Gemma 3 27B IT es la edición de tamaño 27B de la familia Gemma 3 de Google ajustada para seguir instrucciones. Combina generación de texto y comprensión de imágenes y es independiente del punto de control preentrenado 27B y de los modelos IT más pequeños de 4B y 12B. El resultado es texto: una explicación basada en las fuentes, un resumen, un borrador de documento, una respuesta o una propuesta de código. El modelo ajustado para seguir instrucciones está diseñado para seguir una conversación y una tarea solicitada, en lugar de actuar únicamente como modelo de continuación de texto en bruto.
La ficha del fabricante asigna a este tamaño un contexto total de 128K tokens. La entrada y la salida comparten esa capacidad, de modo que la respuesta generada usa el espacio que queda después de la solicitud. Un conjunto extenso debe conservar los identificadores de las fuentes y dejar espacio para el resultado solicitado. Las vistas de imagen en el procedimiento base se normalizan a 896×896 y se codifican en 256 tokens visuales. Para un análisis conjunto de texto e imágenes, explica cómo se relaciona la imagen de una página, un diagrama o una captura de pantalla con las fuentes escritas para que el modelo tenga una pregunta coherente a la que responder.
El presupuesto de preentrenamiento declarado del modelo 27B es de 14 billones de tokens. Los datos de la familia incluyen documentos web en más de 140 idiomas, código, matemáticas e imágenes. El entrenamiento usa destilación de conocimientos, y el proceso posterior al entrenamiento añade seguimiento de instrucciones y objetivos de aprendizaje por refuerzo para utilidad, matemáticas, programación, razonamiento y comportamiento multilingüe. Estos hechos describen el proceso de desarrollo del modelo del fabricante. No sustituyen la comprobación de una afirmación generada frente a su fuente ni la ejecución de un programa propuesto con las entradas previstas.
El informe técnico describe un transformador de solo decodificador con atención de consultas agrupadas y cinco capas de atención local por cada capa global. El alcance local es de 1,024 tokens, mientras que las capas globales proporcionan las interacciones de contexto más largo. El codificador de imágenes SigLIP compartido por la familia representa las entradas visuales para el modelo de lenguaje. Su tokenizador SentencePiece separa los dígitos, conserva los espacios en blanco y usa codificación a nivel de bytes. Mantén intactas la notación numérica, la sangría del código y la terminología del idioma de origen cuando sean relevantes para la interpretación.
Para imágenes no cuadradas o detalladas, el informe describe Pan and Scan, que puede añadir recortes sin superposición antes de redimensionar las vistas para el codificador visual. Esto ayuda a conservar contenido pequeño que puede perderse con un único redimensionamiento cuadrado, aunque importa la configuración real del procesamiento. Una tarea de investigación o de documentos técnicos puede proporcionar tanto una página completa como un detalle legible de un diagrama, etiquetando su relación. Pide que la respuesta identifique los valores visibles, la condición textual relevante y la conclusión respaldada por ambos.
Usa el formato de conversación IT nativo del fabricante con turnos user y model. Ese formato no admite un turno system separado; coloca las instrucciones de rol y respuesta en el mensaje user inicial y utiliza el mecanismo de formato indicado. Para un informe largo, identifica la pregunta, las secciones que se deben comparar y las reglas de prioridad si las fuentes discrepan. Un ejemplo original consiste en conciliar una especificación escrita con un diagrama y devolver una tabla de requisitos, una lista de discrepancias y las suposiciones necesarias para una propuesta de resolución.
Las categorías de uso previsto incluyen redacción, resúmenes, conversación, extracción de datos de imágenes y exploración educativa o de investigación. Para análisis de código, proporciona el módulo real, ejemplos de entrada y restricciones de la interfaz, y pide después una explicación o un cambio propuesto ligado a esos hechos. Para redacción multilingüe, especifica el público y los términos que deben permanecer sin cambios. Para una pregunta visual, pide observaciones vinculadas a elementos identificados en lugar de una descripción general de la imagen. Los puntos de control cuantizados de la familia son artefactos publicados por separado, por lo que debes conservar la identidad exacta 27B IT y los ajustes de procesamiento al comparar resultados.
El fabricante señala que los modelos pueden proporcionar información incorrecta o desactualizada y tener dificultades con la ambigüedad, los matices y las instrucciones muy abiertas. Google también advierte de que un patrón lingüístico verosímil puede producir una respuesta que omita una restricción cotidiana del mundo real. Más contexto solo resulta útil cuando las condiciones relevantes están claras. Conserva las fuentes originales disponibles, comprueba los datos extraídos y los cálculos y valida cualquier respuesta que parezca estructurada antes de procesarla como un registro. Una explicación basada en varias fuentes debe distinguir las pruebas proporcionadas, la interpretación y la información que falta. Este perfil 27B permite una tarea preparada de razonamiento textual y visual; cualquier recuperación de información, ejecución de herramientas o actualización factual realizada por una aplicación necesita sus propias pruebas devueltas, en lugar de deducirse de una salida fluida.
", "aboutText": "Gemma 3 27B IT es la edición de tamaño 27B de la familia Gemma 3 de Google ajustada para seguir instrucciones. Combina generación de texto y comprensión de imágenes y es independiente del punto de control preentrenado 27B y de los modelos IT más pequeños de 4B y 12B. El resultado es texto: una explicación basada en las fuentes, un resumen, un borrador de documento, una respuesta o una propuesta de código. El modelo ajustado para seguir instrucciones está diseñado para seguir una conversación y una tarea solicitada, en lugar de actuar únicamente como modelo de continuación de texto en bruto.\n\nLa ficha del fabricante asigna a este tamaño un contexto total de 128K tokens. La entrada y la salida comparten esa capacidad, de modo que la respuesta generada usa el espacio que queda después de la solicitud. Un conjunto extenso debe conservar los identificadores de las fuentes y dejar espacio para el resultado solicitado. Las vistas de imagen en el procedimiento base se normalizan a 896×896 y se codifican en 256 tokens visuales. Para un análisis conjunto de texto e imágenes, explica cómo se relaciona la imagen de una página, un diagrama o una captura de pantalla con las fuentes escritas para que el modelo tenga una pregunta coherente a la que responder.\n\nEl presupuesto de preentrenamiento declarado del modelo 27B es de 14 billones de tokens. Los datos de la familia incluyen documentos web en más de 140 idiomas, código, matemáticas e imágenes. El entrenamiento usa destilación de conocimientos, y el proceso posterior al entrenamiento añade seguimiento de instrucciones y objetivos de aprendizaje por refuerzo para utilidad, matemáticas, programación, razonamiento y comportamiento multilingüe. Estos hechos describen el proceso de desarrollo del modelo del fabricante. No sustituyen la comprobación de una afirmación generada frente a su fuente ni la ejecución de un programa propuesto con las entradas previstas.\n\nEl informe técnico describe un transformador de solo decodificador con atención de consultas agrupadas y cinco capas de atención local por cada capa global. El alcance local es de 1,024 tokens, mientras que las capas globales proporcionan las interacciones de contexto más largo. El codificador de imágenes SigLIP compartido por la familia representa las entradas visuales para el modelo de lenguaje. Su tokenizador SentencePiece separa los dígitos, conserva los espacios en blanco y usa codificación a nivel de bytes. Mantén intactas la notación numérica, la sangría del código y la terminología del idioma de origen cuando sean relevantes para la interpretación.\n\nPara imágenes no cuadradas o detalladas, el informe describe Pan and Scan, que puede añadir recortes sin superposición antes de redimensionar las vistas para el codificador visual. Esto ayuda a conservar contenido pequeño que puede perderse con un único redimensionamiento cuadrado, aunque importa la configuración real del procesamiento. Una tarea de investigación o de documentos técnicos puede proporcionar tanto una página completa como un detalle legible de un diagrama, etiquetando su relación. Pide que la respuesta identifique los valores visibles, la condición textual relevante y la conclusión respaldada por ambos.\n\nUsa el formato de conversación IT nativo del fabricante con turnos user y model. Ese formato no admite un turno system separado; coloca las instrucciones de rol y respuesta en el mensaje user inicial y utiliza el mecanismo de formato indicado. Para un informe largo, identifica la pregunta, las secciones que se deben comparar y las reglas de prioridad si las fuentes discrepan. Un ejemplo original consiste en conciliar una especificación escrita con un diagrama y devolver una tabla de requisitos, una lista de discrepancias y las suposiciones necesarias para una propuesta de resolución.\n\nLas categorías de uso previsto incluyen redacción, resúmenes, conversación, extracción de datos de imágenes y exploración educativa o de investigación. Para análisis de código, proporciona el módulo real, ejemplos de entrada y restricciones de la interfaz, y pide después una explicación o un cambio propuesto ligado a esos hechos. Para redacción multilingüe, especifica el público y los términos que deben permanecer sin cambios. Para una pregunta visual, pide observaciones vinculadas a elementos identificados en lugar de una descripción general de la imagen. Los puntos de control cuantizados de la familia son artefactos publicados por separado, por lo que debes conservar la identidad exacta 27B IT y los ajustes de procesamiento al comparar resultados.\n\nEl fabricante señala que los modelos pueden proporcionar información incorrecta o desactualizada y tener dificultades con la ambigüedad, los matices y las instrucciones muy abiertas. Google también advierte de que un patrón lingüístico verosímil puede producir una respuesta que omita una restricción cotidiana del mundo real. Más contexto solo resulta útil cuando las condiciones relevantes están claras. Conserva las fuentes originales disponibles, comprueba los datos extraídos y los cálculos y valida cualquier respuesta que parezca estructurada antes de procesarla como un registro. Una explicación basada en varias fuentes debe distinguir las pruebas proporcionadas, la interpretación y la información que falta. Este perfil 27B permite una tarea preparada de razonamiento textual y visual; cualquier recuperación de información, ejecución de herramientas o actualización factual realizada por una aplicación necesita sus propias pruebas devueltas, en lugar de deducirse de una salida fluida.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.google/gemma-3-27b-itGemma 3 27B IT es el modelo de tamaño 27B de la familia Gemma 3 de Google ajustado para seguir instrucciones. Acepta texto e imágenes y produce texto para análisis de fuentes extensas, redacción, código y preguntas visuales, con un contexto compartido de 128K y la cobertura multilingüe de la familia.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Gemma 3 27B IT es la edición de tamaño 27B de la familia Gemma 3 de Google ajustada para seguir instrucciones. Combina generación de texto y comprensión de imágenes y es independiente del punto de control preentrenado 27B y de los modelos IT más pequeños de 4B y 12B. El resultado es texto: una explicación basada en las fuentes, un resumen, un borrador de documento, una respuesta o una propuesta de código. El modelo ajustado para seguir instrucciones está diseñado para seguir una conversación y una tarea solicitada, en lugar de actuar únicamente como modelo de continuación de texto en bruto.
La ficha del fabricante asigna a este tamaño un contexto total de 128K tokens. La entrada y la salida comparten esa capacidad, de modo que la respuesta generada usa el espacio que queda después de la solicitud. Un conjunto extenso debe conservar los identificadores de las fuentes y dejar espacio para el resultado solicitado. Las vistas de imagen en el procedimiento base se normalizan a 896×896 y se codifican en 256 tokens visuales. Para un análisis conjunto de texto e imágenes, explica cómo se relaciona la imagen de una página, un diagrama o una captura de pantalla con las fuentes escritas para que el modelo tenga una pregunta coherente a la que responder.
El presupuesto de preentrenamiento declarado del modelo 27B es de 14 billones de tokens. Los datos de la familia incluyen documentos web en más de 140 idiomas, código, matemáticas e imágenes. El entrenamiento usa destilación de conocimientos, y el proceso posterior al entrenamiento añade seguimiento de instrucciones y objetivos de aprendizaje por refuerzo para utilidad, matemáticas, programación, razonamiento y comportamiento multilingüe. Estos hechos describen el proceso de desarrollo del modelo del fabricante. No sustituyen la comprobación de una afirmación generada frente a su fuente ni la ejecución de un programa propuesto con las entradas previstas.
El informe técnico describe un transformador de solo decodificador con atención de consultas agrupadas y cinco capas de atención local por cada capa global. El alcance local es de 1,024 tokens, mientras que las capas globales proporcionan las interacciones de contexto más largo. El codificador de imágenes SigLIP compartido por la familia representa las entradas visuales para el modelo de lenguaje. Su tokenizador SentencePiece separa los dígitos, conserva los espacios en blanco y usa codificación a nivel de bytes. Mantén intactas la notación numérica, la sangría del código y la terminología del idioma de origen cuando sean relevantes para la interpretación.
Para imágenes no cuadradas o detalladas, el informe describe Pan and Scan, que puede añadir recortes sin superposición antes de redimensionar las vistas para el codificador visual. Esto ayuda a conservar contenido pequeño que puede perderse con un único redimensionamiento cuadrado, aunque importa la configuración real del procesamiento. Una tarea de investigación o de documentos técnicos puede proporcionar tanto una página completa como un detalle legible de un diagrama, etiquetando su relación. Pide que la respuesta identifique los valores visibles, la condición textual relevante y la conclusión respaldada por ambos.
Usa el formato de conversación IT nativo del fabricante con turnos user y model. Ese formato no admite un turno system separado; coloca las instrucciones de rol y respuesta en el mensaje user inicial y utiliza el mecanismo de formato indicado. Para un informe largo, identifica la pregunta, las secciones que se deben comparar y las reglas de prioridad si las fuentes discrepan. Un ejemplo original consiste en conciliar una especificación escrita con un diagrama y devolver una tabla de requisitos, una lista de discrepancias y las suposiciones necesarias para una propuesta de resolución.
Las categorías de uso previsto incluyen redacción, resúmenes, conversación, extracción de datos de imágenes y exploración educativa o de investigación. Para análisis de código, proporciona el módulo real, ejemplos de entrada y restricciones de la interfaz, y pide después una explicación o un cambio propuesto ligado a esos hechos. Para redacción multilingüe, especifica el público y los términos que deben permanecer sin cambios. Para una pregunta visual, pide observaciones vinculadas a elementos identificados en lugar de una descripción general de la imagen. Los puntos de control cuantizados de la familia son artefactos publicados por separado, por lo que debes conservar la identidad exacta 27B IT y los ajustes de procesamiento al comparar resultados.
El fabricante señala que los modelos pueden proporcionar información incorrecta o desactualizada y tener dificultades con la ambigüedad, los matices y las instrucciones muy abiertas. Google también advierte de que un patrón lingüístico verosímil puede producir una respuesta que omita una restricción cotidiana del mundo real. Más contexto solo resulta útil cuando las condiciones relevantes están claras. Conserva las fuentes originales disponibles, comprueba los datos extraídos y los cálculos y valida cualquier respuesta que parezca estructurada antes de procesarla como un registro. Una explicación basada en varias fuentes debe distinguir las pruebas proporcionadas, la interpretación y la información que falta. Este perfil 27B permite una tarea preparada de razonamiento textual y visual; cualquier recuperación de información, ejecución de herramientas o actualización factual realizada por una aplicación necesita sus propias pruebas devueltas, en lugar de deducirse de una salida fluida.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites google/gemma-3-27b-it | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00016 / 1K tokens Salida · Tokens de salida $0.0007 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00016 / 1K tokens Salida · Tokens de salida $0.0007 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-27b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-3-27b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-3-27b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra google/gemma-3-27b-it
Usa las rutas de método indicadas arriba.
google/gemma-3-27b-itGemma 3 27B IT es el modelo de tamaño 27B de la familia Gemma 3 de Google ajustado para seguir instrucciones. Acepta texto e imágenes y produce texto para análisis de fuentes extensas, redacción, código y preguntas visuales, con un contexto compartido de 128K y la cobertura multilingüe de la familia.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Gemma 3 27B IT es la edición de tamaño 27B de la familia Gemma 3 de Google ajustada para seguir instrucciones. Combina generación de texto y comprensión de imágenes y es independiente del punto de control preentrenado 27B y de los modelos IT más pequeños de 4B y 12B. El resultado es texto: una explicación basada en las fuentes, un resumen, un borrador de documento, una respuesta o una propuesta de código. El modelo ajustado para seguir instrucciones está diseñado para seguir una conversación y una tarea solicitada, en lugar de actuar únicamente como modelo de continuación de texto en bruto.
La ficha del fabricante asigna a este tamaño un contexto total de 128K tokens. La entrada y la salida comparten esa capacidad, de modo que la respuesta generada usa el espacio que queda después de la solicitud. Un conjunto extenso debe conservar los identificadores de las fuentes y dejar espacio para el resultado solicitado. Las vistas de imagen en el procedimiento base se normalizan a 896×896 y se codifican en 256 tokens visuales. Para un análisis conjunto de texto e imágenes, explica cómo se relaciona la imagen de una página, un diagrama o una captura de pantalla con las fuentes escritas para que el modelo tenga una pregunta coherente a la que responder.
El presupuesto de preentrenamiento declarado del modelo 27B es de 14 billones de tokens. Los datos de la familia incluyen documentos web en más de 140 idiomas, código, matemáticas e imágenes. El entrenamiento usa destilación de conocimientos, y el proceso posterior al entrenamiento añade seguimiento de instrucciones y objetivos de aprendizaje por refuerzo para utilidad, matemáticas, programación, razonamiento y comportamiento multilingüe. Estos hechos describen el proceso de desarrollo del modelo del fabricante. No sustituyen la comprobación de una afirmación generada frente a su fuente ni la ejecución de un programa propuesto con las entradas previstas.
El informe técnico describe un transformador de solo decodificador con atención de consultas agrupadas y cinco capas de atención local por cada capa global. El alcance local es de 1,024 tokens, mientras que las capas globales proporcionan las interacciones de contexto más largo. El codificador de imágenes SigLIP compartido por la familia representa las entradas visuales para el modelo de lenguaje. Su tokenizador SentencePiece separa los dígitos, conserva los espacios en blanco y usa codificación a nivel de bytes. Mantén intactas la notación numérica, la sangría del código y la terminología del idioma de origen cuando sean relevantes para la interpretación.
Para imágenes no cuadradas o detalladas, el informe describe Pan and Scan, que puede añadir recortes sin superposición antes de redimensionar las vistas para el codificador visual. Esto ayuda a conservar contenido pequeño que puede perderse con un único redimensionamiento cuadrado, aunque importa la configuración real del procesamiento. Una tarea de investigación o de documentos técnicos puede proporcionar tanto una página completa como un detalle legible de un diagrama, etiquetando su relación. Pide que la respuesta identifique los valores visibles, la condición textual relevante y la conclusión respaldada por ambos.
Usa el formato de conversación IT nativo del fabricante con turnos user y model. Ese formato no admite un turno system separado; coloca las instrucciones de rol y respuesta en el mensaje user inicial y utiliza el mecanismo de formato indicado. Para un informe largo, identifica la pregunta, las secciones que se deben comparar y las reglas de prioridad si las fuentes discrepan. Un ejemplo original consiste en conciliar una especificación escrita con un diagrama y devolver una tabla de requisitos, una lista de discrepancias y las suposiciones necesarias para una propuesta de resolución.
Las categorías de uso previsto incluyen redacción, resúmenes, conversación, extracción de datos de imágenes y exploración educativa o de investigación. Para análisis de código, proporciona el módulo real, ejemplos de entrada y restricciones de la interfaz, y pide después una explicación o un cambio propuesto ligado a esos hechos. Para redacción multilingüe, especifica el público y los términos que deben permanecer sin cambios. Para una pregunta visual, pide observaciones vinculadas a elementos identificados en lugar de una descripción general de la imagen. Los puntos de control cuantizados de la familia son artefactos publicados por separado, por lo que debes conservar la identidad exacta 27B IT y los ajustes de procesamiento al comparar resultados.
El fabricante señala que los modelos pueden proporcionar información incorrecta o desactualizada y tener dificultades con la ambigüedad, los matices y las instrucciones muy abiertas. Google también advierte de que un patrón lingüístico verosímil puede producir una respuesta que omita una restricción cotidiana del mundo real. Más contexto solo resulta útil cuando las condiciones relevantes están claras. Conserva las fuentes originales disponibles, comprueba los datos extraídos y los cálculos y valida cualquier respuesta que parezca estructurada antes de procesarla como un registro. Una explicación basada en varias fuentes debe distinguir las pruebas proporcionadas, la interpretación y la información que falta. Este perfil 27B permite una tarea preparada de razonamiento textual y visual; cualquier recuperación de información, ejecución de herramientas o actualización factual realizada por una aplicación necesita sus propias pruebas devueltas, en lugar de deducirse de una salida fluida.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites google/gemma-3-27b-it | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00016 / 1K tokens Salida · Tokens de salida $0.0007 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00016 / 1K tokens Salida · Tokens de salida $0.0007 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "google/gemma-3-27b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-27b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-27b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra google/gemma-3-27b-it
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.