Gemma 4 31B IT ist Google DeepMinds auf Instruktionsbefolgung abgestimmte dichte Edition der offenen Familie Gemma 4. Google positioniert das Modell 31B hinsichtlich Modellqualität und Anpassung an eine Aufgabe, während die separate Edition 26B A4B für Inferenz-Effizienz ein Mixture of Experts verwendet. Diese Karte behandelt die benannte instruktionsabgestimmte Edition 31B und nicht ihre vortrainierten Gewichte oder eine quantisierte Ableitung.
Die offizielle Tabelle zur dichten Architektur nennt 30.7 Milliarden Parameter, 60 Schichten, ein Sliding Window von 1’024 Token und einen Kontext von 256K Token. Die Familie kombiniert lokale Sliding-Window-Aufmerksamkeit mit globaler Aufmerksamkeit, endet mit einer globalen Schicht und verwendet für dieses Modell einen dedizierten visuellen Encoder. Das daraus entstehende Profil ist für Text- und Bildeingaben mit Textausgabe ausgelegt. Das sind Fakten zur Modellarchitektur; sie bestimmen weder die Antwortzeit einer Anwendung noch implizieren sie die Audiounterstützung anderer Gemma-4-Grössen.
Sein Kontext von 256K Token unterstützt Aufgaben, die umfangreichen Text mit visuellen Belegen verbinden. Bilder und Text lassen sich in einem Prompt verschachteln; der Hersteller empfiehlt für beste Ergebnisse, Bildinhalte vor dem zugehörigen Text zu platzieren. Visuelle Aufgaben umfassen Objekterkennung, Deutung von Dokumentseiten, Bildschirm- und Oberflächenverständnis, Diagramme, mehrsprachige OCR, Handschrift und Zeigen auf Bildpositionen. Die Ausgabe ist Text: extrahierter Inhalt, eine Erklärung, Code oder eine vorgeschlagene Werkzeugaktion.
Videoverständnis verarbeitet eine Folge von Einzelbildern. Die Modellkarte nennt ein Maximum von 60 Sekunden, wenn die Bilder mit einem Bild pro Sekunde verarbeitet werden. Bereiten Sie den relevanten Ausschnitt vor, bewahren Sie die Bildreihenfolge und stellen Sie eine Frage zur sichtbaren Folge. Dieses visuelle Profil 26B/31B akzeptiert kein Audio; die Sprachfähigkeiten der kleineren audiofähigen Gemma 4-Varianten gelten hier nicht. Falls die Aufgabe gesprochene Informationen benötigt, ergänzen Sie deren Transkript als Text.
Konfigurierbares Thinking lässt das Modell vor der Antwort überlegen oder eine direkte Antwort geben. Gemma 4 ergänzt eine native system-Rolle neben user- und assistant-Rollen. Googles Prompt-Format aktiviert Thinking mit dem Steuertoken <|think|> im Systemprompt und trennt den Gedankenkanal von der endgültigen Antwort; sein dokumentierter Prozessor kann diese Vorlage verarbeiten. Halten Sie bei einem mehrstufigen Gespräch frühere endgültige Antworten im Verlauf und schliessen Sie frühere Gedanken aus, ausser in Runden mit Werkzeugaufrufen, in denen sie laut Hersteller erhalten bleiben sollen.
Native Function Calling unterstützt strukturierte Werkzeugnutzung; Googles Ankündigung zur Einführung dokumentiert ausserdem strukturierte JSON-Ausgabe. Definieren Sie die Aufgabe, die verfügbare Funktion und das erwartete Ergebnis; die Anwendung führt die angeforderte Operation aus und gibt ihre Ausgabe für den nächsten Schritt zurück. Eine Programmieraufgabe kann Erzeugung, Vervollständigung oder Korrektur verlangen, während ein visueller Assistent den zurückgegebenen Text zur Erklärung eines Diagramms oder Bildschirms verwenden kann. Eine Funktionsaufruf-Anweisung ist von einer verbundenen Aktion zu unterscheiden, die tatsächlich ausgeführt wurde.
Variable Bildauflösung wird über das Budget visueller Token gesteuert. Die dokumentierten Optionen sind 70, 140, 280, 560 und 1’120 Token. Kleinere Budgets eignen sich für Klassifikation, Bildunterschriften oder Bildfolgen; grössere Budgets bewahren für OCR, Dokumentanalyse und kleine Texte mehr Detail und benötigen zusätzliche Rechenleistung. Entscheiden Sie vor der Bildvorbereitung, ob Sie die gesamte Szene oder die genaue Beschriftung benötigen. Ein klarer Ausschnitt eines Etiketts kann für eine Extraktionsaufgabe nützlicher sein als eine uneingeschränkte Aufforderung, jedes Detail einer vollständigen Seite zu prüfen.
Google empfiehlt Temperatur 1.0, top-p 0.95 und top-k 64 als Sampling-Konfiguration der Familie. Die Modellkarte unterscheidet Training in mehr als 140 Sprachen von sofortiger Unterstützung für mehr als 35 Sprachen. Geben Sie die Antwortsprache an und bewahren Sie Domänennamen, Feldnamen oder Formeln ausdrücklich im Auftrag. Die Angabe 256K ist eine Kontextspezifikation; die zitierte Modellkarte belegt keine separate universelle maximale Ausgabelänge für diese Edition.
Stellen Sie für eine Dokument-und-Code-Aufgabe das relevante Seitenbild, die schriftliche Anforderung und den Quellausschnitt bereit: «Lies die Beschriftungen, erkläre, wie dieser Bildschirm von der Spezifikation abweicht, und schlage eine gezielte Korrektur des bereitgestellten Codes vor.» Fordern Sie bei einem Diagramm, dass die Antwort sichtbare Werte von einem abgeleiteten Trend trennt. Gemmas Modellkarte nennt Grenzen bei mehrdeutiger Sprache, sehr komplexen Aufgaben und falschen oder veralteten Tatsachenbehauptungen; fügen Sie deshalb die massgeblichen Fakten bei, die das gewünschte Ergebnis verwenden muss, statt zu erwarten, dass Trainingswissen sie liefert.
", "aboutText": "Gemma 4 31B IT ist Google DeepMinds auf Instruktionsbefolgung abgestimmte dichte Edition der offenen Familie Gemma 4. Google positioniert das Modell 31B hinsichtlich Modellqualität und Anpassung an eine Aufgabe, während die separate Edition 26B A4B für Inferenz-Effizienz ein Mixture of Experts verwendet. Diese Karte behandelt die benannte instruktionsabgestimmte Edition 31B und nicht ihre vortrainierten Gewichte oder eine quantisierte Ableitung.\n\nDie offizielle Tabelle zur dichten Architektur nennt 30.7 Milliarden Parameter, 60 Schichten, ein Sliding Window von 1’024 Token und einen Kontext von 256K Token. Die Familie kombiniert lokale Sliding-Window-Aufmerksamkeit mit globaler Aufmerksamkeit, endet mit einer globalen Schicht und verwendet für dieses Modell einen dedizierten visuellen Encoder. Das daraus entstehende Profil ist für Text- und Bildeingaben mit Textausgabe ausgelegt. Das sind Fakten zur Modellarchitektur; sie bestimmen weder die Antwortzeit einer Anwendung noch implizieren sie die Audiounterstützung anderer Gemma-4-Grössen.\n\nSein Kontext von 256K Token unterstützt Aufgaben, die umfangreichen Text mit visuellen Belegen verbinden. Bilder und Text lassen sich in einem Prompt verschachteln; der Hersteller empfiehlt für beste Ergebnisse, Bildinhalte vor dem zugehörigen Text zu platzieren. Visuelle Aufgaben umfassen Objekterkennung, Deutung von Dokumentseiten, Bildschirm- und Oberflächenverständnis, Diagramme, mehrsprachige OCR, Handschrift und Zeigen auf Bildpositionen. Die Ausgabe ist Text: extrahierter Inhalt, eine Erklärung, Code oder eine vorgeschlagene Werkzeugaktion.\n\nVideoverständnis verarbeitet eine Folge von Einzelbildern. Die Modellkarte nennt ein Maximum von 60 Sekunden, wenn die Bilder mit einem Bild pro Sekunde verarbeitet werden. Bereiten Sie den relevanten Ausschnitt vor, bewahren Sie die Bildreihenfolge und stellen Sie eine Frage zur sichtbaren Folge. Dieses visuelle Profil 26B/31B akzeptiert kein Audio; die Sprachfähigkeiten der kleineren audiofähigen Gemma 4-Varianten gelten hier nicht. Falls die Aufgabe gesprochene Informationen benötigt, ergänzen Sie deren Transkript als Text.\n\nKonfigurierbares Thinking lässt das Modell vor der Antwort überlegen oder eine direkte Antwort geben. Gemma 4 ergänzt eine native system-Rolle neben user- und assistant-Rollen. Googles Prompt-Format aktiviert Thinking mit dem Steuertoken <|think|> im Systemprompt und trennt den Gedankenkanal von der endgültigen Antwort; sein dokumentierter Prozessor kann diese Vorlage verarbeiten. Halten Sie bei einem mehrstufigen Gespräch frühere endgültige Antworten im Verlauf und schliessen Sie frühere Gedanken aus, ausser in Runden mit Werkzeugaufrufen, in denen sie laut Hersteller erhalten bleiben sollen.\n\nNative Function Calling unterstützt strukturierte Werkzeugnutzung; Googles Ankündigung zur Einführung dokumentiert ausserdem strukturierte JSON-Ausgabe. Definieren Sie die Aufgabe, die verfügbare Funktion und das erwartete Ergebnis; die Anwendung führt die angeforderte Operation aus und gibt ihre Ausgabe für den nächsten Schritt zurück. Eine Programmieraufgabe kann Erzeugung, Vervollständigung oder Korrektur verlangen, während ein visueller Assistent den zurückgegebenen Text zur Erklärung eines Diagramms oder Bildschirms verwenden kann. Eine Funktionsaufruf-Anweisung ist von einer verbundenen Aktion zu unterscheiden, die tatsächlich ausgeführt wurde.\n\nVariable Bildauflösung wird über das Budget visueller Token gesteuert. Die dokumentierten Optionen sind 70, 140, 280, 560 und 1’120 Token. Kleinere Budgets eignen sich für Klassifikation, Bildunterschriften oder Bildfolgen; grössere Budgets bewahren für OCR, Dokumentanalyse und kleine Texte mehr Detail und benötigen zusätzliche Rechenleistung. Entscheiden Sie vor der Bildvorbereitung, ob Sie die gesamte Szene oder die genaue Beschriftung benötigen. Ein klarer Ausschnitt eines Etiketts kann für eine Extraktionsaufgabe nützlicher sein als eine uneingeschränkte Aufforderung, jedes Detail einer vollständigen Seite zu prüfen.\n\nGoogle empfiehlt Temperatur 1.0, top-p 0.95 und top-k 64 als Sampling-Konfiguration der Familie. Die Modellkarte unterscheidet Training in mehr als 140 Sprachen von sofortiger Unterstützung für mehr als 35 Sprachen. Geben Sie die Antwortsprache an und bewahren Sie Domänennamen, Feldnamen oder Formeln ausdrücklich im Auftrag. Die Angabe 256K ist eine Kontextspezifikation; die zitierte Modellkarte belegt keine separate universelle maximale Ausgabelänge für diese Edition.\n\nStellen Sie für eine Dokument-und-Code-Aufgabe das relevante Seitenbild, die schriftliche Anforderung und den Quellausschnitt bereit: «Lies die Beschriftungen, erkläre, wie dieser Bildschirm von der Spezifikation abweicht, und schlage eine gezielte Korrektur des bereitgestellten Codes vor.» Fordern Sie bei einem Diagramm, dass die Antwort sichtbare Werte von einem abgeleiteten Trend trennt. Gemmas Modellkarte nennt Grenzen bei mehrdeutiger Sprache, sehr komplexen Aufgaben und falschen oder veralteten Tatsachenbehauptungen; fügen Sie deshalb die massgeblichen Fakten bei, die das gewünschte Ergebnis verwenden muss, statt zu erwarten, dass Trainingswissen sie liefert.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.google/gemma-4-31b-itGemma 4 31B IT ist Googles auf Anweisungen abgestimmtes Modell mit dichter Architektur zum Schlussfolgern aus Text und Bildern. Sein Kontext von 256K, konfigurierbares Denken, das Verständnis von Bildern und Videobildfolgen sowie native Funktionsaufrufe unterstützen Programmier-, Dokument- und Agentenaufgaben mit Textausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemma 4 31B IT ist Google DeepMinds auf Instruktionsbefolgung abgestimmte dichte Edition der offenen Familie Gemma 4. Google positioniert das Modell 31B hinsichtlich Modellqualität und Anpassung an eine Aufgabe, während die separate Edition 26B A4B für Inferenz-Effizienz ein Mixture of Experts verwendet. Diese Karte behandelt die benannte instruktionsabgestimmte Edition 31B und nicht ihre vortrainierten Gewichte oder eine quantisierte Ableitung.
Die offizielle Tabelle zur dichten Architektur nennt 30.7 Milliarden Parameter, 60 Schichten, ein Sliding Window von 1’024 Token und einen Kontext von 256K Token. Die Familie kombiniert lokale Sliding-Window-Aufmerksamkeit mit globaler Aufmerksamkeit, endet mit einer globalen Schicht und verwendet für dieses Modell einen dedizierten visuellen Encoder. Das daraus entstehende Profil ist für Text- und Bildeingaben mit Textausgabe ausgelegt. Das sind Fakten zur Modellarchitektur; sie bestimmen weder die Antwortzeit einer Anwendung noch implizieren sie die Audiounterstützung anderer Gemma-4-Grössen.
Sein Kontext von 256K Token unterstützt Aufgaben, die umfangreichen Text mit visuellen Belegen verbinden. Bilder und Text lassen sich in einem Prompt verschachteln; der Hersteller empfiehlt für beste Ergebnisse, Bildinhalte vor dem zugehörigen Text zu platzieren. Visuelle Aufgaben umfassen Objekterkennung, Deutung von Dokumentseiten, Bildschirm- und Oberflächenverständnis, Diagramme, mehrsprachige OCR, Handschrift und Zeigen auf Bildpositionen. Die Ausgabe ist Text: extrahierter Inhalt, eine Erklärung, Code oder eine vorgeschlagene Werkzeugaktion.
Videoverständnis verarbeitet eine Folge von Einzelbildern. Die Modellkarte nennt ein Maximum von 60 Sekunden, wenn die Bilder mit einem Bild pro Sekunde verarbeitet werden. Bereiten Sie den relevanten Ausschnitt vor, bewahren Sie die Bildreihenfolge und stellen Sie eine Frage zur sichtbaren Folge. Dieses visuelle Profil 26B/31B akzeptiert kein Audio; die Sprachfähigkeiten der kleineren audiofähigen Gemma 4-Varianten gelten hier nicht. Falls die Aufgabe gesprochene Informationen benötigt, ergänzen Sie deren Transkript als Text.
Konfigurierbares Thinking lässt das Modell vor der Antwort überlegen oder eine direkte Antwort geben. Gemma 4 ergänzt eine native system-Rolle neben user- und assistant-Rollen. Googles Prompt-Format aktiviert Thinking mit dem Steuertoken <|think|> im Systemprompt und trennt den Gedankenkanal von der endgültigen Antwort; sein dokumentierter Prozessor kann diese Vorlage verarbeiten. Halten Sie bei einem mehrstufigen Gespräch frühere endgültige Antworten im Verlauf und schliessen Sie frühere Gedanken aus, ausser in Runden mit Werkzeugaufrufen, in denen sie laut Hersteller erhalten bleiben sollen.
Native Function Calling unterstützt strukturierte Werkzeugnutzung; Googles Ankündigung zur Einführung dokumentiert ausserdem strukturierte JSON-Ausgabe. Definieren Sie die Aufgabe, die verfügbare Funktion und das erwartete Ergebnis; die Anwendung führt die angeforderte Operation aus und gibt ihre Ausgabe für den nächsten Schritt zurück. Eine Programmieraufgabe kann Erzeugung, Vervollständigung oder Korrektur verlangen, während ein visueller Assistent den zurückgegebenen Text zur Erklärung eines Diagramms oder Bildschirms verwenden kann. Eine Funktionsaufruf-Anweisung ist von einer verbundenen Aktion zu unterscheiden, die tatsächlich ausgeführt wurde.
Variable Bildauflösung wird über das Budget visueller Token gesteuert. Die dokumentierten Optionen sind 70, 140, 280, 560 und 1’120 Token. Kleinere Budgets eignen sich für Klassifikation, Bildunterschriften oder Bildfolgen; grössere Budgets bewahren für OCR, Dokumentanalyse und kleine Texte mehr Detail und benötigen zusätzliche Rechenleistung. Entscheiden Sie vor der Bildvorbereitung, ob Sie die gesamte Szene oder die genaue Beschriftung benötigen. Ein klarer Ausschnitt eines Etiketts kann für eine Extraktionsaufgabe nützlicher sein als eine uneingeschränkte Aufforderung, jedes Detail einer vollständigen Seite zu prüfen.
Google empfiehlt Temperatur 1.0, top-p 0.95 und top-k 64 als Sampling-Konfiguration der Familie. Die Modellkarte unterscheidet Training in mehr als 140 Sprachen von sofortiger Unterstützung für mehr als 35 Sprachen. Geben Sie die Antwortsprache an und bewahren Sie Domänennamen, Feldnamen oder Formeln ausdrücklich im Auftrag. Die Angabe 256K ist eine Kontextspezifikation; die zitierte Modellkarte belegt keine separate universelle maximale Ausgabelänge für diese Edition.
Stellen Sie für eine Dokument-und-Code-Aufgabe das relevante Seitenbild, die schriftliche Anforderung und den Quellausschnitt bereit: «Lies die Beschriftungen, erkläre, wie dieser Bildschirm von der Spezifikation abweicht, und schlage eine gezielte Korrektur des bereitgestellten Codes vor.» Fordern Sie bei einem Diagramm, dass die Antwort sichtbare Werte von einem abgeleiteten Trend trennt. Gemmas Modellkarte nennt Grenzen bei mehrdeutiger Sprache, sehr komplexen Aufgaben und falschen oder veralteten Tatsachenbehauptungen; fügen Sie deshalb die massgeblichen Fakten bei, die das gewünschte Ergebnis verwenden muss, statt zu erwarten, dass Trainingswissen sie liefert.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemma-4-31b-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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00068 / 1K Tokens Eingabe · Cache lesen $0.0002 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00068 / 1K Tokens Eingabe · Cache lesen $0.0002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-31b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-4-31b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-4-31b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-4-31b-it
Verwenden Sie die oben angezeigten Methodenpfade.
google/gemma-4-31b-itGemma 4 31B IT ist Googles auf Anweisungen abgestimmtes Modell mit dichter Architektur zum Schlussfolgern aus Text und Bildern. Sein Kontext von 256K, konfigurierbares Denken, das Verständnis von Bildern und Videobildfolgen sowie native Funktionsaufrufe unterstützen Programmier-, Dokument- und Agentenaufgaben mit Textausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Gemma 4 31B IT ist Google DeepMinds auf Instruktionsbefolgung abgestimmte dichte Edition der offenen Familie Gemma 4. Google positioniert das Modell 31B hinsichtlich Modellqualität und Anpassung an eine Aufgabe, während die separate Edition 26B A4B für Inferenz-Effizienz ein Mixture of Experts verwendet. Diese Karte behandelt die benannte instruktionsabgestimmte Edition 31B und nicht ihre vortrainierten Gewichte oder eine quantisierte Ableitung.
Die offizielle Tabelle zur dichten Architektur nennt 30.7 Milliarden Parameter, 60 Schichten, ein Sliding Window von 1’024 Token und einen Kontext von 256K Token. Die Familie kombiniert lokale Sliding-Window-Aufmerksamkeit mit globaler Aufmerksamkeit, endet mit einer globalen Schicht und verwendet für dieses Modell einen dedizierten visuellen Encoder. Das daraus entstehende Profil ist für Text- und Bildeingaben mit Textausgabe ausgelegt. Das sind Fakten zur Modellarchitektur; sie bestimmen weder die Antwortzeit einer Anwendung noch implizieren sie die Audiounterstützung anderer Gemma-4-Grössen.
Sein Kontext von 256K Token unterstützt Aufgaben, die umfangreichen Text mit visuellen Belegen verbinden. Bilder und Text lassen sich in einem Prompt verschachteln; der Hersteller empfiehlt für beste Ergebnisse, Bildinhalte vor dem zugehörigen Text zu platzieren. Visuelle Aufgaben umfassen Objekterkennung, Deutung von Dokumentseiten, Bildschirm- und Oberflächenverständnis, Diagramme, mehrsprachige OCR, Handschrift und Zeigen auf Bildpositionen. Die Ausgabe ist Text: extrahierter Inhalt, eine Erklärung, Code oder eine vorgeschlagene Werkzeugaktion.
Videoverständnis verarbeitet eine Folge von Einzelbildern. Die Modellkarte nennt ein Maximum von 60 Sekunden, wenn die Bilder mit einem Bild pro Sekunde verarbeitet werden. Bereiten Sie den relevanten Ausschnitt vor, bewahren Sie die Bildreihenfolge und stellen Sie eine Frage zur sichtbaren Folge. Dieses visuelle Profil 26B/31B akzeptiert kein Audio; die Sprachfähigkeiten der kleineren audiofähigen Gemma 4-Varianten gelten hier nicht. Falls die Aufgabe gesprochene Informationen benötigt, ergänzen Sie deren Transkript als Text.
Konfigurierbares Thinking lässt das Modell vor der Antwort überlegen oder eine direkte Antwort geben. Gemma 4 ergänzt eine native system-Rolle neben user- und assistant-Rollen. Googles Prompt-Format aktiviert Thinking mit dem Steuertoken <|think|> im Systemprompt und trennt den Gedankenkanal von der endgültigen Antwort; sein dokumentierter Prozessor kann diese Vorlage verarbeiten. Halten Sie bei einem mehrstufigen Gespräch frühere endgültige Antworten im Verlauf und schliessen Sie frühere Gedanken aus, ausser in Runden mit Werkzeugaufrufen, in denen sie laut Hersteller erhalten bleiben sollen.
Native Function Calling unterstützt strukturierte Werkzeugnutzung; Googles Ankündigung zur Einführung dokumentiert ausserdem strukturierte JSON-Ausgabe. Definieren Sie die Aufgabe, die verfügbare Funktion und das erwartete Ergebnis; die Anwendung führt die angeforderte Operation aus und gibt ihre Ausgabe für den nächsten Schritt zurück. Eine Programmieraufgabe kann Erzeugung, Vervollständigung oder Korrektur verlangen, während ein visueller Assistent den zurückgegebenen Text zur Erklärung eines Diagramms oder Bildschirms verwenden kann. Eine Funktionsaufruf-Anweisung ist von einer verbundenen Aktion zu unterscheiden, die tatsächlich ausgeführt wurde.
Variable Bildauflösung wird über das Budget visueller Token gesteuert. Die dokumentierten Optionen sind 70, 140, 280, 560 und 1’120 Token. Kleinere Budgets eignen sich für Klassifikation, Bildunterschriften oder Bildfolgen; grössere Budgets bewahren für OCR, Dokumentanalyse und kleine Texte mehr Detail und benötigen zusätzliche Rechenleistung. Entscheiden Sie vor der Bildvorbereitung, ob Sie die gesamte Szene oder die genaue Beschriftung benötigen. Ein klarer Ausschnitt eines Etiketts kann für eine Extraktionsaufgabe nützlicher sein als eine uneingeschränkte Aufforderung, jedes Detail einer vollständigen Seite zu prüfen.
Google empfiehlt Temperatur 1.0, top-p 0.95 und top-k 64 als Sampling-Konfiguration der Familie. Die Modellkarte unterscheidet Training in mehr als 140 Sprachen von sofortiger Unterstützung für mehr als 35 Sprachen. Geben Sie die Antwortsprache an und bewahren Sie Domänennamen, Feldnamen oder Formeln ausdrücklich im Auftrag. Die Angabe 256K ist eine Kontextspezifikation; die zitierte Modellkarte belegt keine separate universelle maximale Ausgabelänge für diese Edition.
Stellen Sie für eine Dokument-und-Code-Aufgabe das relevante Seitenbild, die schriftliche Anforderung und den Quellausschnitt bereit: «Lies die Beschriftungen, erkläre, wie dieser Bildschirm von der Spezifikation abweicht, und schlage eine gezielte Korrektur des bereitgestellten Codes vor.» Fordern Sie bei einem Diagramm, dass die Antwort sichtbare Werte von einem abgeleiteten Trend trennt. Gemmas Modellkarte nennt Grenzen bei mehrdeutiger Sprache, sehr komplexen Aufgaben und falschen oder veralteten Tatsachenbehauptungen; fügen Sie deshalb die massgeblichen Fakten bei, die das gewünschte Ergebnis verwenden muss, statt zu erwarten, dass Trainingswissen sie liefert.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemma-4-31b-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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00068 / 1K Tokens Eingabe · Cache lesen $0.0002 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00068 / 1K Tokens Eingabe · Cache lesen $0.0002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "google/gemma-4-31b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-31b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-31b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-4-31b-it
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.