Llama 4 Maverick Instruct ist Metas nativ multimodales Modell für assistentenartige Gespräche und visuelles Reasoning. Es nimmt mehrsprachigen Text und Bilder entgegen und erzeugt mehrsprachigen Text oder Code. Seine Mixture-of-Experts-Architektur verwendet Early Fusion und verbindet visuelle und textuelle Informationen innerhalb des Modells, statt das Bild als unverbundene, von einem separaten Textassistenten gelieferte Beschriftung zu behandeln.
Modellinformationen und Kontext
Der Hersteller nennt für Maverick 128 Experten, 17 Milliarden aktive Parameter und insgesamt 400 Milliarden Parameter. Dies unterscheidet sich von Scouts Konfiguration mit 16 Experten und insgesamt 109 Milliarden Parametern, obwohl beide die Kennzeichnung 17B für die aktive Größe tragen. Der Name Instruct bezeichnet den assistentenorientierten Checkpoint und nicht das vortrainierte Maverick-Modell.
Die Modellkarte dokumentiert ein Kontextfenster von 1M für Maverick. Nutzen Sie den Kontext, um relevante Passagen, Bilder, Gesprächsverlauf und angeforderte Antwort zusammenzuhalten. Auch eine große Quellensammlung benötigt eine definierte Frage und ein Artefakt. Kennzeichnen Sie Quelldokumente und Bilder und fordern Sie die stützende Position zu jeder extrahierten Erkenntnis an, statt eine ungerichtete Zusammenfassung des gesamten Materials zu verlangen.
Die unterstützten Sprachen sind Arabisch, Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Portugiesisch, Spanisch, Tagalog, Thai und Vietnamesisch. Der Hersteller unterscheidet diese zwölf unterstützten Sprachen von der breiteren Sammlung von etwa zweihundert Sprachen im Vortraining. Das Vorkommen einer Sprache im Training sollte nicht als Versprechen gleicher Fähigkeiten für jede Sprache ausgelegt werden.
Chat-, Bild- und Codeaufgaben
Die vorgesehenen visuellen Anwendungen der Karte umfassen Erkennung, Bild-Reasoning, Bildbeschriftung und das Beantworten allgemeiner Bildfragen. Bitten Sie das Modell bei einem Foto, die für die Aufgabe relevanten Objekte oder Beziehungen zu benennen. Fordern Sie bei einem Diagramm einen Vergleich benannter Reihen an und bewahren Sie Achsen und Einheiten. Fragen Sie bei einem Schaubild, welche beschriftete Verbindung eine vorgegebene Anforderung stützt.
Benennen Sie für einen Vergleich mehrerer Bilder die Rolle jedes Bildes und verlangen Sie für alle dieselben Kriterien. Stellen Sie beispielsweise ein ursprüngliches Design und eine Überarbeitung bereit und fordern Sie sichtbare Übereinstimmungen, Unterschiede und Details an, die sich anhand der Bilder nicht feststellen lassen. Halten Sie Beobachtungen von Schlussfolgerungen getrennt, die vom begleitenden Text abhängen. Dies erleichtert den Abgleich der Ausgabe mit der tatsächlichen Quelle.
Der Hersteller berichtet, Bildverständnis mit bis zu fünf Eingabebildern getestet zu haben. Dies ist der dokumentierte Testumfang und kein bedingungsloses festes Maximum für die Bildanzahl. Bewahren Sie die für die Frage erforderlichen Details und die Reihenfolge der Bilder. Das Hinzufügen vieler unzusammenhängender Bilder definiert für sich genommen nicht, was verglichen werden soll.
Stellen Sie für eine Programmieraufgabe Anforderung, relevanten Quellcode und erwartetes Verhalten bereit. Fordern Sie die vorgeschlagene Implementierung getrennt von Annahmen und Beispielen an. Ein Screenshot kann visuelle Anforderungen liefern, während die textuelle Bedingung Verhalten beschreibt, das der Screenshot nicht zeigen kann. Erzeugter Code ist ein Textartefakt; ihn auszuführen, eine gerenderte Oberfläche zu prüfen oder ihn auf ein Repository anzuwenden benötigt die verbundene Umgebung.
Gesprächsvorbereitung und Training
Die Modellkarte demonstriert den passenden Prozessor und die Chat-Vorlage mit zwei Bildern und einer schriftlichen Vergleichsfrage. Halten Sie Gesprächsrollen und die Zuordnung von Bild und Text ausdrücklich fest. Eine Systemanweisung kann Zielgruppe, Ton und Antwortstruktur definieren, während die Nutzernachricht die tatsächliche Aufgabe und Belege liefert. Der Hersteller beschreibt Verbesserungen nach dem Training bei der Steuerbarkeit durch Systemprompts und der Gesprächsformatierung.
Maverick wird mit etwa 22 Billionen Token multimodaler Daten vortrainiert, mit einem angegebenen Vortrainingsdatenstichtag im August 2024. Dies ist eine statische Trainingsdatengrenze und kein Live-Zugriff auf aktuelle Informationen. Stellen Sie bei Fragen zu neuerem oder privatem Material dieses Material als Quellenkontext oder über eine separat verbundene Retrieval-Operation bereit.
Die Version enthält BF16- und separat quantisierte FP8-Gewichte. Diese Präzisionsentscheidungen erzeugen keine weitere Eingabemodalität und übertragen Scouts 10M-Kontext nicht auf Maverick. Bewahren Sie den genauen Instruct-Checkpoint und seine Konfiguration beim Vergleichen wiederholter Aufgaben oder einer abgeleiteten Bereitstellung.
Praktische Ergebnisgestaltung
Eine Dokument-Bild-Aufgabe kann Quellenkennung, sichtbare Aussage, extrahierten Wert und Interpretation als separate Felder anfordern. Eine dialogische Erklärung kann die ursprünglichen Begriffe bewahren und den Text an die unterstützte Sprache des Lesers anpassen. Eine Coding-Anfrage kann das überarbeitete Fragment und Beispiele zurückgeben, die sein beabsichtigtes Verhalten unterscheidbar machen.
Definieren Sie vor dem Bereitstellen des Materials, wie das Endergebnis verwendet werden soll. Eine kurze Bildbeschriftung, eine Vergleichstabelle und ein Programmvorschlag lösen unterschiedliche Aufgaben, selbst wenn sie dieselben Bilder verwenden. Die Bild- und Sprachfähigkeiten des Modells liefern Interpretation und Text; externes Retrieval, Ausführung oder Dateierstellung stammen aus Anwendungskomponenten.
Spezifische Grenzen
Die hier dokumentierten Eingaben sind Text und Bilder, mit Text- und Codeausgabe. Audio- oder Videoverständnis, Sprachgenerierung und die benannten Reasoning-Aufwandsstufen von Muse Spark sollten dieser Maverick-Ausgabe nicht zugeordnet werden. Llama Guard ist ebenfalls ein separat trainierter Klassifikator und keine automatische Klassifikatorausgabe einer Maverick-Antwort.
Das Generierungsbeispiel der Karte mit 256 Token ist eine Beispieleinstellung, und die gelesenen Quellen belegen kein separates festes Ausgabe-Token-Maximum über die Kontextspezifikation des Modells hinaus. Halten Sie die Maverick-Identität, den Umfang unterstützter Sprachen und das quellengestützte abschließende Artefakt ausdrücklich fest, statt Grenzen oder Modi einer anderen Llama-Version zu übernehmen.
", "aboutText": "Llama 4 Maverick Instruct ist Metas nativ multimodales Modell für assistentenartige Gespräche und visuelles Reasoning. Es nimmt mehrsprachigen Text und Bilder entgegen und erzeugt mehrsprachigen Text oder Code. Seine Mixture-of-Experts-Architektur verwendet Early Fusion und verbindet visuelle und textuelle Informationen innerhalb des Modells, statt das Bild als unverbundene, von einem separaten Textassistenten gelieferte Beschriftung zu behandeln.\n\nModellinformationen und Kontext\n\nDer Hersteller nennt für Maverick 128 Experten, 17 Milliarden aktive Parameter und insgesamt 400 Milliarden Parameter. Dies unterscheidet sich von Scouts Konfiguration mit 16 Experten und insgesamt 109 Milliarden Parametern, obwohl beide die Kennzeichnung 17B für die aktive Größe tragen. Der Name Instruct bezeichnet den assistentenorientierten Checkpoint und nicht das vortrainierte Maverick-Modell.\n\nDie Modellkarte dokumentiert ein Kontextfenster von 1M für Maverick. Nutzen Sie den Kontext, um relevante Passagen, Bilder, Gesprächsverlauf und angeforderte Antwort zusammenzuhalten. Auch eine große Quellensammlung benötigt eine definierte Frage und ein Artefakt. Kennzeichnen Sie Quelldokumente und Bilder und fordern Sie die stützende Position zu jeder extrahierten Erkenntnis an, statt eine ungerichtete Zusammenfassung des gesamten Materials zu verlangen.\n\nDie unterstützten Sprachen sind Arabisch, Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Portugiesisch, Spanisch, Tagalog, Thai und Vietnamesisch. Der Hersteller unterscheidet diese zwölf unterstützten Sprachen von der breiteren Sammlung von etwa zweihundert Sprachen im Vortraining. Das Vorkommen einer Sprache im Training sollte nicht als Versprechen gleicher Fähigkeiten für jede Sprache ausgelegt werden.\n\nChat-, Bild- und Codeaufgaben\n\nDie vorgesehenen visuellen Anwendungen der Karte umfassen Erkennung, Bild-Reasoning, Bildbeschriftung und das Beantworten allgemeiner Bildfragen. Bitten Sie das Modell bei einem Foto, die für die Aufgabe relevanten Objekte oder Beziehungen zu benennen. Fordern Sie bei einem Diagramm einen Vergleich benannter Reihen an und bewahren Sie Achsen und Einheiten. Fragen Sie bei einem Schaubild, welche beschriftete Verbindung eine vorgegebene Anforderung stützt.\n\nBenennen Sie für einen Vergleich mehrerer Bilder die Rolle jedes Bildes und verlangen Sie für alle dieselben Kriterien. Stellen Sie beispielsweise ein ursprüngliches Design und eine Überarbeitung bereit und fordern Sie sichtbare Übereinstimmungen, Unterschiede und Details an, die sich anhand der Bilder nicht feststellen lassen. Halten Sie Beobachtungen von Schlussfolgerungen getrennt, die vom begleitenden Text abhängen. Dies erleichtert den Abgleich der Ausgabe mit der tatsächlichen Quelle.\n\nDer Hersteller berichtet, Bildverständnis mit bis zu fünf Eingabebildern getestet zu haben. Dies ist der dokumentierte Testumfang und kein bedingungsloses festes Maximum für die Bildanzahl. Bewahren Sie die für die Frage erforderlichen Details und die Reihenfolge der Bilder. Das Hinzufügen vieler unzusammenhängender Bilder definiert für sich genommen nicht, was verglichen werden soll.\n\nStellen Sie für eine Programmieraufgabe Anforderung, relevanten Quellcode und erwartetes Verhalten bereit. Fordern Sie die vorgeschlagene Implementierung getrennt von Annahmen und Beispielen an. Ein Screenshot kann visuelle Anforderungen liefern, während die textuelle Bedingung Verhalten beschreibt, das der Screenshot nicht zeigen kann. Erzeugter Code ist ein Textartefakt; ihn auszuführen, eine gerenderte Oberfläche zu prüfen oder ihn auf ein Repository anzuwenden benötigt die verbundene Umgebung.\n\nGesprächsvorbereitung und Training\n\nDie Modellkarte demonstriert den passenden Prozessor und die Chat-Vorlage mit zwei Bildern und einer schriftlichen Vergleichsfrage. Halten Sie Gesprächsrollen und die Zuordnung von Bild und Text ausdrücklich fest. Eine Systemanweisung kann Zielgruppe, Ton und Antwortstruktur definieren, während die Nutzernachricht die tatsächliche Aufgabe und Belege liefert. Der Hersteller beschreibt Verbesserungen nach dem Training bei der Steuerbarkeit durch Systemprompts und der Gesprächsformatierung.\n\nMaverick wird mit etwa 22 Billionen Token multimodaler Daten vortrainiert, mit einem angegebenen Vortrainingsdatenstichtag im August 2024. Dies ist eine statische Trainingsdatengrenze und kein Live-Zugriff auf aktuelle Informationen. Stellen Sie bei Fragen zu neuerem oder privatem Material dieses Material als Quellenkontext oder über eine separat verbundene Retrieval-Operation bereit.\n\nDie Version enthält BF16- und separat quantisierte FP8-Gewichte. Diese Präzisionsentscheidungen erzeugen keine weitere Eingabemodalität und übertragen Scouts 10M-Kontext nicht auf Maverick. Bewahren Sie den genauen Instruct-Checkpoint und seine Konfiguration beim Vergleichen wiederholter Aufgaben oder einer abgeleiteten Bereitstellung.\n\nPraktische Ergebnisgestaltung\n\nEine Dokument-Bild-Aufgabe kann Quellenkennung, sichtbare Aussage, extrahierten Wert und Interpretation als separate Felder anfordern. Eine dialogische Erklärung kann die ursprünglichen Begriffe bewahren und den Text an die unterstützte Sprache des Lesers anpassen. Eine Coding-Anfrage kann das überarbeitete Fragment und Beispiele zurückgeben, die sein beabsichtigtes Verhalten unterscheidbar machen.\n\nDefinieren Sie vor dem Bereitstellen des Materials, wie das Endergebnis verwendet werden soll. Eine kurze Bildbeschriftung, eine Vergleichstabelle und ein Programmvorschlag lösen unterschiedliche Aufgaben, selbst wenn sie dieselben Bilder verwenden. Die Bild- und Sprachfähigkeiten des Modells liefern Interpretation und Text; externes Retrieval, Ausführung oder Dateierstellung stammen aus Anwendungskomponenten.\n\nSpezifische Grenzen\n\nDie hier dokumentierten Eingaben sind Text und Bilder, mit Text- und Codeausgabe. Audio- oder Videoverständnis, Sprachgenerierung und die benannten Reasoning-Aufwandsstufen von Muse Spark sollten dieser Maverick-Ausgabe nicht zugeordnet werden. Llama Guard ist ebenfalls ein separat trainierter Klassifikator und keine automatische Klassifikatorausgabe einer Maverick-Antwort.\n\nDas Generierungsbeispiel der Karte mit 256 Token ist eine Beispieleinstellung, und die gelesenen Quellen belegen kein separates festes Ausgabe-Token-Maximum über die Kontextspezifikation des Modells hinaus. Halten Sie die Maverick-Identität, den Umfang unterstützter Sprachen und das quellengestützte abschließende Artefakt ausdrücklich fest, statt Grenzen oder Modi einer anderen Llama-Version zu übernehmen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick ist Metas natives Text- und Bild-Instruct-Modell mit 128 Experten, 17 Milliarden aktiven und insgesamt 400 Milliarden Parametern. Der Hersteller dokumentiert einen 1M-Kontext, mehrsprachige Text- und Codeausgabe, visuelle Erkennung, Bildbeschriftung und Bildfragen in einer von Scout getrennten Version.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama 4 Maverick Instruct ist Metas nativ multimodales Modell für assistentenartige Gespräche und visuelles Reasoning. Es nimmt mehrsprachigen Text und Bilder entgegen und erzeugt mehrsprachigen Text oder Code. Seine Mixture-of-Experts-Architektur verwendet Early Fusion und verbindet visuelle und textuelle Informationen innerhalb des Modells, statt das Bild als unverbundene, von einem separaten Textassistenten gelieferte Beschriftung zu behandeln.
Modellinformationen und Kontext
Der Hersteller nennt für Maverick 128 Experten, 17 Milliarden aktive Parameter und insgesamt 400 Milliarden Parameter. Dies unterscheidet sich von Scouts Konfiguration mit 16 Experten und insgesamt 109 Milliarden Parametern, obwohl beide die Kennzeichnung 17B für die aktive Größe tragen. Der Name Instruct bezeichnet den assistentenorientierten Checkpoint und nicht das vortrainierte Maverick-Modell.
Die Modellkarte dokumentiert ein Kontextfenster von 1M für Maverick. Nutzen Sie den Kontext, um relevante Passagen, Bilder, Gesprächsverlauf und angeforderte Antwort zusammenzuhalten. Auch eine große Quellensammlung benötigt eine definierte Frage und ein Artefakt. Kennzeichnen Sie Quelldokumente und Bilder und fordern Sie die stützende Position zu jeder extrahierten Erkenntnis an, statt eine ungerichtete Zusammenfassung des gesamten Materials zu verlangen.
Die unterstützten Sprachen sind Arabisch, Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Portugiesisch, Spanisch, Tagalog, Thai und Vietnamesisch. Der Hersteller unterscheidet diese zwölf unterstützten Sprachen von der breiteren Sammlung von etwa zweihundert Sprachen im Vortraining. Das Vorkommen einer Sprache im Training sollte nicht als Versprechen gleicher Fähigkeiten für jede Sprache ausgelegt werden.
Chat-, Bild- und Codeaufgaben
Die vorgesehenen visuellen Anwendungen der Karte umfassen Erkennung, Bild-Reasoning, Bildbeschriftung und das Beantworten allgemeiner Bildfragen. Bitten Sie das Modell bei einem Foto, die für die Aufgabe relevanten Objekte oder Beziehungen zu benennen. Fordern Sie bei einem Diagramm einen Vergleich benannter Reihen an und bewahren Sie Achsen und Einheiten. Fragen Sie bei einem Schaubild, welche beschriftete Verbindung eine vorgegebene Anforderung stützt.
Benennen Sie für einen Vergleich mehrerer Bilder die Rolle jedes Bildes und verlangen Sie für alle dieselben Kriterien. Stellen Sie beispielsweise ein ursprüngliches Design und eine Überarbeitung bereit und fordern Sie sichtbare Übereinstimmungen, Unterschiede und Details an, die sich anhand der Bilder nicht feststellen lassen. Halten Sie Beobachtungen von Schlussfolgerungen getrennt, die vom begleitenden Text abhängen. Dies erleichtert den Abgleich der Ausgabe mit der tatsächlichen Quelle.
Der Hersteller berichtet, Bildverständnis mit bis zu fünf Eingabebildern getestet zu haben. Dies ist der dokumentierte Testumfang und kein bedingungsloses festes Maximum für die Bildanzahl. Bewahren Sie die für die Frage erforderlichen Details und die Reihenfolge der Bilder. Das Hinzufügen vieler unzusammenhängender Bilder definiert für sich genommen nicht, was verglichen werden soll.
Stellen Sie für eine Programmieraufgabe Anforderung, relevanten Quellcode und erwartetes Verhalten bereit. Fordern Sie die vorgeschlagene Implementierung getrennt von Annahmen und Beispielen an. Ein Screenshot kann visuelle Anforderungen liefern, während die textuelle Bedingung Verhalten beschreibt, das der Screenshot nicht zeigen kann. Erzeugter Code ist ein Textartefakt; ihn auszuführen, eine gerenderte Oberfläche zu prüfen oder ihn auf ein Repository anzuwenden benötigt die verbundene Umgebung.
Gesprächsvorbereitung und Training
Die Modellkarte demonstriert den passenden Prozessor und die Chat-Vorlage mit zwei Bildern und einer schriftlichen Vergleichsfrage. Halten Sie Gesprächsrollen und die Zuordnung von Bild und Text ausdrücklich fest. Eine Systemanweisung kann Zielgruppe, Ton und Antwortstruktur definieren, während die Nutzernachricht die tatsächliche Aufgabe und Belege liefert. Der Hersteller beschreibt Verbesserungen nach dem Training bei der Steuerbarkeit durch Systemprompts und der Gesprächsformatierung.
Maverick wird mit etwa 22 Billionen Token multimodaler Daten vortrainiert, mit einem angegebenen Vortrainingsdatenstichtag im August 2024. Dies ist eine statische Trainingsdatengrenze und kein Live-Zugriff auf aktuelle Informationen. Stellen Sie bei Fragen zu neuerem oder privatem Material dieses Material als Quellenkontext oder über eine separat verbundene Retrieval-Operation bereit.
Die Version enthält BF16- und separat quantisierte FP8-Gewichte. Diese Präzisionsentscheidungen erzeugen keine weitere Eingabemodalität und übertragen Scouts 10M-Kontext nicht auf Maverick. Bewahren Sie den genauen Instruct-Checkpoint und seine Konfiguration beim Vergleichen wiederholter Aufgaben oder einer abgeleiteten Bereitstellung.
Praktische Ergebnisgestaltung
Eine Dokument-Bild-Aufgabe kann Quellenkennung, sichtbare Aussage, extrahierten Wert und Interpretation als separate Felder anfordern. Eine dialogische Erklärung kann die ursprünglichen Begriffe bewahren und den Text an die unterstützte Sprache des Lesers anpassen. Eine Coding-Anfrage kann das überarbeitete Fragment und Beispiele zurückgeben, die sein beabsichtigtes Verhalten unterscheidbar machen.
Definieren Sie vor dem Bereitstellen des Materials, wie das Endergebnis verwendet werden soll. Eine kurze Bildbeschriftung, eine Vergleichstabelle und ein Programmvorschlag lösen unterschiedliche Aufgaben, selbst wenn sie dieselben Bilder verwenden. Die Bild- und Sprachfähigkeiten des Modells liefern Interpretation und Text; externes Retrieval, Ausführung oder Dateierstellung stammen aus Anwendungskomponenten.
Spezifische Grenzen
Die hier dokumentierten Eingaben sind Text und Bilder, mit Text- und Codeausgabe. Audio- oder Videoverständnis, Sprachgenerierung und die benannten Reasoning-Aufwandsstufen von Muse Spark sollten dieser Maverick-Ausgabe nicht zugeordnet werden. Llama Guard ist ebenfalls ein separat trainierter Klassifikator und keine automatische Klassifikatorausgabe einer Maverick-Antwort.
Das Generierungsbeispiel der Karte mit 256 Token ist eine Beispieleinstellung, und die gelesenen Quellen belegen kein separates festes Ausgabe-Token-Maximum über die Kontextspezifikation des Modells hinaus. Halten Sie die Maverick-Identität, den Umfang unterstützter Sprachen und das quellengestützte abschließende Artefakt ausdrücklich fest, statt Grenzen oder Modi einer anderen Llama-Version zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits llama-4-maverick | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.000375 / 1K Token Ausgabe · Ausgabetoken $0.001305 / 1K Token Eingabe · Cache-Lesen $0.0001 / 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 $0.000375 / 1K Token Ausgabe · Ausgabetoken $0.001305 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick ist Metas natives Text- und Bild-Instruct-Modell mit 128 Experten, 17 Milliarden aktiven und insgesamt 400 Milliarden Parametern. Der Hersteller dokumentiert einen 1M-Kontext, mehrsprachige Text- und Codeausgabe, visuelle Erkennung, Bildbeschriftung und Bildfragen in einer von Scout getrennten Version.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama 4 Maverick Instruct ist Metas nativ multimodales Modell für assistentenartige Gespräche und visuelles Reasoning. Es nimmt mehrsprachigen Text und Bilder entgegen und erzeugt mehrsprachigen Text oder Code. Seine Mixture-of-Experts-Architektur verwendet Early Fusion und verbindet visuelle und textuelle Informationen innerhalb des Modells, statt das Bild als unverbundene, von einem separaten Textassistenten gelieferte Beschriftung zu behandeln.
Modellinformationen und Kontext
Der Hersteller nennt für Maverick 128 Experten, 17 Milliarden aktive Parameter und insgesamt 400 Milliarden Parameter. Dies unterscheidet sich von Scouts Konfiguration mit 16 Experten und insgesamt 109 Milliarden Parametern, obwohl beide die Kennzeichnung 17B für die aktive Größe tragen. Der Name Instruct bezeichnet den assistentenorientierten Checkpoint und nicht das vortrainierte Maverick-Modell.
Die Modellkarte dokumentiert ein Kontextfenster von 1M für Maverick. Nutzen Sie den Kontext, um relevante Passagen, Bilder, Gesprächsverlauf und angeforderte Antwort zusammenzuhalten. Auch eine große Quellensammlung benötigt eine definierte Frage und ein Artefakt. Kennzeichnen Sie Quelldokumente und Bilder und fordern Sie die stützende Position zu jeder extrahierten Erkenntnis an, statt eine ungerichtete Zusammenfassung des gesamten Materials zu verlangen.
Die unterstützten Sprachen sind Arabisch, Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Portugiesisch, Spanisch, Tagalog, Thai und Vietnamesisch. Der Hersteller unterscheidet diese zwölf unterstützten Sprachen von der breiteren Sammlung von etwa zweihundert Sprachen im Vortraining. Das Vorkommen einer Sprache im Training sollte nicht als Versprechen gleicher Fähigkeiten für jede Sprache ausgelegt werden.
Chat-, Bild- und Codeaufgaben
Die vorgesehenen visuellen Anwendungen der Karte umfassen Erkennung, Bild-Reasoning, Bildbeschriftung und das Beantworten allgemeiner Bildfragen. Bitten Sie das Modell bei einem Foto, die für die Aufgabe relevanten Objekte oder Beziehungen zu benennen. Fordern Sie bei einem Diagramm einen Vergleich benannter Reihen an und bewahren Sie Achsen und Einheiten. Fragen Sie bei einem Schaubild, welche beschriftete Verbindung eine vorgegebene Anforderung stützt.
Benennen Sie für einen Vergleich mehrerer Bilder die Rolle jedes Bildes und verlangen Sie für alle dieselben Kriterien. Stellen Sie beispielsweise ein ursprüngliches Design und eine Überarbeitung bereit und fordern Sie sichtbare Übereinstimmungen, Unterschiede und Details an, die sich anhand der Bilder nicht feststellen lassen. Halten Sie Beobachtungen von Schlussfolgerungen getrennt, die vom begleitenden Text abhängen. Dies erleichtert den Abgleich der Ausgabe mit der tatsächlichen Quelle.
Der Hersteller berichtet, Bildverständnis mit bis zu fünf Eingabebildern getestet zu haben. Dies ist der dokumentierte Testumfang und kein bedingungsloses festes Maximum für die Bildanzahl. Bewahren Sie die für die Frage erforderlichen Details und die Reihenfolge der Bilder. Das Hinzufügen vieler unzusammenhängender Bilder definiert für sich genommen nicht, was verglichen werden soll.
Stellen Sie für eine Programmieraufgabe Anforderung, relevanten Quellcode und erwartetes Verhalten bereit. Fordern Sie die vorgeschlagene Implementierung getrennt von Annahmen und Beispielen an. Ein Screenshot kann visuelle Anforderungen liefern, während die textuelle Bedingung Verhalten beschreibt, das der Screenshot nicht zeigen kann. Erzeugter Code ist ein Textartefakt; ihn auszuführen, eine gerenderte Oberfläche zu prüfen oder ihn auf ein Repository anzuwenden benötigt die verbundene Umgebung.
Gesprächsvorbereitung und Training
Die Modellkarte demonstriert den passenden Prozessor und die Chat-Vorlage mit zwei Bildern und einer schriftlichen Vergleichsfrage. Halten Sie Gesprächsrollen und die Zuordnung von Bild und Text ausdrücklich fest. Eine Systemanweisung kann Zielgruppe, Ton und Antwortstruktur definieren, während die Nutzernachricht die tatsächliche Aufgabe und Belege liefert. Der Hersteller beschreibt Verbesserungen nach dem Training bei der Steuerbarkeit durch Systemprompts und der Gesprächsformatierung.
Maverick wird mit etwa 22 Billionen Token multimodaler Daten vortrainiert, mit einem angegebenen Vortrainingsdatenstichtag im August 2024. Dies ist eine statische Trainingsdatengrenze und kein Live-Zugriff auf aktuelle Informationen. Stellen Sie bei Fragen zu neuerem oder privatem Material dieses Material als Quellenkontext oder über eine separat verbundene Retrieval-Operation bereit.
Die Version enthält BF16- und separat quantisierte FP8-Gewichte. Diese Präzisionsentscheidungen erzeugen keine weitere Eingabemodalität und übertragen Scouts 10M-Kontext nicht auf Maverick. Bewahren Sie den genauen Instruct-Checkpoint und seine Konfiguration beim Vergleichen wiederholter Aufgaben oder einer abgeleiteten Bereitstellung.
Praktische Ergebnisgestaltung
Eine Dokument-Bild-Aufgabe kann Quellenkennung, sichtbare Aussage, extrahierten Wert und Interpretation als separate Felder anfordern. Eine dialogische Erklärung kann die ursprünglichen Begriffe bewahren und den Text an die unterstützte Sprache des Lesers anpassen. Eine Coding-Anfrage kann das überarbeitete Fragment und Beispiele zurückgeben, die sein beabsichtigtes Verhalten unterscheidbar machen.
Definieren Sie vor dem Bereitstellen des Materials, wie das Endergebnis verwendet werden soll. Eine kurze Bildbeschriftung, eine Vergleichstabelle und ein Programmvorschlag lösen unterschiedliche Aufgaben, selbst wenn sie dieselben Bilder verwenden. Die Bild- und Sprachfähigkeiten des Modells liefern Interpretation und Text; externes Retrieval, Ausführung oder Dateierstellung stammen aus Anwendungskomponenten.
Spezifische Grenzen
Die hier dokumentierten Eingaben sind Text und Bilder, mit Text- und Codeausgabe. Audio- oder Videoverständnis, Sprachgenerierung und die benannten Reasoning-Aufwandsstufen von Muse Spark sollten dieser Maverick-Ausgabe nicht zugeordnet werden. Llama Guard ist ebenfalls ein separat trainierter Klassifikator und keine automatische Klassifikatorausgabe einer Maverick-Antwort.
Das Generierungsbeispiel der Karte mit 256 Token ist eine Beispieleinstellung, und die gelesenen Quellen belegen kein separates festes Ausgabe-Token-Maximum über die Kontextspezifikation des Modells hinaus. Halten Sie die Maverick-Identität, den Umfang unterstützter Sprachen und das quellengestützte abschließende Artefakt ausdrücklich fest, statt Grenzen oder Modi einer anderen Llama-Version zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits llama-4-maverick | 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 $0.000375 / 1K Token Ausgabe · Ausgabetoken $0.001305 / 1K Token Eingabe · Cache-Lesen $0.0001 / 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 $0.000375 / 1K Token Ausgabe · Ausgabetoken $0.001305 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'llama-4-maverick', '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': 'llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick ist Metas natives Text- und Bild-Instruct-Modell mit 128 Experten, 17 Milliarden aktiven und insgesamt 400 Milliarden Parametern. Der Hersteller dokumentiert einen 1M-Kontext, mehrsprachige Text- und Codeausgabe, visuelle Erkennung, Bildbeschriftung und Bildfragen in einer von Scout getrennten Version.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama 4 Maverick Instruct ist Metas nativ multimodales Modell für assistentenartige Gespräche und visuelles Reasoning. Es nimmt mehrsprachigen Text und Bilder entgegen und erzeugt mehrsprachigen Text oder Code. Seine Mixture-of-Experts-Architektur verwendet Early Fusion und verbindet visuelle und textuelle Informationen innerhalb des Modells, statt das Bild als unverbundene, von einem separaten Textassistenten gelieferte Beschriftung zu behandeln.
Modellinformationen und Kontext
Der Hersteller nennt für Maverick 128 Experten, 17 Milliarden aktive Parameter und insgesamt 400 Milliarden Parameter. Dies unterscheidet sich von Scouts Konfiguration mit 16 Experten und insgesamt 109 Milliarden Parametern, obwohl beide die Kennzeichnung 17B für die aktive Größe tragen. Der Name Instruct bezeichnet den assistentenorientierten Checkpoint und nicht das vortrainierte Maverick-Modell.
Die Modellkarte dokumentiert ein Kontextfenster von 1M für Maverick. Nutzen Sie den Kontext, um relevante Passagen, Bilder, Gesprächsverlauf und angeforderte Antwort zusammenzuhalten. Auch eine große Quellensammlung benötigt eine definierte Frage und ein Artefakt. Kennzeichnen Sie Quelldokumente und Bilder und fordern Sie die stützende Position zu jeder extrahierten Erkenntnis an, statt eine ungerichtete Zusammenfassung des gesamten Materials zu verlangen.
Die unterstützten Sprachen sind Arabisch, Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Portugiesisch, Spanisch, Tagalog, Thai und Vietnamesisch. Der Hersteller unterscheidet diese zwölf unterstützten Sprachen von der breiteren Sammlung von etwa zweihundert Sprachen im Vortraining. Das Vorkommen einer Sprache im Training sollte nicht als Versprechen gleicher Fähigkeiten für jede Sprache ausgelegt werden.
Chat-, Bild- und Codeaufgaben
Die vorgesehenen visuellen Anwendungen der Karte umfassen Erkennung, Bild-Reasoning, Bildbeschriftung und das Beantworten allgemeiner Bildfragen. Bitten Sie das Modell bei einem Foto, die für die Aufgabe relevanten Objekte oder Beziehungen zu benennen. Fordern Sie bei einem Diagramm einen Vergleich benannter Reihen an und bewahren Sie Achsen und Einheiten. Fragen Sie bei einem Schaubild, welche beschriftete Verbindung eine vorgegebene Anforderung stützt.
Benennen Sie für einen Vergleich mehrerer Bilder die Rolle jedes Bildes und verlangen Sie für alle dieselben Kriterien. Stellen Sie beispielsweise ein ursprüngliches Design und eine Überarbeitung bereit und fordern Sie sichtbare Übereinstimmungen, Unterschiede und Details an, die sich anhand der Bilder nicht feststellen lassen. Halten Sie Beobachtungen von Schlussfolgerungen getrennt, die vom begleitenden Text abhängen. Dies erleichtert den Abgleich der Ausgabe mit der tatsächlichen Quelle.
Der Hersteller berichtet, Bildverständnis mit bis zu fünf Eingabebildern getestet zu haben. Dies ist der dokumentierte Testumfang und kein bedingungsloses festes Maximum für die Bildanzahl. Bewahren Sie die für die Frage erforderlichen Details und die Reihenfolge der Bilder. Das Hinzufügen vieler unzusammenhängender Bilder definiert für sich genommen nicht, was verglichen werden soll.
Stellen Sie für eine Programmieraufgabe Anforderung, relevanten Quellcode und erwartetes Verhalten bereit. Fordern Sie die vorgeschlagene Implementierung getrennt von Annahmen und Beispielen an. Ein Screenshot kann visuelle Anforderungen liefern, während die textuelle Bedingung Verhalten beschreibt, das der Screenshot nicht zeigen kann. Erzeugter Code ist ein Textartefakt; ihn auszuführen, eine gerenderte Oberfläche zu prüfen oder ihn auf ein Repository anzuwenden benötigt die verbundene Umgebung.
Gesprächsvorbereitung und Training
Die Modellkarte demonstriert den passenden Prozessor und die Chat-Vorlage mit zwei Bildern und einer schriftlichen Vergleichsfrage. Halten Sie Gesprächsrollen und die Zuordnung von Bild und Text ausdrücklich fest. Eine Systemanweisung kann Zielgruppe, Ton und Antwortstruktur definieren, während die Nutzernachricht die tatsächliche Aufgabe und Belege liefert. Der Hersteller beschreibt Verbesserungen nach dem Training bei der Steuerbarkeit durch Systemprompts und der Gesprächsformatierung.
Maverick wird mit etwa 22 Billionen Token multimodaler Daten vortrainiert, mit einem angegebenen Vortrainingsdatenstichtag im August 2024. Dies ist eine statische Trainingsdatengrenze und kein Live-Zugriff auf aktuelle Informationen. Stellen Sie bei Fragen zu neuerem oder privatem Material dieses Material als Quellenkontext oder über eine separat verbundene Retrieval-Operation bereit.
Die Version enthält BF16- und separat quantisierte FP8-Gewichte. Diese Präzisionsentscheidungen erzeugen keine weitere Eingabemodalität und übertragen Scouts 10M-Kontext nicht auf Maverick. Bewahren Sie den genauen Instruct-Checkpoint und seine Konfiguration beim Vergleichen wiederholter Aufgaben oder einer abgeleiteten Bereitstellung.
Praktische Ergebnisgestaltung
Eine Dokument-Bild-Aufgabe kann Quellenkennung, sichtbare Aussage, extrahierten Wert und Interpretation als separate Felder anfordern. Eine dialogische Erklärung kann die ursprünglichen Begriffe bewahren und den Text an die unterstützte Sprache des Lesers anpassen. Eine Coding-Anfrage kann das überarbeitete Fragment und Beispiele zurückgeben, die sein beabsichtigtes Verhalten unterscheidbar machen.
Definieren Sie vor dem Bereitstellen des Materials, wie das Endergebnis verwendet werden soll. Eine kurze Bildbeschriftung, eine Vergleichstabelle und ein Programmvorschlag lösen unterschiedliche Aufgaben, selbst wenn sie dieselben Bilder verwenden. Die Bild- und Sprachfähigkeiten des Modells liefern Interpretation und Text; externes Retrieval, Ausführung oder Dateierstellung stammen aus Anwendungskomponenten.
Spezifische Grenzen
Die hier dokumentierten Eingaben sind Text und Bilder, mit Text- und Codeausgabe. Audio- oder Videoverständnis, Sprachgenerierung und die benannten Reasoning-Aufwandsstufen von Muse Spark sollten dieser Maverick-Ausgabe nicht zugeordnet werden. Llama Guard ist ebenfalls ein separat trainierter Klassifikator und keine automatische Klassifikatorausgabe einer Maverick-Antwort.
Das Generierungsbeispiel der Karte mit 256 Token ist eine Beispieleinstellung, und die gelesenen Quellen belegen kein separates festes Ausgabe-Token-Maximum über die Kontextspezifikation des Modells hinaus. Halten Sie die Maverick-Identität, den Umfang unterstützter Sprachen und das quellengestützte abschließende Artefakt ausdrücklich fest, statt Grenzen oder Modi einer anderen Llama-Version zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta-llama/llama-4-maverick | 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 $0.000375 / 1K Token Ausgabe · Ausgabetoken $0.001305 / 1K Token Eingabe · Cache-Lesen $0.0001 / 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 $0.000375 / 1K Token Ausgabe · Ausgabetoken $0.001305 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick ist Metas natives Text- und Bild-Instruct-Modell mit 128 Experten, 17 Milliarden aktiven und insgesamt 400 Milliarden Parametern. Der Hersteller dokumentiert einen 1M-Kontext, mehrsprachige Text- und Codeausgabe, visuelle Erkennung, Bildbeschriftung und Bildfragen in einer von Scout getrennten Version.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Llama 4 Maverick Instruct ist Metas nativ multimodales Modell für assistentenartige Gespräche und visuelles Reasoning. Es nimmt mehrsprachigen Text und Bilder entgegen und erzeugt mehrsprachigen Text oder Code. Seine Mixture-of-Experts-Architektur verwendet Early Fusion und verbindet visuelle und textuelle Informationen innerhalb des Modells, statt das Bild als unverbundene, von einem separaten Textassistenten gelieferte Beschriftung zu behandeln.
Modellinformationen und Kontext
Der Hersteller nennt für Maverick 128 Experten, 17 Milliarden aktive Parameter und insgesamt 400 Milliarden Parameter. Dies unterscheidet sich von Scouts Konfiguration mit 16 Experten und insgesamt 109 Milliarden Parametern, obwohl beide die Kennzeichnung 17B für die aktive Größe tragen. Der Name Instruct bezeichnet den assistentenorientierten Checkpoint und nicht das vortrainierte Maverick-Modell.
Die Modellkarte dokumentiert ein Kontextfenster von 1M für Maverick. Nutzen Sie den Kontext, um relevante Passagen, Bilder, Gesprächsverlauf und angeforderte Antwort zusammenzuhalten. Auch eine große Quellensammlung benötigt eine definierte Frage und ein Artefakt. Kennzeichnen Sie Quelldokumente und Bilder und fordern Sie die stützende Position zu jeder extrahierten Erkenntnis an, statt eine ungerichtete Zusammenfassung des gesamten Materials zu verlangen.
Die unterstützten Sprachen sind Arabisch, Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Portugiesisch, Spanisch, Tagalog, Thai und Vietnamesisch. Der Hersteller unterscheidet diese zwölf unterstützten Sprachen von der breiteren Sammlung von etwa zweihundert Sprachen im Vortraining. Das Vorkommen einer Sprache im Training sollte nicht als Versprechen gleicher Fähigkeiten für jede Sprache ausgelegt werden.
Chat-, Bild- und Codeaufgaben
Die vorgesehenen visuellen Anwendungen der Karte umfassen Erkennung, Bild-Reasoning, Bildbeschriftung und das Beantworten allgemeiner Bildfragen. Bitten Sie das Modell bei einem Foto, die für die Aufgabe relevanten Objekte oder Beziehungen zu benennen. Fordern Sie bei einem Diagramm einen Vergleich benannter Reihen an und bewahren Sie Achsen und Einheiten. Fragen Sie bei einem Schaubild, welche beschriftete Verbindung eine vorgegebene Anforderung stützt.
Benennen Sie für einen Vergleich mehrerer Bilder die Rolle jedes Bildes und verlangen Sie für alle dieselben Kriterien. Stellen Sie beispielsweise ein ursprüngliches Design und eine Überarbeitung bereit und fordern Sie sichtbare Übereinstimmungen, Unterschiede und Details an, die sich anhand der Bilder nicht feststellen lassen. Halten Sie Beobachtungen von Schlussfolgerungen getrennt, die vom begleitenden Text abhängen. Dies erleichtert den Abgleich der Ausgabe mit der tatsächlichen Quelle.
Der Hersteller berichtet, Bildverständnis mit bis zu fünf Eingabebildern getestet zu haben. Dies ist der dokumentierte Testumfang und kein bedingungsloses festes Maximum für die Bildanzahl. Bewahren Sie die für die Frage erforderlichen Details und die Reihenfolge der Bilder. Das Hinzufügen vieler unzusammenhängender Bilder definiert für sich genommen nicht, was verglichen werden soll.
Stellen Sie für eine Programmieraufgabe Anforderung, relevanten Quellcode und erwartetes Verhalten bereit. Fordern Sie die vorgeschlagene Implementierung getrennt von Annahmen und Beispielen an. Ein Screenshot kann visuelle Anforderungen liefern, während die textuelle Bedingung Verhalten beschreibt, das der Screenshot nicht zeigen kann. Erzeugter Code ist ein Textartefakt; ihn auszuführen, eine gerenderte Oberfläche zu prüfen oder ihn auf ein Repository anzuwenden benötigt die verbundene Umgebung.
Gesprächsvorbereitung und Training
Die Modellkarte demonstriert den passenden Prozessor und die Chat-Vorlage mit zwei Bildern und einer schriftlichen Vergleichsfrage. Halten Sie Gesprächsrollen und die Zuordnung von Bild und Text ausdrücklich fest. Eine Systemanweisung kann Zielgruppe, Ton und Antwortstruktur definieren, während die Nutzernachricht die tatsächliche Aufgabe und Belege liefert. Der Hersteller beschreibt Verbesserungen nach dem Training bei der Steuerbarkeit durch Systemprompts und der Gesprächsformatierung.
Maverick wird mit etwa 22 Billionen Token multimodaler Daten vortrainiert, mit einem angegebenen Vortrainingsdatenstichtag im August 2024. Dies ist eine statische Trainingsdatengrenze und kein Live-Zugriff auf aktuelle Informationen. Stellen Sie bei Fragen zu neuerem oder privatem Material dieses Material als Quellenkontext oder über eine separat verbundene Retrieval-Operation bereit.
Die Version enthält BF16- und separat quantisierte FP8-Gewichte. Diese Präzisionsentscheidungen erzeugen keine weitere Eingabemodalität und übertragen Scouts 10M-Kontext nicht auf Maverick. Bewahren Sie den genauen Instruct-Checkpoint und seine Konfiguration beim Vergleichen wiederholter Aufgaben oder einer abgeleiteten Bereitstellung.
Praktische Ergebnisgestaltung
Eine Dokument-Bild-Aufgabe kann Quellenkennung, sichtbare Aussage, extrahierten Wert und Interpretation als separate Felder anfordern. Eine dialogische Erklärung kann die ursprünglichen Begriffe bewahren und den Text an die unterstützte Sprache des Lesers anpassen. Eine Coding-Anfrage kann das überarbeitete Fragment und Beispiele zurückgeben, die sein beabsichtigtes Verhalten unterscheidbar machen.
Definieren Sie vor dem Bereitstellen des Materials, wie das Endergebnis verwendet werden soll. Eine kurze Bildbeschriftung, eine Vergleichstabelle und ein Programmvorschlag lösen unterschiedliche Aufgaben, selbst wenn sie dieselben Bilder verwenden. Die Bild- und Sprachfähigkeiten des Modells liefern Interpretation und Text; externes Retrieval, Ausführung oder Dateierstellung stammen aus Anwendungskomponenten.
Spezifische Grenzen
Die hier dokumentierten Eingaben sind Text und Bilder, mit Text- und Codeausgabe. Audio- oder Videoverständnis, Sprachgenerierung und die benannten Reasoning-Aufwandsstufen von Muse Spark sollten dieser Maverick-Ausgabe nicht zugeordnet werden. Llama Guard ist ebenfalls ein separat trainierter Klassifikator und keine automatische Klassifikatorausgabe einer Maverick-Antwort.
Das Generierungsbeispiel der Karte mit 256 Token ist eine Beispieleinstellung, und die gelesenen Quellen belegen kein separates festes Ausgabe-Token-Maximum über die Kontextspezifikation des Modells hinaus. Halten Sie die Maverick-Identität, den Umfang unterstützter Sprachen und das quellengestützte abschließende Artefakt ausdrücklich fest, statt Grenzen oder Modi einer anderen Llama-Version zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta-llama/llama-4-maverick | 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 $0.000375 / 1K Token Ausgabe · Ausgabetoken $0.001305 / 1K Token Eingabe · Cache-Lesen $0.0001 / 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 $0.000375 / 1K Token Ausgabe · Ausgabetoken $0.001305 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Technisches Beispiel auf Englisch
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.