Gemma 3 12B IT es el modelo de visión y lenguaje de Google de tamaño 12B, ajustado para seguir instrucciones. Pertenece a la familia Gemma 3, que combina la generación de texto con la comprensión de imágenes y el entrenamiento multilingüe. El sufijo IT selecciona el checkpoint ajustado para seguir instrucciones, en lugar del modelo preentrenado. Su resultado es texto: una explicación, un resumen, una respuesta, un borrador o código derivados del material escrito y visual de una solicitud.
El modelo 12B dispone del contexto de 128K tokens de la familia, compartido entre la entrada y la respuesta generada. La salida utiliza la parte que queda disponible después de la solicitud; la ficha no concede una segunda ventana de salida independiente de 128K. Las vistas base de las imágenes se normalizan a 896×896 y se representan mediante 256 tokens visuales cada una. Al preparar un conjunto de páginas, conserva sus identificadores y reserva espacio para el resultado. Formula una pregunta concreta sobre el contenido pertinente, en lugar de confiar en que una ventana amplia seleccione automáticamente la cuestión adecuada.
El desarrollador declara 12 billones de tokens de preentrenamiento para este tamaño. El material de entrenamiento incluye documentos web multilingües, código, matemáticas e imágenes, con una cobertura de más de 140 idiomas en la familia. El informe describe la destilación de conocimiento y un procedimiento mejorado de ajuste para seguir instrucciones que incorpora aprendizaje por refuerzo. Estas etapas buscan mejorar la utilidad, el razonamiento matemático y sobre código, el seguimiento de instrucciones y la interacción multilingüe. Un presupuesto de entrenamiento específico y una identidad de checkpoint diferenciada no determinan por sí solos la calidad de una respuesta concreta, por lo que conviene contrastar la salida con la tarea original.
La arquitectura utiliza un transformador solo decodificador con atención de consultas agrupadas y un patrón repetido de cinco capas de atención local por cada capa global. Las capas locales utilizan un alcance de 1024 tokens, mientras que la atención global admite el contexto más largo. Un codificador de visión SigLIP, compartido por los modelos 4B, 12B y 27B, convierte las imágenes en representaciones que procesa el modelo de lenguaje. El tokenizador SentencePiece conserva los espacios en blanco, separa los dígitos e incluye codificación a nivel de bytes. Esto resulta relevante cuando es necesario mantener intactos el formato del código, la notación numérica o el texto multilingüe.
El flujo de trabajo visual también incluye Pan and Scan: los recortes adaptativos sin solapamiento ayudan a conservar el contenido de fuentes panorámicas o de alta resolución antes de que cada vista llegue al codificador de resolución fija. Las vistas adicionales modifican el material que se procesa. Para un documento técnico, proporciona una página legible y, cuando sea necesario, una vista clara de la tabla o el diagrama sobre el que se pregunta. Conserva la definición contextual de cualquier unidad, símbolo o columna para que una lectura visual local no pierda su significado.
El formato nativo de los prompts IT utiliza turnos de usuario y de modelo y no dispone de un rol de sistema independiente. Incluye el rol deseado, las reglas de respuesta y la tarea en el prompt inicial del usuario, utilizando el formateador o procesador designado para la conversación real. Una solicitud inicial de análisis documental podría comparar dos descripciones de procedimientos, devolver una tabla de requisitos coincidentes e identificar cualquier conflicto. Etiqueta las fuentes, indica qué requisito tiene prioridad y pide al modelo que separe los hechos proporcionados de su interpretación.
Los usos previstos en la ficha del desarrollador incluyen la elaboración de resúmenes, la asistencia conversacional, la extracción de datos de imágenes, la redacción y el aprendizaje. Para una explicación multilingüe, indica el público destinatario, la terminología y el nivel de detalle. Para una pregunta sobre una imagen, identifica los objetos o las relaciones que deben comentarse y solicita observaciones que respalden la respuesta final. Para código, incluye la función real y el comportamiento esperado; el resultado puede proponer una implementación, mientras que una aplicación independiente debe ejecutarla y comprobarla. El informe publica por separado las variantes cuantizadas de la familia, por lo que esta identidad 12B IT no debe sustituirse de forma implícita por otro checkpoint cuantizado al registrar los resultados.
El desarrollador señala limitaciones relacionadas con la cobertura del entrenamiento, las inexactitudes factuales, los matices lingüísticos y las tareas complejas de respuesta abierta. Google también advierte de que un patrón lingüístico plausible puede producir una respuesta que pase por alto una restricción cotidiana del mundo real. Los pequeños detalles visuales pueden perderse o interpretarse mal, y las entradas largas siguen necesitando prioridades claras. Conserva las páginas originales, verifica las etiquetas y cantidades extraídas y valida cualquier texto solicitado que tenga apariencia de datos estructurados antes de utilizarlo como datos. Evalúa el modelo 12B IT exacto con preguntas e idiomas representativos. Un entregable final útil expone la respuesta basada en las fuentes, el razonamiento necesario para comprenderla y la incertidumbre restante, sin presentar una explicación generada como si fuera una acción de herramienta completada o una consulta de información en tiempo real.
", "aboutText": "Gemma 3 12B IT es el modelo de visión y lenguaje de Google de tamaño 12B, ajustado para seguir instrucciones. Pertenece a la familia Gemma 3, que combina la generación de texto con la comprensión de imágenes y el entrenamiento multilingüe. El sufijo IT selecciona el checkpoint ajustado para seguir instrucciones, en lugar del modelo preentrenado. Su resultado es texto: una explicación, un resumen, una respuesta, un borrador o código derivados del material escrito y visual de una solicitud.\n\nEl modelo 12B dispone del contexto de 128K tokens de la familia, compartido entre la entrada y la respuesta generada. La salida utiliza la parte que queda disponible después de la solicitud; la ficha no concede una segunda ventana de salida independiente de 128K. Las vistas base de las imágenes se normalizan a 896×896 y se representan mediante 256 tokens visuales cada una. Al preparar un conjunto de páginas, conserva sus identificadores y reserva espacio para el resultado. Formula una pregunta concreta sobre el contenido pertinente, en lugar de confiar en que una ventana amplia seleccione automáticamente la cuestión adecuada.\n\nEl desarrollador declara 12 billones de tokens de preentrenamiento para este tamaño. El material de entrenamiento incluye documentos web multilingües, código, matemáticas e imágenes, con una cobertura de más de 140 idiomas en la familia. El informe describe la destilación de conocimiento y un procedimiento mejorado de ajuste para seguir instrucciones que incorpora aprendizaje por refuerzo. Estas etapas buscan mejorar la utilidad, el razonamiento matemático y sobre código, el seguimiento de instrucciones y la interacción multilingüe. Un presupuesto de entrenamiento específico y una identidad de checkpoint diferenciada no determinan por sí solos la calidad de una respuesta concreta, por lo que conviene contrastar la salida con la tarea original.\n\nLa arquitectura utiliza un transformador solo decodificador con atención de consultas agrupadas y un patrón repetido de cinco capas de atención local por cada capa global. Las capas locales utilizan un alcance de 1024 tokens, mientras que la atención global admite el contexto más largo. Un codificador de visión SigLIP, compartido por los modelos 4B, 12B y 27B, convierte las imágenes en representaciones que procesa el modelo de lenguaje. El tokenizador SentencePiece conserva los espacios en blanco, separa los dígitos e incluye codificación a nivel de bytes. Esto resulta relevante cuando es necesario mantener intactos el formato del código, la notación numérica o el texto multilingüe.\n\nEl flujo de trabajo visual también incluye Pan and Scan: los recortes adaptativos sin solapamiento ayudan a conservar el contenido de fuentes panorámicas o de alta resolución antes de que cada vista llegue al codificador de resolución fija. Las vistas adicionales modifican el material que se procesa. Para un documento técnico, proporciona una página legible y, cuando sea necesario, una vista clara de la tabla o el diagrama sobre el que se pregunta. Conserva la definición contextual de cualquier unidad, símbolo o columna para que una lectura visual local no pierda su significado.\n\nEl formato nativo de los prompts IT utiliza turnos de usuario y de modelo y no dispone de un rol de sistema independiente. Incluye el rol deseado, las reglas de respuesta y la tarea en el prompt inicial del usuario, utilizando el formateador o procesador designado para la conversación real. Una solicitud inicial de análisis documental podría comparar dos descripciones de procedimientos, devolver una tabla de requisitos coincidentes e identificar cualquier conflicto. Etiqueta las fuentes, indica qué requisito tiene prioridad y pide al modelo que separe los hechos proporcionados de su interpretación.\n\nLos usos previstos en la ficha del desarrollador incluyen la elaboración de resúmenes, la asistencia conversacional, la extracción de datos de imágenes, la redacción y el aprendizaje. Para una explicación multilingüe, indica el público destinatario, la terminología y el nivel de detalle. Para una pregunta sobre una imagen, identifica los objetos o las relaciones que deben comentarse y solicita observaciones que respalden la respuesta final. Para código, incluye la función real y el comportamiento esperado; el resultado puede proponer una implementación, mientras que una aplicación independiente debe ejecutarla y comprobarla. El informe publica por separado las variantes cuantizadas de la familia, por lo que esta identidad 12B IT no debe sustituirse de forma implícita por otro checkpoint cuantizado al registrar los resultados.\n\nEl desarrollador señala limitaciones relacionadas con la cobertura del entrenamiento, las inexactitudes factuales, los matices lingüísticos y las tareas complejas de respuesta abierta. Google también advierte de que un patrón lingüístico plausible puede producir una respuesta que pase por alto una restricción cotidiana del mundo real. Los pequeños detalles visuales pueden perderse o interpretarse mal, y las entradas largas siguen necesitando prioridades claras. Conserva las páginas originales, verifica las etiquetas y cantidades extraídas y valida cualquier texto solicitado que tenga apariencia de datos estructurados antes de utilizarlo como datos. Evalúa el modelo 12B IT exacto con preguntas e idiomas representativos. Un entregable final útil expone la respuesta basada en las fuentes, el razonamiento necesario para comprenderla y la incertidumbre restante, sin presentar una explicación generada como si fuera una acción de herramienta completada o una consulta de información en tiempo real.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.google/gemma-3-12b-itGemma 3 12B IT es una edición independiente de Gemma 3 ajustada para seguir instrucciones, destinada a la generación de texto y la comprensión de imágenes. Úsala para responder preguntas sobre documentos, elaborar explicaciones y redactar en varios idiomas con un contexto compartido de 128K, especificando claramente el checkpoint 12B y su formato de conversación nativo.
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 12B IT es el modelo de visión y lenguaje de Google de tamaño 12B, ajustado para seguir instrucciones. Pertenece a la familia Gemma 3, que combina la generación de texto con la comprensión de imágenes y el entrenamiento multilingüe. El sufijo IT selecciona el checkpoint ajustado para seguir instrucciones, en lugar del modelo preentrenado. Su resultado es texto: una explicación, un resumen, una respuesta, un borrador o código derivados del material escrito y visual de una solicitud.
El modelo 12B dispone del contexto de 128K tokens de la familia, compartido entre la entrada y la respuesta generada. La salida utiliza la parte que queda disponible después de la solicitud; la ficha no concede una segunda ventana de salida independiente de 128K. Las vistas base de las imágenes se normalizan a 896×896 y se representan mediante 256 tokens visuales cada una. Al preparar un conjunto de páginas, conserva sus identificadores y reserva espacio para el resultado. Formula una pregunta concreta sobre el contenido pertinente, en lugar de confiar en que una ventana amplia seleccione automáticamente la cuestión adecuada.
El desarrollador declara 12 billones de tokens de preentrenamiento para este tamaño. El material de entrenamiento incluye documentos web multilingües, código, matemáticas e imágenes, con una cobertura de más de 140 idiomas en la familia. El informe describe la destilación de conocimiento y un procedimiento mejorado de ajuste para seguir instrucciones que incorpora aprendizaje por refuerzo. Estas etapas buscan mejorar la utilidad, el razonamiento matemático y sobre código, el seguimiento de instrucciones y la interacción multilingüe. Un presupuesto de entrenamiento específico y una identidad de checkpoint diferenciada no determinan por sí solos la calidad de una respuesta concreta, por lo que conviene contrastar la salida con la tarea original.
La arquitectura utiliza un transformador solo decodificador con atención de consultas agrupadas y un patrón repetido de cinco capas de atención local por cada capa global. Las capas locales utilizan un alcance de 1024 tokens, mientras que la atención global admite el contexto más largo. Un codificador de visión SigLIP, compartido por los modelos 4B, 12B y 27B, convierte las imágenes en representaciones que procesa el modelo de lenguaje. El tokenizador SentencePiece conserva los espacios en blanco, separa los dígitos e incluye codificación a nivel de bytes. Esto resulta relevante cuando es necesario mantener intactos el formato del código, la notación numérica o el texto multilingüe.
El flujo de trabajo visual también incluye Pan and Scan: los recortes adaptativos sin solapamiento ayudan a conservar el contenido de fuentes panorámicas o de alta resolución antes de que cada vista llegue al codificador de resolución fija. Las vistas adicionales modifican el material que se procesa. Para un documento técnico, proporciona una página legible y, cuando sea necesario, una vista clara de la tabla o el diagrama sobre el que se pregunta. Conserva la definición contextual de cualquier unidad, símbolo o columna para que una lectura visual local no pierda su significado.
El formato nativo de los prompts IT utiliza turnos de usuario y de modelo y no dispone de un rol de sistema independiente. Incluye el rol deseado, las reglas de respuesta y la tarea en el prompt inicial del usuario, utilizando el formateador o procesador designado para la conversación real. Una solicitud inicial de análisis documental podría comparar dos descripciones de procedimientos, devolver una tabla de requisitos coincidentes e identificar cualquier conflicto. Etiqueta las fuentes, indica qué requisito tiene prioridad y pide al modelo que separe los hechos proporcionados de su interpretación.
Los usos previstos en la ficha del desarrollador incluyen la elaboración de resúmenes, la asistencia conversacional, la extracción de datos de imágenes, la redacción y el aprendizaje. Para una explicación multilingüe, indica el público destinatario, la terminología y el nivel de detalle. Para una pregunta sobre una imagen, identifica los objetos o las relaciones que deben comentarse y solicita observaciones que respalden la respuesta final. Para código, incluye la función real y el comportamiento esperado; el resultado puede proponer una implementación, mientras que una aplicación independiente debe ejecutarla y comprobarla. El informe publica por separado las variantes cuantizadas de la familia, por lo que esta identidad 12B IT no debe sustituirse de forma implícita por otro checkpoint cuantizado al registrar los resultados.
El desarrollador señala limitaciones relacionadas con la cobertura del entrenamiento, las inexactitudes factuales, los matices lingüísticos y las tareas complejas de respuesta abierta. Google también advierte de que un patrón lingüístico plausible puede producir una respuesta que pase por alto una restricción cotidiana del mundo real. Los pequeños detalles visuales pueden perderse o interpretarse mal, y las entradas largas siguen necesitando prioridades claras. Conserva las páginas originales, verifica las etiquetas y cantidades extraídas y valida cualquier texto solicitado que tenga apariencia de datos estructurados antes de utilizarlo como datos. Evalúa el modelo 12B IT exacto con preguntas e idiomas representativos. Un entregable final útil expone la respuesta basada en las fuentes, el razonamiento necesario para comprenderla y la incertidumbre restante, sin presentar una explicación generada como si fuera una acción de herramienta completada o una consulta de información en tiempo real.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites google/gemma-3-12b-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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0003 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0003 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-12b-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-3-12b-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-3-12b-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 las cabeceras. 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-3-12b-it
Usa las rutas de método indicadas arriba.
google/gemma-3-12b-itGemma 3 12B IT es una edición independiente de Gemma 3 ajustada para seguir instrucciones, destinada a la generación de texto y la comprensión de imágenes. Úsala para responder preguntas sobre documentos, elaborar explicaciones y redactar en varios idiomas con un contexto compartido de 128K, especificando claramente el checkpoint 12B y su formato de conversación nativo.
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 12B IT es el modelo de visión y lenguaje de Google de tamaño 12B, ajustado para seguir instrucciones. Pertenece a la familia Gemma 3, que combina la generación de texto con la comprensión de imágenes y el entrenamiento multilingüe. El sufijo IT selecciona el checkpoint ajustado para seguir instrucciones, en lugar del modelo preentrenado. Su resultado es texto: una explicación, un resumen, una respuesta, un borrador o código derivados del material escrito y visual de una solicitud.
El modelo 12B dispone del contexto de 128K tokens de la familia, compartido entre la entrada y la respuesta generada. La salida utiliza la parte que queda disponible después de la solicitud; la ficha no concede una segunda ventana de salida independiente de 128K. Las vistas base de las imágenes se normalizan a 896×896 y se representan mediante 256 tokens visuales cada una. Al preparar un conjunto de páginas, conserva sus identificadores y reserva espacio para el resultado. Formula una pregunta concreta sobre el contenido pertinente, en lugar de confiar en que una ventana amplia seleccione automáticamente la cuestión adecuada.
El desarrollador declara 12 billones de tokens de preentrenamiento para este tamaño. El material de entrenamiento incluye documentos web multilingües, código, matemáticas e imágenes, con una cobertura de más de 140 idiomas en la familia. El informe describe la destilación de conocimiento y un procedimiento mejorado de ajuste para seguir instrucciones que incorpora aprendizaje por refuerzo. Estas etapas buscan mejorar la utilidad, el razonamiento matemático y sobre código, el seguimiento de instrucciones y la interacción multilingüe. Un presupuesto de entrenamiento específico y una identidad de checkpoint diferenciada no determinan por sí solos la calidad de una respuesta concreta, por lo que conviene contrastar la salida con la tarea original.
La arquitectura utiliza un transformador solo decodificador con atención de consultas agrupadas y un patrón repetido de cinco capas de atención local por cada capa global. Las capas locales utilizan un alcance de 1024 tokens, mientras que la atención global admite el contexto más largo. Un codificador de visión SigLIP, compartido por los modelos 4B, 12B y 27B, convierte las imágenes en representaciones que procesa el modelo de lenguaje. El tokenizador SentencePiece conserva los espacios en blanco, separa los dígitos e incluye codificación a nivel de bytes. Esto resulta relevante cuando es necesario mantener intactos el formato del código, la notación numérica o el texto multilingüe.
El flujo de trabajo visual también incluye Pan and Scan: los recortes adaptativos sin solapamiento ayudan a conservar el contenido de fuentes panorámicas o de alta resolución antes de que cada vista llegue al codificador de resolución fija. Las vistas adicionales modifican el material que se procesa. Para un documento técnico, proporciona una página legible y, cuando sea necesario, una vista clara de la tabla o el diagrama sobre el que se pregunta. Conserva la definición contextual de cualquier unidad, símbolo o columna para que una lectura visual local no pierda su significado.
El formato nativo de los prompts IT utiliza turnos de usuario y de modelo y no dispone de un rol de sistema independiente. Incluye el rol deseado, las reglas de respuesta y la tarea en el prompt inicial del usuario, utilizando el formateador o procesador designado para la conversación real. Una solicitud inicial de análisis documental podría comparar dos descripciones de procedimientos, devolver una tabla de requisitos coincidentes e identificar cualquier conflicto. Etiqueta las fuentes, indica qué requisito tiene prioridad y pide al modelo que separe los hechos proporcionados de su interpretación.
Los usos previstos en la ficha del desarrollador incluyen la elaboración de resúmenes, la asistencia conversacional, la extracción de datos de imágenes, la redacción y el aprendizaje. Para una explicación multilingüe, indica el público destinatario, la terminología y el nivel de detalle. Para una pregunta sobre una imagen, identifica los objetos o las relaciones que deben comentarse y solicita observaciones que respalden la respuesta final. Para código, incluye la función real y el comportamiento esperado; el resultado puede proponer una implementación, mientras que una aplicación independiente debe ejecutarla y comprobarla. El informe publica por separado las variantes cuantizadas de la familia, por lo que esta identidad 12B IT no debe sustituirse de forma implícita por otro checkpoint cuantizado al registrar los resultados.
El desarrollador señala limitaciones relacionadas con la cobertura del entrenamiento, las inexactitudes factuales, los matices lingüísticos y las tareas complejas de respuesta abierta. Google también advierte de que un patrón lingüístico plausible puede producir una respuesta que pase por alto una restricción cotidiana del mundo real. Los pequeños detalles visuales pueden perderse o interpretarse mal, y las entradas largas siguen necesitando prioridades claras. Conserva las páginas originales, verifica las etiquetas y cantidades extraídas y valida cualquier texto solicitado que tenga apariencia de datos estructurados antes de utilizarlo como datos. Evalúa el modelo 12B IT exacto con preguntas e idiomas representativos. Un entregable final útil expone la respuesta basada en las fuentes, el razonamiento necesario para comprenderla y la incertidumbre restante, sin presentar una explicación generada como si fuera una acción de herramienta completada o una consulta de información en tiempo real.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites google/gemma-3-12b-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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0003 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0003 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "google/gemma-3-12b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-12b-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-3-12b-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 las cabeceras. 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-3-12b-it
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.