models

Meta: Llama Guard 4 12B

Markdown · JSON

Meta: Llama Guard 4 12B

Llama Guard 4 12B es el clasificador multimodal de contenido de Meta para prompts y respuestas generadas. Analiza texto con una o más imágenes y devuelve una etiqueta safe/unsafe más las categorías de riesgo aplicables, mediante una arquitectura densa obtenida por poda de Llama 4 Scout.

Sobre el modelo

Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.

Llama Guard 4 12B es el clasificador de seguridad nativamente multimodal de Meta, con 12 mil millones de parámetros. Se entrena conjuntamente con texto y múltiples imágenes y genera una clasificación textual: safe o unsafe, con las categorías de riesgo infringidas cuando el resultado es unsafe. Su propósito es evaluar contenido en un prompt o una respuesta generada, en lugar de actuar como asistente general de chat.

Clasificación de prompts y respuestas

El modelo puede clasificar material antes de enviarlo a un modelo generativo, después de que ese modelo produce una respuesta o en ambos puntos. Estas son preguntas diferentes. La clasificación del prompt evalúa la entrada del usuario, mientras que la clasificación de la respuesta evalúa lo que escribió realmente un asistente. Por lo tanto, un sistema puede distinguir una solicitud riesgosa de una respuesta que la maneje de forma aceptable según la taxonomía del clasificador.

Proporciona el contenido exacto que se debe clasificar con los roles de conversación y el contexto pertinente. Si el objetivo es una respuesta, conserva la pregunta que le da significado. Para una entrada mixta de texto e imágenes, incluye las imágenes asociadas con ese prompt, en lugar de clasificar texto no relacionado o una imagen seleccionada arbitrariamente. El resultado del clasificador es información para la regla o el paso de revisión de la aplicación; no bloquea por sí solo una solicitud ni modifica un archivo.

Catorce categorías de riesgo

El fabricante alinea el clasificador con la taxonomía de riesgos de MLCommons y añade una categoría de intérprete de código exclusivamente textual. Las catorce etiquetas abarcan delitos violentos, delitos no violentos, delitos sexuales, explotación sexual infantil, difamación, asesoramiento especializado, privacidad, propiedad intelectual, armas de efectos indiscriminados, odio, suicidio y autolesiones, contenido sexual, elecciones y abuso del intérprete de código.

Las categorías usan identificadores de S1 a S14. S14, Code Interpreter Abuse, es específicamente para casos de uso de llamadas a herramientas exclusivamente textuales. Conserva el identificador de la taxonomía junto con el resultado safe/unsafe para que un paso posterior de la aplicación pueda interpretar la clasificación bajo las mismas definiciones de categoría. Un resultado breve es un juicio de categoría, no una explicación completa, una determinación legal ni una garantía de que se haya detectado todo daño posible.

Como formato ilustrativo, una clasificación unsafe puede ir seguida del identificador de categoría aplicable. Conserva juntos el texto original evaluado, su fuente o posición en la conversación y las etiquetas devueltas. Esa asociación permite a una aplicación distinguir el contenido examinado de una respuesta reformulada posterior o de un prompt separado.

Arquitectura y entrenamiento

Llama Guard 4 tiene una arquitectura Transformer densa de fusión temprana, obtenida por poda de un checkpoint preentrenado de Llama 4 Scout. El fabricante elimina los expertos enrutados y las capas del enrutador y conserva el experto denso compartido; después posentrena el modelo resultante para clasificación de contenido. No realiza preentrenamiento adicional después de ese paso de poda. Esto crea un modelo diferente de la edición de chat de mezcla de expertos de Scout.

El modelo comparte el tokenizador y el codificador de visión de Llama 4 y combina entrenamiento de clasificación exclusivamente textual y multimodal. El fabricante describe datos multilingües y entrenamiento con múltiples imágenes, con la mayoría de esas muestras conteniendo de dos a cinco imágenes y una mezcla aproximada de tres a uno entre datos exclusivamente textuales y multimodales. Estas son características del entrenamiento, no límites estrictos del número de entradas.

El alcance multilingüe documentado sigue los idiomas admitidos por Llama Guard 3, y la ficha aborda inglés junto con francés, alemán, hindi, italiano, portugués, español y tailandés. Una solicitud de clasificación debe conservar la redacción real y el contexto visual en el idioma evaluado, en lugar de sustituir el contenido por un resumen no relacionado.

Preparación de un resultado de clasificación útil

Para una comprobación de entrada, proporciona el mensaje del usuario y sus imágenes asociadas y pide la clasificación del prompt en el formato del fabricante. Para una comprobación de salida, proporciona la respuesta real del asistente junto con el mensaje anterior pertinente. Un ejemplo con múltiples imágenes puede conservar el texto que las vincula para que el modelo evalúe la solicitud combinada, en lugar de fragmentos independientes sin contexto.

La ficha del modelo muestra cómo aplicar la plantilla de conversación correspondiente y decodificar únicamente la clasificación generada. Su ejemplo de generación de diez tokens ilustra un resultado breve de etiquetas; ese número no es una capacidad máxima de respuesta independiente. Mantén la salida solicitada alineada con el propósito del clasificador, en lugar de pedirle que escriba una respuesta conversacional ordinaria.

Limitaciones específicas

El fabricante indica que los juicios pueden estar limitados por los datos de entrenamiento del modelo, el conocimiento de sentido común, la cobertura de idiomas y la cobertura de políticas. Las categorías de difamación, propiedad intelectual y elecciones pueden requerir conocimiento factual y actual que el clasificador quizá no posea. Por lo tanto, la etiqueta de categoría debe conservar su relación con el contenido y la información disponible para esa evaluación.

La ficha reporta pruebas principalmente con prompts que incluyen pocas imágenes, con mayor frecuencia tres, y señala que el comportamiento puede variar con una colección de imágenes mucho más grande. Esto describe el alcance probado, no un máximo universal de tres imágenes. El modelo también puede ser susceptible a contenido adversarial o de inyección de prompts que cambie su comportamiento previsto.

El papel de clasificador de Llama Guard 4 no debe heredar la especificación de contexto ni las capacidades de asistente general de Scout simplemente porque se obtuvo mediante su poda. La ficha consultada no proporciona una capacidad estricta independiente de contexto o tokens de salida para este clasificador. Conserva el material evaluado y las etiquetas de la taxonomía como producto práctico, y deja que la aplicación decida la acción asociada con ese resultado.

Tarea práctica

Tarea práctica

Ejemplo técnico en inglés

Classify a benign library prompt

Classify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.

Resultado esperado

The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.

Comprobar el resultado

Check the output uses only the documented classifier labels and does not answer the library-hours question.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta-llama/llama-guard-4-12b

meta-llama/llama-guard-4-12b

Meta /meta-llama/llama-guard-4-12b

Inicio

Llama Guard 4 12B es el clasificador multimodal de contenido de Meta para prompts y respuestas generadas. Analiza texto con una o más imágenes y devuelve una etiqueta safe/unsafe más las categorías de riesgo aplicables, mediante una arquitectura densa obtenida por poda de Llama 4 Scout.

Entradas aceptadas
Texto
Resultados
Texto

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Entrada
text
Salida
text
Formato de salida
json o SSE
CampoTipoRequisitoValores y límitesPredeterminado
CampomodelTipostringRequisitoObligatorioValores y límites
meta-llama/llama-guard-4-12b
Predeterminado—
CampomessagesTipomessage[]RequisitoObligatorioValores y límites
Número mínimo de elementos: 1
Predeterminado—
Campomessages[].roleTipostringRequisitoObligatorioValores 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[].contentTipostring|content_part[]|nullRequisitoOpcionalValores y límitesPredeterminado—
Campomessages[].tool_callsTipotool_call[]RequisitoOpcionalValores y límitesPredeterminado—
Campomessages[].tool_call_idTipostringRequisitoOpcionalValores y límites
Se aplica cuando: role=tool; utiliza el ID real devuelto
Predeterminado—
Campomessages[].nameTipostringRequisitoOpcionalValores y límitesPredeterminado—
Campomessages[].reasoning_contentTipostringRequisitoOpcionalValores y límites
Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice
Predeterminado—
Campomessages[].reasoning_detailsTipoobject|arrayRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campomax_tokensTipointegerRequisitoOpcionalValores y límites
Mínimo: 1
Depende del modelo
Predeterminado—
Campomax_completion_tokensTipointegerRequisitoOpcionalValores y límites
Mínimo: 1
Depende del modelo
Predeterminado—
CampostreamTipobooleanRequisitoOpcionalValores y límitesPredeterminadofalse
Campostream_options.include_usageTipobooleanRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampotemperatureTiponumberRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campotop_pTiponumberRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampostopTipostring|string[]RequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampotoolsTipofunction_tool[]RequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campotools[].typeTipostringRequisitoOpcionalValores y límites
function
Depende del modelo
Predeterminado—
Campotools[].function.nameTipostringRequisitoObligatorioValores y límites
Se aplica cuando: herramienta de función proporcionada
Predeterminado—
Campotools[].function.descriptionTipostringRequisitoOpcionalValores y límitesPredeterminado—
Campotools[].function.parametersTipoJSON_schemaRequisitoOpcionalValores y límitesPredeterminado—
Campotool_choiceTipostring|objectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campoparallel_tool_callsTipobooleanRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Camporesponse_formatTipoobjectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Camporeasoning_effortTipostringRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CamporeasoningTipoobjectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Camposervice_tierTipostringRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampoinstructionsTipostringRequisitoOpcionalValores y límites
Campo de compatibilidad
Predeterminado—
CampofunctionsTipofunction[]RequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campofunction_callTipostring|objectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
Campoprompt_cache_optionsTipoobjectRequisitoOpcionalValores y límites
Depende del modelo
Predeterminado—
CampomodalitiesTipostring[]RequisitoOpcionalValores y límites
text
Predeterminado—
CampoproviderTipoobjectRequisitoOpcionalValores y límites
Condiciones: provider.options se rechaza en esta ruta de texto Ultra
Predeterminado—
Campocache_control.ttlTipostringRequisitoOpcionalValores y límites
Condiciones: 1h se rechaza en los campos reales de caché de instrucciones
Predeterminado—
Combinaciones de materiales de entrada

Texto · Texto UTF8

messages[].content

Parámetros del método y ciclo de vida
ParámetroContrato
Parámetrocontent_typeContratoapplication/json
ParámetrorequiredContratomodel, messages
Parámetromaterial_typesContratotext
ParámetromessagesContratomatriz de mensajes con estructura role/content
Parámetrofile_materialContratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo
Parámetrooptional_controlsContratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parámetrocontrol_scopeContratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas
Parámetrooutput_modalitiesContratotext
Parámetrohosted_operationsContratofalse
Parámetromultimodal_input_bindingContratonull

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.

Tarifas

Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.

Modo fast
Tarifa estándar Cuando se selecciona el modo fast
Modo flex
Tarifa estándar Cuando se selecciona el modo flex
Esfuerzo máximo de razonamiento
Tarifa estándar Cuando el esfuerzo máximo de razonamiento usa el ajuste default

Tarifas de Ailoot

Precios por configuración

Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.

ConfiguraciónTabla de tarifasTokens de contexto, más deTokens de contexto, hasta inclusiveCargo
ConfiguraciónTarifas base por tokenTabla de tarifasTarifa baseTokens de contexto, más de—Tokens de contexto, hasta inclusiveSin límite superiorCargo
Entrada · Tokens de entrada $0.00036 / 1K tokens
Salida · Tokens de salida $0.00036 / 1K tokens
Entrada · Lectura de caché — / 1K tokens
Entrada · Escritura en caché — / 1K tokens
Entrada · Escritura en caché, 1 hora — / 1K tokens
ConfiguraciónNivel 1 por longitud de la solicitudTabla de tarifas—Tokens de contexto, más de0Tokens de contexto, hasta inclusiveSin límite superiorCargo
Entrada · Tokens de entrada $0.00036 / 1K tokens
Salida · Tokens de salida $0.00036 / 1K tokens
Entrada · Lectura de caché — / 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 →

Solicitudes de ejemplo

Ailoot Ultra · OpenAI Chat

curlPython SDKFlujo en Python
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta-llama/llama-guard-4-12b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Recibir y guardar resultados

Ailoot Ultra · OpenAI Chat

json o SSE

Conserva todos los resultados completados

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.

Si es necesario revisar la respuesta original

Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.

Campos de respuesta
CampoTipo
Campochoices[].indexTipointeger
Campochoices[].message.contentTipostring|null
Campochoices[].message.tool_callsTipotool_call[]
Campochoices[].message.reasoning_contentTipostring
Campochoices[].message.reasoning_detailsTipoobject|array
Campochoices[].finish_reasonTipostring|null
CampousageTipoobject
Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta400 · invalid_request_errorCondiciónCampos obligatorios, representación del material o valor del parámetro no válidosSiguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación.

Alias

Alias del modelo

Ailoot Ultra meta-llama/llama-guard-4-12b

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

meta-llama/llama-guard-4-12b

Ailoot Ultra · Anthropic Messages POST /v1/messages meta-llama/llama-guard-4-12b

meta-llama/llama-guard-4-12b

Meta /meta-llama/llama-guard-4-12b

Inicio

Llama Guard 4 12B es el clasificador multimodal de contenido de Meta para prompts y respuestas generadas. Analiza texto con una o más imágenes y devuelve una etiqueta safe/unsafe más las categorías de riesgo aplicables, mediante una arquitectura densa obtenida por poda de Llama 4 Scout.

Entradas aceptadas
Texto
Resultados
json · sse

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · Anthropic Messages POST /v1/messages
Entrada
text
Salida
json, sse
Formato de salida
JSON o SSE
CampoTipoRequisitoValores y límitesPredeterminado
CampomodelTipostringRequisitoObligatorioValores y límites
meta-llama/llama-guard-4-12b
Predeterminado—
CampomessagesTipomessage[]RequisitoObligatorioValores y límitesPredeterminado—
Campomessages[].roleTipostringRequisitoObligatorioValores y límites
user, assistant
Predeterminado—
Campomessages[].contentTipostringRequisitoObligatorioValores y límitesPredeterminado—
Campomax_tokensTipointegerRequisitoObligatorioValores y límitesPredeterminado—
CampostreamTipobooleanRequisitoOpcionalValores y límitesPredeterminadofalse
Combinaciones de materiales de entrada

Texto · Texto UTF-8

cadena messages[].content

Parámetros del método y ciclo de vida
ParámetroContrato
Parámetrocontent_typeContratoapplication/json
ParámetrorequiredContratomodel, messages, max_tokens
Parámetrooptional_controlsContratostream
Parámetromaterial_typesContratotext
Parámetrotext_file_materialContratoLee 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

Tarifas

Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.

Modo fast
Tarifa estándar Cuando se selecciona el modo fast
Modo flex
Tarifa estándar Cuando se selecciona el modo flex
Esfuerzo máximo de razonamiento
Tarifa estándar Cuando el esfuerzo máximo de razonamiento usa el ajuste default

Tarifas de Ailoot

Precios por configuración

Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.

ConfiguraciónTabla de tarifasTokens de contexto, más deTokens de contexto, hasta inclusiveCargo
ConfiguraciónTarifas base por tokenTabla de tarifasTarifa baseTokens de contexto, más de—Tokens de contexto, hasta inclusiveSin límite superiorCargo
Entrada · Tokens de entrada $0.00036 / 1K tokens
Salida · Tokens de salida $0.00036 / 1K tokens
Entrada · Lectura de caché — / 1K tokens
Entrada · Escritura en caché — / 1K tokens
Entrada · Escritura en caché, 1 hora — / 1K tokens
ConfiguraciónNivel 1 por longitud de la solicitudTabla de tarifas—Tokens de contexto, más de0Tokens de contexto, hasta inclusiveSin límite superiorCargo
Entrada · Tokens de entrada $0.00036 / 1K tokens
Salida · Tokens de salida $0.00036 / 1K tokens
Entrada · Lectura de caché — / 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 →

Solicitudes de ejemplo

Ailoot Ultra · Anthropic Messages

Cuerpo JSON mínimo completocurl · usa tu documento en UTF-8Python · guarda el resultado completo
{
  "model": "meta-llama/llama-guard-4-12b",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Recibir y guardar resultados

Ailoot Ultra · Anthropic Messages

JSON o SSE

Conserva todos los resultados completados

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.

Si es necesario revisar la respuesta original

Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.

Campos de respuesta
CampoTipo
CampoidTipostring
CampomodelTipostring
Campocontent[]Tipotext|thinking|tool_use|other content block
Campostop_reasonTipostring|null
CampousageTipoobject
Errores y siguientes pasos
RespuestaCondiciónSiguiente paso
Respuesta400 · invalid_request_errorCondiciónCampos obligatorios, representación del material o valor del parámetro no válidosSiguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación.

Alias

Alias del modelo

Ailoot Ultra meta-llama/llama-guard-4-12b

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

meta-llama/llama-guard-4-12b

FAQ · Meta: Llama Guard 4 12B
¿Qué entradas y resultados están disponibles?

POST /v1/chat/completions · meta-llama/llama-guard-4-12b: text → text

POST /v1/messages · meta-llama/llama-guard-4-12b: text → json, sse

¿Qué campos utiliza la solicitud?

POST /v1/chat/completions · meta-llama/llama-guard-4-12b: model, messages, stream, modalities, provider

POST /v1/messages · meta-llama/llama-guard-4-12b: model, messages, max_tokens, stream

¿Qué límites se aplican?

POST /v1/chat/completions · meta-llama/llama-guard-4-12b: messages.min_items: 1

Más detalles

Conecta Ailoot a Claude Code, OpenCode, Hermes o tu aplicación.

La empresa y su cartera de proyectos

La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes.

Compra tokens con descuento.

Ahorro por suscripción para trabajo habitual. Códigos promocionales: hasta el 50% al comprar tokens.

Suscripción
Elige un plan con descuento para tus peticiones habituales.
Código de hasta el 50%
Introduce el código al comprar. El precio se recalcula según la promoción vigente.
Gasto en el historial
Modelo, tokens e importe quedan guardados por cada petición.

Elegir suscripción · Consultar precios de modelos

Conecta la API al producto que vendes.

SaaS, aplicaciones y bots bajo la oferta y el acuerdo de licencia Ailoot. Solicita una licencia de reventa para redistribuir el acceso.

Aplicación comercial
Integra generación de texto, imágenes, vídeo y sonido en funciones de pago de tu servicio.
Licencia para revendedores
Envía descripción del proyecto y esquema de acceso. Solicita condiciones escritas de uso y reventa.
Documentos en la web
La oferta, el acuerdo de licencia y la política de datos están disponibles antes de conectar.

Solicitar licencia de reventa · Oferta y acuerdo de licencia