Gemma 4 26B A4B IT ist Google DeepMinds auf Anweisungen abgestimmte Mixture-of-Experts-Edition der offenen Gemma 4-Familie. Die offizielle Architekturtabelle nennt insgesamt 25,2 Milliarden Parameter und 3,8 Milliarden aktive Parameter. A4B benennt die gerundete Größenordnung der aktiven Parameter. Sein Zweck umfasst Reasoning, Programmierung, Agentenabläufe und multimodales Verständnis. Es ist von der vortrainierten Edition und dem dichten Modell mit 31B getrennt.
Die Mixture-of-Experts-Architektur aktiviert für jeden Inferenzschritt einen Teil der Parameter: laut veröffentlichter Architekturtabelle acht aktive Experten aus 128 sowie einen gemeinsam genutzten Experten. Google positioniert diese Edition hinsichtlich der Inferenzeffizienz im Vergleich zum dichten Modell. Sie verbindet eine Architektur mit 30 Schichten und einem gleitenden Fenster von 1.024 Token mit globaler Aufmerksamkeit, einem Kontext von 256K und einem visuellen Encoder. Diese Architekturwerte beschreiben das Herstellermodell und keine garantierte Latenz oder Hardwarekonfiguration einer bestimmten Anwendung.
Der Kontext von 256K Token unterstützt Aufgaben, die umfangreichen Text mit visuellen Belegen verbinden. Bilder und Text können in einem Prompt abwechselnd angeordnet werden. Der Hersteller empfiehlt für beste Ergebnisse, Bildinhalte vor dem zugehörigen Text zu platzieren. Zu visuellen Aufgaben gehören Objekterkennung, Interpretation von Dokumentseiten, Bildschirm- und Oberflächenverständnis, Diagramme, mehrsprachige OCR, Handschrift und das Zeigen auf Bildbereiche. Die Ausgabe ist Text: extrahierter Inhalt, eine Erklärung, Code oder eine vorgeschlagene Werkzeugaktion.
Das Videoverständnis verarbeitet eine Bildfolge. Die Modellkarte nennt maximal 60 Sekunden, wenn die Bilder mit einem Bild pro Sekunde verarbeitet werden. Bereiten Sie die relevante Sequenz vor, erhalten Sie die Bildreihenfolge und stellen Sie eine Frage zum sichtbaren Verlauf. Dieses visuelle Profil für 26B/31B nimmt kein Audio entgegen. Die Sprachfähigkeiten der kleineren Gemma 4-Varianten mit Audiounterstützung gelten hier nicht. Wenn die Aufgabe gesprochene Informationen benötigt, ergänzen Sie deren Transkript als Text.
Konfigurierbares Denken lässt das Modell vor der Antwort schlussfolgern oder direkt antworten. Gemma 4 ergänzt die native Rolle system neben den Rollen user und assistant. Googles Promptformat aktiviert das Denken mit dem Steuerungstoken <|think|> im Systemprompt und trennt den Gedankenkanal von der endgültigen Antwort. Der dokumentierte Prozessor kann diese Vorlage verarbeiten. Bewahren Sie bei einem Gespräch mit mehreren Schritten vorherige endgültige Antworten im Verlauf auf und lassen Sie frühere Gedanken weg, außer bei Schritten mit Werkzeugaufrufen, in denen sie laut Hersteller erhalten bleiben sollen.
Native Function Calling unterstützt strukturierte Werkzeugnutzung. Googles Einführungsbeschreibung 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 deren Ausgabe für den nächsten Schritt zurück. Eine Programmieraufgabe kann Erzeugung, Vervollständigung oder Korrektur verlangen, während ein visueller Assistent mit dem zurückgegebenen Text ein Diagramm oder einen Bildschirm erklären kann. Eine Anweisung zu einem Funktionsaufruf ist von einer tatsächlich ausgeführten verbundenen Aktion getrennt.
Variable Bildauflösung wird über das visuelle Tokenbudget gesteuert. Die dokumentierten Optionen sind 70, 140, 280, 560 und 1.120 Token. Niedrigere Budgets eignen sich für Klassifikation, Bildunterschriften oder Bildfolgen. Höhere Budgets erhalten mit zusätzlichem Rechenaufwand mehr Details für OCR, Dokumentanalyse und kleinen Text. Entscheiden Sie vor der Bildvorbereitung, ob Sie die gesamte Szene oder den genauen Wortlaut benötigen. Ein klarer Ausschnitt einer Beschriftung kann einer Extraktionsaufgabe mehr helfen als die unbestimmte Aufforderung, jedes Detail einer ganzen Seite zu prüfen.
Google empfiehlt temperature 1.0, top-p 0.95 und top-k 64 als Samplingkonfiguration der Familie. Die Modellkarte unterscheidet Training in mehr als 140 Sprachen von sofortiger Unterstützung für mehr als 35 Sprachen. Nennen Sie die Antwortsprache und halten Sie im Auftrag Domänennamen, Feldnamen oder Formeln ausdrücklich fest. Die Angabe 256K ist eine Kontextspezifikation. Die zitierte Modellkarte legt kein separates universelles Ausgabemaximum für diese Edition fest.
Stellen Sie für eine Dokument- und Codeaufgabe das relevante Seitenbild, die schriftliche Anforderung und den Quelltextausschnitt bereit: „Lesen Sie die Beschriftungen, erklären Sie die Abweichungen dieses Bildschirms von der Spezifikation und schlagen Sie eine gezielte Korrektur des bereitgestellten Codes vor.“ Verlangen Sie bei einem Diagramm die Trennung zwischen sichtbaren Werten und einer abgeleiteten Entwicklung. Die Modellkarte von Gemma nennt Grenzen bei mehrdeutiger Sprache, sehr komplexen Aufgaben sowie falschen oder veralteten Sachangaben. Fügen Sie daher die maßgeblichen Fakten für das verlangte Ergebnis hinzu, statt diese vom Trainingswissen zu erwarten.
", "aboutText": "Gemma 4 26B A4B IT ist Google DeepMinds auf Anweisungen abgestimmte Mixture-of-Experts-Edition der offenen Gemma 4-Familie. Die offizielle Architekturtabelle nennt insgesamt 25,2 Milliarden Parameter und 3,8 Milliarden aktive Parameter. A4B benennt die gerundete Größenordnung der aktiven Parameter. Sein Zweck umfasst Reasoning, Programmierung, Agentenabläufe und multimodales Verständnis. Es ist von der vortrainierten Edition und dem dichten Modell mit 31B getrennt.\n\nDie Mixture-of-Experts-Architektur aktiviert für jeden Inferenzschritt einen Teil der Parameter: laut veröffentlichter Architekturtabelle acht aktive Experten aus 128 sowie einen gemeinsam genutzten Experten. Google positioniert diese Edition hinsichtlich der Inferenzeffizienz im Vergleich zum dichten Modell. Sie verbindet eine Architektur mit 30 Schichten und einem gleitenden Fenster von 1.024 Token mit globaler Aufmerksamkeit, einem Kontext von 256K und einem visuellen Encoder. Diese Architekturwerte beschreiben das Herstellermodell und keine garantierte Latenz oder Hardwarekonfiguration einer bestimmten Anwendung.\n\nDer Kontext von 256K Token unterstützt Aufgaben, die umfangreichen Text mit visuellen Belegen verbinden. Bilder und Text können in einem Prompt abwechselnd angeordnet werden. Der Hersteller empfiehlt für beste Ergebnisse, Bildinhalte vor dem zugehörigen Text zu platzieren. Zu visuellen Aufgaben gehören Objekterkennung, Interpretation von Dokumentseiten, Bildschirm- und Oberflächenverständnis, Diagramme, mehrsprachige OCR, Handschrift und das Zeigen auf Bildbereiche. Die Ausgabe ist Text: extrahierter Inhalt, eine Erklärung, Code oder eine vorgeschlagene Werkzeugaktion.\n\nDas Videoverständnis verarbeitet eine Bildfolge. Die Modellkarte nennt maximal 60 Sekunden, wenn die Bilder mit einem Bild pro Sekunde verarbeitet werden. Bereiten Sie die relevante Sequenz vor, erhalten Sie die Bildreihenfolge und stellen Sie eine Frage zum sichtbaren Verlauf. Dieses visuelle Profil für 26B/31B nimmt kein Audio entgegen. Die Sprachfähigkeiten der kleineren Gemma 4-Varianten mit Audiounterstützung gelten hier nicht. Wenn die Aufgabe gesprochene Informationen benötigt, ergänzen Sie deren Transkript als Text.\n\nKonfigurierbares Denken lässt das Modell vor der Antwort schlussfolgern oder direkt antworten. Gemma 4 ergänzt die native Rolle system neben den Rollen user und assistant. Googles Promptformat aktiviert das Denken mit dem Steuerungstoken <|think|> im Systemprompt und trennt den Gedankenkanal von der endgültigen Antwort. Der dokumentierte Prozessor kann diese Vorlage verarbeiten. Bewahren Sie bei einem Gespräch mit mehreren Schritten vorherige endgültige Antworten im Verlauf auf und lassen Sie frühere Gedanken weg, außer bei Schritten mit Werkzeugaufrufen, in denen sie laut Hersteller erhalten bleiben sollen.\n\nNative Function Calling unterstützt strukturierte Werkzeugnutzung. Googles Einführungsbeschreibung 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 deren Ausgabe für den nächsten Schritt zurück. Eine Programmieraufgabe kann Erzeugung, Vervollständigung oder Korrektur verlangen, während ein visueller Assistent mit dem zurückgegebenen Text ein Diagramm oder einen Bildschirm erklären kann. Eine Anweisung zu einem Funktionsaufruf ist von einer tatsächlich ausgeführten verbundenen Aktion getrennt.\n\nVariable Bildauflösung wird über das visuelle Tokenbudget gesteuert. Die dokumentierten Optionen sind 70, 140, 280, 560 und 1.120 Token. Niedrigere Budgets eignen sich für Klassifikation, Bildunterschriften oder Bildfolgen. Höhere Budgets erhalten mit zusätzlichem Rechenaufwand mehr Details für OCR, Dokumentanalyse und kleinen Text. Entscheiden Sie vor der Bildvorbereitung, ob Sie die gesamte Szene oder den genauen Wortlaut benötigen. Ein klarer Ausschnitt einer Beschriftung kann einer Extraktionsaufgabe mehr helfen als die unbestimmte Aufforderung, jedes Detail einer ganzen Seite zu prüfen.\n\nGoogle empfiehlt temperature 1.0, top-p 0.95 und top-k 64 als Samplingkonfiguration der Familie. Die Modellkarte unterscheidet Training in mehr als 140 Sprachen von sofortiger Unterstützung für mehr als 35 Sprachen. Nennen Sie die Antwortsprache und halten Sie im Auftrag Domänennamen, Feldnamen oder Formeln ausdrücklich fest. Die Angabe 256K ist eine Kontextspezifikation. Die zitierte Modellkarte legt kein separates universelles Ausgabemaximum für diese Edition fest.\n\nStellen Sie für eine Dokument- und Codeaufgabe das relevante Seitenbild, die schriftliche Anforderung und den Quelltextausschnitt bereit: „Lesen Sie die Beschriftungen, erklären Sie die Abweichungen dieses Bildschirms von der Spezifikation und schlagen Sie eine gezielte Korrektur des bereitgestellten Codes vor.“ Verlangen Sie bei einem Diagramm die Trennung zwischen sichtbaren Werten und einer abgeleiteten Entwicklung. Die Modellkarte von Gemma nennt Grenzen bei mehrdeutiger Sprache, sehr komplexen Aufgaben sowie falschen oder veralteten Sachangaben. Fügen Sie daher die maßgeblichen Fakten für das verlangte Ergebnis hinzu, statt diese vom Trainingswissen zu erwarten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.google/gemma-4-26b-a4b-itGemma 4 26B A4B IT ist Googles auf Anweisungen abgestimmtes Mixture-of-Experts-Modell zum Schlussfolgern aus Text und Bildern. Es verbindet einen Kontext von 256K, das Verständnis von Bildern und Videobildfolgen, konfigurierbares Denken und native Funktionsaufrufe 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 26B A4B IT ist Google DeepMinds auf Anweisungen abgestimmte Mixture-of-Experts-Edition der offenen Gemma 4-Familie. Die offizielle Architekturtabelle nennt insgesamt 25,2 Milliarden Parameter und 3,8 Milliarden aktive Parameter. A4B benennt die gerundete Größenordnung der aktiven Parameter. Sein Zweck umfasst Reasoning, Programmierung, Agentenabläufe und multimodales Verständnis. Es ist von der vortrainierten Edition und dem dichten Modell mit 31B getrennt.
Die Mixture-of-Experts-Architektur aktiviert für jeden Inferenzschritt einen Teil der Parameter: laut veröffentlichter Architekturtabelle acht aktive Experten aus 128 sowie einen gemeinsam genutzten Experten. Google positioniert diese Edition hinsichtlich der Inferenzeffizienz im Vergleich zum dichten Modell. Sie verbindet eine Architektur mit 30 Schichten und einem gleitenden Fenster von 1.024 Token mit globaler Aufmerksamkeit, einem Kontext von 256K und einem visuellen Encoder. Diese Architekturwerte beschreiben das Herstellermodell und keine garantierte Latenz oder Hardwarekonfiguration einer bestimmten Anwendung.
Der Kontext von 256K Token unterstützt Aufgaben, die umfangreichen Text mit visuellen Belegen verbinden. Bilder und Text können in einem Prompt abwechselnd angeordnet werden. Der Hersteller empfiehlt für beste Ergebnisse, Bildinhalte vor dem zugehörigen Text zu platzieren. Zu visuellen Aufgaben gehören Objekterkennung, Interpretation von Dokumentseiten, Bildschirm- und Oberflächenverständnis, Diagramme, mehrsprachige OCR, Handschrift und das Zeigen auf Bildbereiche. Die Ausgabe ist Text: extrahierter Inhalt, eine Erklärung, Code oder eine vorgeschlagene Werkzeugaktion.
Das Videoverständnis verarbeitet eine Bildfolge. Die Modellkarte nennt maximal 60 Sekunden, wenn die Bilder mit einem Bild pro Sekunde verarbeitet werden. Bereiten Sie die relevante Sequenz vor, erhalten Sie die Bildreihenfolge und stellen Sie eine Frage zum sichtbaren Verlauf. Dieses visuelle Profil für 26B/31B nimmt kein Audio entgegen. Die Sprachfähigkeiten der kleineren Gemma 4-Varianten mit Audiounterstützung gelten hier nicht. Wenn die Aufgabe gesprochene Informationen benötigt, ergänzen Sie deren Transkript als Text.
Konfigurierbares Denken lässt das Modell vor der Antwort schlussfolgern oder direkt antworten. Gemma 4 ergänzt die native Rolle system neben den Rollen user und assistant. Googles Promptformat aktiviert das Denken mit dem Steuerungstoken <|think|> im Systemprompt und trennt den Gedankenkanal von der endgültigen Antwort. Der dokumentierte Prozessor kann diese Vorlage verarbeiten. Bewahren Sie bei einem Gespräch mit mehreren Schritten vorherige endgültige Antworten im Verlauf auf und lassen Sie frühere Gedanken weg, außer bei Schritten mit Werkzeugaufrufen, in denen sie laut Hersteller erhalten bleiben sollen.
Native Function Calling unterstützt strukturierte Werkzeugnutzung. Googles Einführungsbeschreibung 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 deren Ausgabe für den nächsten Schritt zurück. Eine Programmieraufgabe kann Erzeugung, Vervollständigung oder Korrektur verlangen, während ein visueller Assistent mit dem zurückgegebenen Text ein Diagramm oder einen Bildschirm erklären kann. Eine Anweisung zu einem Funktionsaufruf ist von einer tatsächlich ausgeführten verbundenen Aktion getrennt.
Variable Bildauflösung wird über das visuelle Tokenbudget gesteuert. Die dokumentierten Optionen sind 70, 140, 280, 560 und 1.120 Token. Niedrigere Budgets eignen sich für Klassifikation, Bildunterschriften oder Bildfolgen. Höhere Budgets erhalten mit zusätzlichem Rechenaufwand mehr Details für OCR, Dokumentanalyse und kleinen Text. Entscheiden Sie vor der Bildvorbereitung, ob Sie die gesamte Szene oder den genauen Wortlaut benötigen. Ein klarer Ausschnitt einer Beschriftung kann einer Extraktionsaufgabe mehr helfen als die unbestimmte Aufforderung, jedes Detail einer ganzen Seite zu prüfen.
Google empfiehlt temperature 1.0, top-p 0.95 und top-k 64 als Samplingkonfiguration der Familie. Die Modellkarte unterscheidet Training in mehr als 140 Sprachen von sofortiger Unterstützung für mehr als 35 Sprachen. Nennen Sie die Antwortsprache und halten Sie im Auftrag Domänennamen, Feldnamen oder Formeln ausdrücklich fest. Die Angabe 256K ist eine Kontextspezifikation. Die zitierte Modellkarte legt kein separates universelles Ausgabemaximum für diese Edition fest.
Stellen Sie für eine Dokument- und Codeaufgabe das relevante Seitenbild, die schriftliche Anforderung und den Quelltextausschnitt bereit: „Lesen Sie die Beschriftungen, erklären Sie die Abweichungen dieses Bildschirms von der Spezifikation und schlagen Sie eine gezielte Korrektur des bereitgestellten Codes vor.“ Verlangen Sie bei einem Diagramm die Trennung zwischen sichtbaren Werten und einer abgeleiteten Entwicklung. Die Modellkarte von Gemma nennt Grenzen bei mehrdeutiger Sprache, sehr komplexen Aufgaben sowie falschen oder veralteten Sachangaben. Fügen Sie daher die maßgeblichen Fakten für das verlangte Ergebnis hinzu, statt diese vom Trainingswissen zu erwarten.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemma-4-26b-a4b-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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-it
Verwenden Sie die oben angezeigten Methodenpfade.
google/gemma-4-26b-a4b-itGemma 4 26B A4B IT ist Googles auf Anweisungen abgestimmtes Mixture-of-Experts-Modell zum Schlussfolgern aus Text und Bildern. Es verbindet einen Kontext von 256K, das Verständnis von Bildern und Videobildfolgen, konfigurierbares Denken und native Funktionsaufrufe 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 26B A4B IT ist Google DeepMinds auf Anweisungen abgestimmte Mixture-of-Experts-Edition der offenen Gemma 4-Familie. Die offizielle Architekturtabelle nennt insgesamt 25,2 Milliarden Parameter und 3,8 Milliarden aktive Parameter. A4B benennt die gerundete Größenordnung der aktiven Parameter. Sein Zweck umfasst Reasoning, Programmierung, Agentenabläufe und multimodales Verständnis. Es ist von der vortrainierten Edition und dem dichten Modell mit 31B getrennt.
Die Mixture-of-Experts-Architektur aktiviert für jeden Inferenzschritt einen Teil der Parameter: laut veröffentlichter Architekturtabelle acht aktive Experten aus 128 sowie einen gemeinsam genutzten Experten. Google positioniert diese Edition hinsichtlich der Inferenzeffizienz im Vergleich zum dichten Modell. Sie verbindet eine Architektur mit 30 Schichten und einem gleitenden Fenster von 1.024 Token mit globaler Aufmerksamkeit, einem Kontext von 256K und einem visuellen Encoder. Diese Architekturwerte beschreiben das Herstellermodell und keine garantierte Latenz oder Hardwarekonfiguration einer bestimmten Anwendung.
Der Kontext von 256K Token unterstützt Aufgaben, die umfangreichen Text mit visuellen Belegen verbinden. Bilder und Text können in einem Prompt abwechselnd angeordnet werden. Der Hersteller empfiehlt für beste Ergebnisse, Bildinhalte vor dem zugehörigen Text zu platzieren. Zu visuellen Aufgaben gehören Objekterkennung, Interpretation von Dokumentseiten, Bildschirm- und Oberflächenverständnis, Diagramme, mehrsprachige OCR, Handschrift und das Zeigen auf Bildbereiche. Die Ausgabe ist Text: extrahierter Inhalt, eine Erklärung, Code oder eine vorgeschlagene Werkzeugaktion.
Das Videoverständnis verarbeitet eine Bildfolge. Die Modellkarte nennt maximal 60 Sekunden, wenn die Bilder mit einem Bild pro Sekunde verarbeitet werden. Bereiten Sie die relevante Sequenz vor, erhalten Sie die Bildreihenfolge und stellen Sie eine Frage zum sichtbaren Verlauf. Dieses visuelle Profil für 26B/31B nimmt kein Audio entgegen. Die Sprachfähigkeiten der kleineren Gemma 4-Varianten mit Audiounterstützung gelten hier nicht. Wenn die Aufgabe gesprochene Informationen benötigt, ergänzen Sie deren Transkript als Text.
Konfigurierbares Denken lässt das Modell vor der Antwort schlussfolgern oder direkt antworten. Gemma 4 ergänzt die native Rolle system neben den Rollen user und assistant. Googles Promptformat aktiviert das Denken mit dem Steuerungstoken <|think|> im Systemprompt und trennt den Gedankenkanal von der endgültigen Antwort. Der dokumentierte Prozessor kann diese Vorlage verarbeiten. Bewahren Sie bei einem Gespräch mit mehreren Schritten vorherige endgültige Antworten im Verlauf auf und lassen Sie frühere Gedanken weg, außer bei Schritten mit Werkzeugaufrufen, in denen sie laut Hersteller erhalten bleiben sollen.
Native Function Calling unterstützt strukturierte Werkzeugnutzung. Googles Einführungsbeschreibung 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 deren Ausgabe für den nächsten Schritt zurück. Eine Programmieraufgabe kann Erzeugung, Vervollständigung oder Korrektur verlangen, während ein visueller Assistent mit dem zurückgegebenen Text ein Diagramm oder einen Bildschirm erklären kann. Eine Anweisung zu einem Funktionsaufruf ist von einer tatsächlich ausgeführten verbundenen Aktion getrennt.
Variable Bildauflösung wird über das visuelle Tokenbudget gesteuert. Die dokumentierten Optionen sind 70, 140, 280, 560 und 1.120 Token. Niedrigere Budgets eignen sich für Klassifikation, Bildunterschriften oder Bildfolgen. Höhere Budgets erhalten mit zusätzlichem Rechenaufwand mehr Details für OCR, Dokumentanalyse und kleinen Text. Entscheiden Sie vor der Bildvorbereitung, ob Sie die gesamte Szene oder den genauen Wortlaut benötigen. Ein klarer Ausschnitt einer Beschriftung kann einer Extraktionsaufgabe mehr helfen als die unbestimmte Aufforderung, jedes Detail einer ganzen Seite zu prüfen.
Google empfiehlt temperature 1.0, top-p 0.95 und top-k 64 als Samplingkonfiguration der Familie. Die Modellkarte unterscheidet Training in mehr als 140 Sprachen von sofortiger Unterstützung für mehr als 35 Sprachen. Nennen Sie die Antwortsprache und halten Sie im Auftrag Domänennamen, Feldnamen oder Formeln ausdrücklich fest. Die Angabe 256K ist eine Kontextspezifikation. Die zitierte Modellkarte legt kein separates universelles Ausgabemaximum für diese Edition fest.
Stellen Sie für eine Dokument- und Codeaufgabe das relevante Seitenbild, die schriftliche Anforderung und den Quelltextausschnitt bereit: „Lesen Sie die Beschriftungen, erklären Sie die Abweichungen dieses Bildschirms von der Spezifikation und schlagen Sie eine gezielte Korrektur des bereitgestellten Codes vor.“ Verlangen Sie bei einem Diagramm die Trennung zwischen sichtbaren Werten und einer abgeleiteten Entwicklung. Die Modellkarte von Gemma nennt Grenzen bei mehrdeutiger Sprache, sehr komplexen Aufgaben sowie falschen oder veralteten Sachangaben. Fügen Sie daher die maßgeblichen Fakten für das verlangte Ergebnis hinzu, statt diese vom Trainingswissen zu erwarten.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits google/gemma-4-26b-a4b-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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-it
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.