Gemma 3 27B IT ist die auf Anweisungen abgestimmte Edition der Grössenklasse 27B aus Googles Gemma 3-Familie. Sie verbindet Textgenerierung mit Bildverständnis und ist vom vortrainierten Checkpoint mit 27B sowie den kleineren IT-Modellen mit 4B und 12B getrennt. Das Ergebnis ist Text: eine quellenbasierte Erklärung, Zusammenfassung, ein Dokumententwurf, eine Antwort oder ein Codevorschlag. Das auf Anweisungen abgestimmte Modell soll einem Gespräch und einer verlangten Aufgabe folgen, statt nur als Modell für rohe Textvervollständigung zu dienen.
Die Herstellerkarte nennt für diese Grösse einen Gesamtkontext von 128K Token. Eingabe und Ausgabe teilen sich diese Kapazität; die erzeugte Antwort verwendet daher den nach der Anfrage verbleibenden Platz. Eine umfangreiche Sammlung sollte Quellenkennungen erhalten und dennoch Platz für das gewünschte Ergebnis lassen. Bildansichten im Basispfad werden auf 896×896 normiert und in 256 visuelle Token kodiert. Erklären Sie bei einer gemeinsamen Text- und Bildanalyse, wie ein Seitenbild, Diagramm oder Screenshot mit den schriftlichen Quellen zusammenhängt, damit das Modell eine zusammenhängende Frage beantwortet.
Das berichtete Vortrainingsbudget des 27B-Modells beträgt 14 Billionen Token. Die Familiendaten umfassen Webdokumente in mehr als 140 Sprachen, Code, Mathematik und Bilder. Das Training nutzt Wissensdestillation. Die Nachtrainingsmethode ergänzt Anweisungsbefolgung und Ziele des bestärkenden Lernens für Hilfsbereitschaft, Mathematik, Programmierung, Schlussfolgern und mehrsprachiges Verhalten. Diese Fakten beschreiben den Modellentwicklungsprozess des Herstellers. Sie ersetzen weder die Prüfung einer erzeugten Aussage anhand ihrer Quelle noch die Ausführung eines vorgeschlagenen Programms mit den vorgesehenen Eingaben.
Der technische Bericht beschreibt einen reinen Decoder-Transformer mit Grouped-Query Attention und fünf lokalen Aufmerksamkeitsschichten für jede globale Schicht. Der lokale Bereich umfasst 1’024 Token, während globale Schichten die Interaktionen im längeren Kontext ermöglichen. Der gemeinsame SigLIP-Bildencoder der Familie stellt visuelle Eingaben für das Sprachmodell dar. Der SentencePiece-Tokenizer verwendet getrennte Ziffern, erhaltenen Leerraum und Kodierung auf Byteebene. Erhalten Sie Zahlenschreibweise, Codeeinrückung und Terminologie der Quellsprache, wenn sie für die Interpretation wichtig sind.
Für nicht quadratische oder detailreiche Bilder beschreibt der Bericht Pan and Scan. Dabei können vor der Grössenanpassung der Ansichten für den Bildencoder nicht überlappende Ausschnitte ergänzt werden. Dies hilft, kleine Inhalte zu erhalten, die bei einer einzigen quadratischen Grössenanpassung verloren gehen können. Die tatsächliche Verarbeitungskonfiguration bleibt jedoch wichtig. Eine Aufgabe mit wissenschaftlichen oder technischen Dokumenten kann eine ganze Seite und einen lesbaren Diagrammausschnitt bereitstellen und deren Beziehung kennzeichnen. Verlangen Sie die sichtbaren Werte, die relevante textliche Bedingung und die durch beide gestützte Schlussfolgerung.
Verwenden Sie das native IT-Gesprächsformat des Herstellers mit user- und model-Nachrichten. Ein separater Gesprächsschritt mit der Rolle system wird in diesem Format nicht unterstützt. Platzieren Sie Rollen- und Antwortanweisungen in der anfänglichen user-Nachricht und nutzen Sie den vorgesehenen Formatierungspfad. Benennen Sie bei einem langen Bericht die Frage, zu vergleichende Abschnitte und Vorrangregeln bei widersprüchlichen Quellen. Eine mögliche Beispielaufgabe gleicht eine schriftliche Spezifikation mit einem Diagramm ab und gibt eine Anforderungstabelle, eine Liste von Abweichungen und die für einen Lösungsvorschlag benötigten Annahmen zurück.
Zu den vorgesehenen Anwendungen gehören Schreiben, Zusammenfassen, Gespräche, Extraktion von Bilddaten sowie Lernen oder wissenschaftliche Erkundung. Stellen Sie für Codeanalyse das tatsächliche Modul, Eingabebeispiele und Schnittstelleneinschränkungen bereit und verlangen Sie eine darauf bezogene Erklärung oder vorgeschlagene Änderung. Benennen Sie für mehrsprachiges Schreiben die Zielgruppe und unverändert zu erhaltende Begriffe. Verlangen Sie bei einer visuellen Frage Beobachtungen mit Bezug auf benannte Elemente statt einer allgemeinen Bildbeschreibung. Quantisierte Checkpoints der Familie sind separate veröffentlichte Artefakte. Erhalten Sie daher beim Ergebnisvergleich die genaue Identität 27B IT und die Verarbeitungseinstellungen.
Der Hersteller weist darauf hin, dass Modelle falsche oder veraltete Fakten liefern und mit Mehrdeutigkeit, Nuancen und sehr offenen Anweisungen Schwierigkeiten haben können. Google warnt ausserdem, dass ein plausibles Sprachmuster eine Antwort erzeugen kann, die eine alltägliche reale Einschränkung übersieht. Mehr Kontext ist nur hilfreich, wenn die relevanten Bedingungen klar sind. Halten Sie die Originalquellen verfügbar, prüfen Sie extrahierte Daten und Berechnungen und validieren Sie jede strukturiert wirkende Antwort, bevor Sie sie als Datensatz verarbeiten. Eine Erklärung aus mehreren Quellen sollte bereitgestellte Belege, Interpretation und fehlende Informationen unterscheiden. Dieses 27B-Profil unterstützt eine vorbereitete Aufgabe zum Schlussfolgern aus Text und Bildern. Abrufe, Werkzeugausführung oder sachliche Aktualisierungen durch eine Anwendung benötigen jeweils eigene zurückgegebene Belege, statt aus flüssiger Ausgabe abgeleitet zu werden.
", "aboutText": "Gemma 3 27B IT ist die auf Anweisungen abgestimmte Edition der Grössenklasse 27B aus Googles Gemma 3-Familie. Sie verbindet Textgenerierung mit Bildverständnis und ist vom vortrainierten Checkpoint mit 27B sowie den kleineren IT-Modellen mit 4B und 12B getrennt. Das Ergebnis ist Text: eine quellenbasierte Erklärung, Zusammenfassung, ein Dokumententwurf, eine Antwort oder ein Codevorschlag. Das auf Anweisungen abgestimmte Modell soll einem Gespräch und einer verlangten Aufgabe folgen, statt nur als Modell für rohe Textvervollständigung zu dienen.\n\nDie Herstellerkarte nennt für diese Grösse einen Gesamtkontext von 128K Token. Eingabe und Ausgabe teilen sich diese Kapazität; die erzeugte Antwort verwendet daher den nach der Anfrage verbleibenden Platz. Eine umfangreiche Sammlung sollte Quellenkennungen erhalten und dennoch Platz für das gewünschte Ergebnis lassen. Bildansichten im Basispfad werden auf 896×896 normiert und in 256 visuelle Token kodiert. Erklären Sie bei einer gemeinsamen Text- und Bildanalyse, wie ein Seitenbild, Diagramm oder Screenshot mit den schriftlichen Quellen zusammenhängt, damit das Modell eine zusammenhängende Frage beantwortet.\n\nDas berichtete Vortrainingsbudget des 27B-Modells beträgt 14 Billionen Token. Die Familiendaten umfassen Webdokumente in mehr als 140 Sprachen, Code, Mathematik und Bilder. Das Training nutzt Wissensdestillation. Die Nachtrainingsmethode ergänzt Anweisungsbefolgung und Ziele des bestärkenden Lernens für Hilfsbereitschaft, Mathematik, Programmierung, Schlussfolgern und mehrsprachiges Verhalten. Diese Fakten beschreiben den Modellentwicklungsprozess des Herstellers. Sie ersetzen weder die Prüfung einer erzeugten Aussage anhand ihrer Quelle noch die Ausführung eines vorgeschlagenen Programms mit den vorgesehenen Eingaben.\n\nDer technische Bericht beschreibt einen reinen Decoder-Transformer mit Grouped-Query Attention und fünf lokalen Aufmerksamkeitsschichten für jede globale Schicht. Der lokale Bereich umfasst 1’024 Token, während globale Schichten die Interaktionen im längeren Kontext ermöglichen. Der gemeinsame SigLIP-Bildencoder der Familie stellt visuelle Eingaben für das Sprachmodell dar. Der SentencePiece-Tokenizer verwendet getrennte Ziffern, erhaltenen Leerraum und Kodierung auf Byteebene. Erhalten Sie Zahlenschreibweise, Codeeinrückung und Terminologie der Quellsprache, wenn sie für die Interpretation wichtig sind.\n\nFür nicht quadratische oder detailreiche Bilder beschreibt der Bericht Pan and Scan. Dabei können vor der Grössenanpassung der Ansichten für den Bildencoder nicht überlappende Ausschnitte ergänzt werden. Dies hilft, kleine Inhalte zu erhalten, die bei einer einzigen quadratischen Grössenanpassung verloren gehen können. Die tatsächliche Verarbeitungskonfiguration bleibt jedoch wichtig. Eine Aufgabe mit wissenschaftlichen oder technischen Dokumenten kann eine ganze Seite und einen lesbaren Diagrammausschnitt bereitstellen und deren Beziehung kennzeichnen. Verlangen Sie die sichtbaren Werte, die relevante textliche Bedingung und die durch beide gestützte Schlussfolgerung.\n\nVerwenden Sie das native IT-Gesprächsformat des Herstellers mit user- und model-Nachrichten. Ein separater Gesprächsschritt mit der Rolle system wird in diesem Format nicht unterstützt. Platzieren Sie Rollen- und Antwortanweisungen in der anfänglichen user-Nachricht und nutzen Sie den vorgesehenen Formatierungspfad. Benennen Sie bei einem langen Bericht die Frage, zu vergleichende Abschnitte und Vorrangregeln bei widersprüchlichen Quellen. Eine mögliche Beispielaufgabe gleicht eine schriftliche Spezifikation mit einem Diagramm ab und gibt eine Anforderungstabelle, eine Liste von Abweichungen und die für einen Lösungsvorschlag benötigten Annahmen zurück.\n\nZu den vorgesehenen Anwendungen gehören Schreiben, Zusammenfassen, Gespräche, Extraktion von Bilddaten sowie Lernen oder wissenschaftliche Erkundung. Stellen Sie für Codeanalyse das tatsächliche Modul, Eingabebeispiele und Schnittstelleneinschränkungen bereit und verlangen Sie eine darauf bezogene Erklärung oder vorgeschlagene Änderung. Benennen Sie für mehrsprachiges Schreiben die Zielgruppe und unverändert zu erhaltende Begriffe. Verlangen Sie bei einer visuellen Frage Beobachtungen mit Bezug auf benannte Elemente statt einer allgemeinen Bildbeschreibung. Quantisierte Checkpoints der Familie sind separate veröffentlichte Artefakte. Erhalten Sie daher beim Ergebnisvergleich die genaue Identität 27B IT und die Verarbeitungseinstellungen.\n\nDer Hersteller weist darauf hin, dass Modelle falsche oder veraltete Fakten liefern und mit Mehrdeutigkeit, Nuancen und sehr offenen Anweisungen Schwierigkeiten haben können. Google warnt ausserdem, dass ein plausibles Sprachmuster eine Antwort erzeugen kann, die eine alltägliche reale Einschränkung übersieht. Mehr Kontext ist nur hilfreich, wenn die relevanten Bedingungen klar sind. Halten Sie die Originalquellen verfügbar, prüfen Sie extrahierte Daten und Berechnungen und validieren Sie jede strukturiert wirkende Antwort, bevor Sie sie als Datensatz verarbeiten. Eine Erklärung aus mehreren Quellen sollte bereitgestellte Belege, Interpretation und fehlende Informationen unterscheiden. Dieses 27B-Profil unterstützt eine vorbereitete Aufgabe zum Schlussfolgern aus Text und Bildern. Abrufe, Werkzeugausführung oder sachliche Aktualisierungen durch eine Anwendung benötigen jeweils eigene zurückgegebene Belege, statt aus flüssiger Ausgabe abgeleitet zu werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.google/gemma-3-27b-itGemma 3 27B IT ist das auf Anweisungen abgestimmte Modell der Grössenklasse 27B aus Googles Gemma 3-Familie. Es nimmt Text und Bilder entgegen und erzeugt Text für die Analyse umfangreichen Ausgangsmaterials, Schreiben, Code und visuelle Fragen, mit einem gemeinsamen Kontext von 128K und der mehrsprachigen Abdeckung der Familie.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemma 3 27B IT ist die auf Anweisungen abgestimmte Edition der Grössenklasse 27B aus Googles Gemma 3-Familie. Sie verbindet Textgenerierung mit Bildverständnis und ist vom vortrainierten Checkpoint mit 27B sowie den kleineren IT-Modellen mit 4B und 12B getrennt. Das Ergebnis ist Text: eine quellenbasierte Erklärung, Zusammenfassung, ein Dokumententwurf, eine Antwort oder ein Codevorschlag. Das auf Anweisungen abgestimmte Modell soll einem Gespräch und einer verlangten Aufgabe folgen, statt nur als Modell für rohe Textvervollständigung zu dienen.
Die Herstellerkarte nennt für diese Grösse einen Gesamtkontext von 128K Token. Eingabe und Ausgabe teilen sich diese Kapazität; die erzeugte Antwort verwendet daher den nach der Anfrage verbleibenden Platz. Eine umfangreiche Sammlung sollte Quellenkennungen erhalten und dennoch Platz für das gewünschte Ergebnis lassen. Bildansichten im Basispfad werden auf 896×896 normiert und in 256 visuelle Token kodiert. Erklären Sie bei einer gemeinsamen Text- und Bildanalyse, wie ein Seitenbild, Diagramm oder Screenshot mit den schriftlichen Quellen zusammenhängt, damit das Modell eine zusammenhängende Frage beantwortet.
Das berichtete Vortrainingsbudget des 27B-Modells beträgt 14 Billionen Token. Die Familiendaten umfassen Webdokumente in mehr als 140 Sprachen, Code, Mathematik und Bilder. Das Training nutzt Wissensdestillation. Die Nachtrainingsmethode ergänzt Anweisungsbefolgung und Ziele des bestärkenden Lernens für Hilfsbereitschaft, Mathematik, Programmierung, Schlussfolgern und mehrsprachiges Verhalten. Diese Fakten beschreiben den Modellentwicklungsprozess des Herstellers. Sie ersetzen weder die Prüfung einer erzeugten Aussage anhand ihrer Quelle noch die Ausführung eines vorgeschlagenen Programms mit den vorgesehenen Eingaben.
Der technische Bericht beschreibt einen reinen Decoder-Transformer mit Grouped-Query Attention und fünf lokalen Aufmerksamkeitsschichten für jede globale Schicht. Der lokale Bereich umfasst 1’024 Token, während globale Schichten die Interaktionen im längeren Kontext ermöglichen. Der gemeinsame SigLIP-Bildencoder der Familie stellt visuelle Eingaben für das Sprachmodell dar. Der SentencePiece-Tokenizer verwendet getrennte Ziffern, erhaltenen Leerraum und Kodierung auf Byteebene. Erhalten Sie Zahlenschreibweise, Codeeinrückung und Terminologie der Quellsprache, wenn sie für die Interpretation wichtig sind.
Für nicht quadratische oder detailreiche Bilder beschreibt der Bericht Pan and Scan. Dabei können vor der Grössenanpassung der Ansichten für den Bildencoder nicht überlappende Ausschnitte ergänzt werden. Dies hilft, kleine Inhalte zu erhalten, die bei einer einzigen quadratischen Grössenanpassung verloren gehen können. Die tatsächliche Verarbeitungskonfiguration bleibt jedoch wichtig. Eine Aufgabe mit wissenschaftlichen oder technischen Dokumenten kann eine ganze Seite und einen lesbaren Diagrammausschnitt bereitstellen und deren Beziehung kennzeichnen. Verlangen Sie die sichtbaren Werte, die relevante textliche Bedingung und die durch beide gestützte Schlussfolgerung.
Verwenden Sie das native IT-Gesprächsformat des Herstellers mit user- und model-Nachrichten. Ein separater Gesprächsschritt mit der Rolle system wird in diesem Format nicht unterstützt. Platzieren Sie Rollen- und Antwortanweisungen in der anfänglichen user-Nachricht und nutzen Sie den vorgesehenen Formatierungspfad. Benennen Sie bei einem langen Bericht die Frage, zu vergleichende Abschnitte und Vorrangregeln bei widersprüchlichen Quellen. Eine mögliche Beispielaufgabe gleicht eine schriftliche Spezifikation mit einem Diagramm ab und gibt eine Anforderungstabelle, eine Liste von Abweichungen und die für einen Lösungsvorschlag benötigten Annahmen zurück.
Zu den vorgesehenen Anwendungen gehören Schreiben, Zusammenfassen, Gespräche, Extraktion von Bilddaten sowie Lernen oder wissenschaftliche Erkundung. Stellen Sie für Codeanalyse das tatsächliche Modul, Eingabebeispiele und Schnittstelleneinschränkungen bereit und verlangen Sie eine darauf bezogene Erklärung oder vorgeschlagene Änderung. Benennen Sie für mehrsprachiges Schreiben die Zielgruppe und unverändert zu erhaltende Begriffe. Verlangen Sie bei einer visuellen Frage Beobachtungen mit Bezug auf benannte Elemente statt einer allgemeinen Bildbeschreibung. Quantisierte Checkpoints der Familie sind separate veröffentlichte Artefakte. Erhalten Sie daher beim Ergebnisvergleich die genaue Identität 27B IT und die Verarbeitungseinstellungen.
Der Hersteller weist darauf hin, dass Modelle falsche oder veraltete Fakten liefern und mit Mehrdeutigkeit, Nuancen und sehr offenen Anweisungen Schwierigkeiten haben können. Google warnt ausserdem, dass ein plausibles Sprachmuster eine Antwort erzeugen kann, die eine alltägliche reale Einschränkung übersieht. Mehr Kontext ist nur hilfreich, wenn die relevanten Bedingungen klar sind. Halten Sie die Originalquellen verfügbar, prüfen Sie extrahierte Daten und Berechnungen und validieren Sie jede strukturiert wirkende Antwort, bevor Sie sie als Datensatz verarbeiten. Eine Erklärung aus mehreren Quellen sollte bereitgestellte Belege, Interpretation und fehlende Informationen unterscheiden. Dieses 27B-Profil unterstützt eine vorbereitete Aufgabe zum Schlussfolgern aus Text und Bildern. Abrufe, Werkzeugausführung oder sachliche Aktualisierungen durch eine Anwendung benötigen jeweils eigene zurückgegebene Belege, statt aus flüssiger Ausgabe abgeleitet zu werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemma-3-27b-it | 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 $0.00016 / 1K Tokens Ausgabe · Ausgabetoken $0.0007 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00016 / 1K Tokens Ausgabe · Ausgabetoken $0.0007 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-27b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-3-27b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-3-27b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 google/gemma-3-27b-it
Verwenden Sie die oben angezeigten Methodenpfade.
google/gemma-3-27b-itGemma 3 27B IT ist das auf Anweisungen abgestimmte Modell der Grössenklasse 27B aus Googles Gemma 3-Familie. Es nimmt Text und Bilder entgegen und erzeugt Text für die Analyse umfangreichen Ausgangsmaterials, Schreiben, Code und visuelle Fragen, mit einem gemeinsamen Kontext von 128K und der mehrsprachigen Abdeckung der Familie.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemma 3 27B IT ist die auf Anweisungen abgestimmte Edition der Grössenklasse 27B aus Googles Gemma 3-Familie. Sie verbindet Textgenerierung mit Bildverständnis und ist vom vortrainierten Checkpoint mit 27B sowie den kleineren IT-Modellen mit 4B und 12B getrennt. Das Ergebnis ist Text: eine quellenbasierte Erklärung, Zusammenfassung, ein Dokumententwurf, eine Antwort oder ein Codevorschlag. Das auf Anweisungen abgestimmte Modell soll einem Gespräch und einer verlangten Aufgabe folgen, statt nur als Modell für rohe Textvervollständigung zu dienen.
Die Herstellerkarte nennt für diese Grösse einen Gesamtkontext von 128K Token. Eingabe und Ausgabe teilen sich diese Kapazität; die erzeugte Antwort verwendet daher den nach der Anfrage verbleibenden Platz. Eine umfangreiche Sammlung sollte Quellenkennungen erhalten und dennoch Platz für das gewünschte Ergebnis lassen. Bildansichten im Basispfad werden auf 896×896 normiert und in 256 visuelle Token kodiert. Erklären Sie bei einer gemeinsamen Text- und Bildanalyse, wie ein Seitenbild, Diagramm oder Screenshot mit den schriftlichen Quellen zusammenhängt, damit das Modell eine zusammenhängende Frage beantwortet.
Das berichtete Vortrainingsbudget des 27B-Modells beträgt 14 Billionen Token. Die Familiendaten umfassen Webdokumente in mehr als 140 Sprachen, Code, Mathematik und Bilder. Das Training nutzt Wissensdestillation. Die Nachtrainingsmethode ergänzt Anweisungsbefolgung und Ziele des bestärkenden Lernens für Hilfsbereitschaft, Mathematik, Programmierung, Schlussfolgern und mehrsprachiges Verhalten. Diese Fakten beschreiben den Modellentwicklungsprozess des Herstellers. Sie ersetzen weder die Prüfung einer erzeugten Aussage anhand ihrer Quelle noch die Ausführung eines vorgeschlagenen Programms mit den vorgesehenen Eingaben.
Der technische Bericht beschreibt einen reinen Decoder-Transformer mit Grouped-Query Attention und fünf lokalen Aufmerksamkeitsschichten für jede globale Schicht. Der lokale Bereich umfasst 1’024 Token, während globale Schichten die Interaktionen im längeren Kontext ermöglichen. Der gemeinsame SigLIP-Bildencoder der Familie stellt visuelle Eingaben für das Sprachmodell dar. Der SentencePiece-Tokenizer verwendet getrennte Ziffern, erhaltenen Leerraum und Kodierung auf Byteebene. Erhalten Sie Zahlenschreibweise, Codeeinrückung und Terminologie der Quellsprache, wenn sie für die Interpretation wichtig sind.
Für nicht quadratische oder detailreiche Bilder beschreibt der Bericht Pan and Scan. Dabei können vor der Grössenanpassung der Ansichten für den Bildencoder nicht überlappende Ausschnitte ergänzt werden. Dies hilft, kleine Inhalte zu erhalten, die bei einer einzigen quadratischen Grössenanpassung verloren gehen können. Die tatsächliche Verarbeitungskonfiguration bleibt jedoch wichtig. Eine Aufgabe mit wissenschaftlichen oder technischen Dokumenten kann eine ganze Seite und einen lesbaren Diagrammausschnitt bereitstellen und deren Beziehung kennzeichnen. Verlangen Sie die sichtbaren Werte, die relevante textliche Bedingung und die durch beide gestützte Schlussfolgerung.
Verwenden Sie das native IT-Gesprächsformat des Herstellers mit user- und model-Nachrichten. Ein separater Gesprächsschritt mit der Rolle system wird in diesem Format nicht unterstützt. Platzieren Sie Rollen- und Antwortanweisungen in der anfänglichen user-Nachricht und nutzen Sie den vorgesehenen Formatierungspfad. Benennen Sie bei einem langen Bericht die Frage, zu vergleichende Abschnitte und Vorrangregeln bei widersprüchlichen Quellen. Eine mögliche Beispielaufgabe gleicht eine schriftliche Spezifikation mit einem Diagramm ab und gibt eine Anforderungstabelle, eine Liste von Abweichungen und die für einen Lösungsvorschlag benötigten Annahmen zurück.
Zu den vorgesehenen Anwendungen gehören Schreiben, Zusammenfassen, Gespräche, Extraktion von Bilddaten sowie Lernen oder wissenschaftliche Erkundung. Stellen Sie für Codeanalyse das tatsächliche Modul, Eingabebeispiele und Schnittstelleneinschränkungen bereit und verlangen Sie eine darauf bezogene Erklärung oder vorgeschlagene Änderung. Benennen Sie für mehrsprachiges Schreiben die Zielgruppe und unverändert zu erhaltende Begriffe. Verlangen Sie bei einer visuellen Frage Beobachtungen mit Bezug auf benannte Elemente statt einer allgemeinen Bildbeschreibung. Quantisierte Checkpoints der Familie sind separate veröffentlichte Artefakte. Erhalten Sie daher beim Ergebnisvergleich die genaue Identität 27B IT und die Verarbeitungseinstellungen.
Der Hersteller weist darauf hin, dass Modelle falsche oder veraltete Fakten liefern und mit Mehrdeutigkeit, Nuancen und sehr offenen Anweisungen Schwierigkeiten haben können. Google warnt ausserdem, dass ein plausibles Sprachmuster eine Antwort erzeugen kann, die eine alltägliche reale Einschränkung übersieht. Mehr Kontext ist nur hilfreich, wenn die relevanten Bedingungen klar sind. Halten Sie die Originalquellen verfügbar, prüfen Sie extrahierte Daten und Berechnungen und validieren Sie jede strukturiert wirkende Antwort, bevor Sie sie als Datensatz verarbeiten. Eine Erklärung aus mehreren Quellen sollte bereitgestellte Belege, Interpretation und fehlende Informationen unterscheiden. Dieses 27B-Profil unterstützt eine vorbereitete Aufgabe zum Schlussfolgern aus Text und Bildern. Abrufe, Werkzeugausführung oder sachliche Aktualisierungen durch eine Anwendung benötigen jeweils eigene zurückgegebene Belege, statt aus flüssiger Ausgabe abgeleitet zu werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemma-3-27b-it | 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 $0.00016 / 1K Tokens Ausgabe · Ausgabetoken $0.0007 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00016 / 1K Tokens Ausgabe · Ausgabetoken $0.0007 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "google/gemma-3-27b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-27b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-27b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 google/gemma-3-27b-it
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.