschaulicht ein kurzes Kennzeichnungsergebnis; diese Zahl ist keine gesonderte maximale Antwortkapazität. Richten Sie die gewünschte Ausgabe am Zweck des Klassifikators aus, statt ihn eine gewöhnliche Gesprächsantwort schreiben zu lassen.
Spezifische Einschränkungen
Der Hersteller erklärt, dass Urteile durch Trainingsdaten, Alltagswissen, Sprachabdeckung und Abdeckung der Regeln begrenzt sein können. Kategorien zu Verleumdung, geistigem Eigentum und Wahlen können sachliches, aktuelles Wissen erfordern, das der Klassifikator möglicherweise nicht besitzt. Die Kategorienkennzeichnung sollte daher ihren Bezug zum Inhalt und den für die Bewertung verfügbaren Informationen bewahren.
Die Karte berichtet von Tests überwiegend mit Prompts mit wenigen Bildern, meist drei, und weist darauf hin, dass sich das Verhalten bei einer wesentlich größeren Bildsammlung unterscheiden kann. Das beschreibt den getesteten Umfang und kein allgemeines Maximum von drei Bildern. Das Modell kann außerdem anfällig für adversarielle Inhalte oder Prompt Injection sein, die sein beabsichtigtes Verhalten verändern.
Die Klassifikatorrolle von Llama Guard 4 sollte nicht allein wegen des Prunings aus Scout dessen Kontextspezifikation oder allgemeine Assistentenfähigkeiten übernehmen. Die gelesene Karte nennt für diesen Klassifikator keine gesonderte harte Kontext- oder Ausgabetokenkapazität. Bewahren Sie bewertetes Material und Taxonomiekennzeichnungen als praktisches Artefakt und lassen Sie die Anwendung über die mit dem Ergebnis verbundene Aktion entscheiden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta-llama/llama-guard-4-12b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta-llama/llama-guard-4-12b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.