Gemma 3 4B IT es la edición de tamaño 4B ajustada para seguir instrucciones de la familia de visión y lenguaje Gemma 3 de Google. IT identifica la versión adaptada para seguir instrucciones del usuario y turnos de conversación, en lugar del modelo preentrenado utilizado como base para entrenamiento posterior. El modelo recibe texto e imágenes y genera texto: una respuesta, un resumen, una explicación, un borrador o código. Su entrada visual permite formular preguntas sobre imágenes y páginas de documentos proporcionadas; la salida no es una imagen recién generada.
La ficha del modelo asigna a la edición 4B un contexto de 128K tokens compartido por la solicitud y la respuesta generada. La capacidad restante de salida es el contexto total después de restar la entrada, no un presupuesto adicional e independiente de 128K para la salida. Su procesamiento básico de imágenes las normaliza a 896×896 y codifica cada vista en 256 tokens visuales. Para un asistente centrado en una tarea, proporciona la nota o imagen pertinente, una pregunta clara y el resultado breve que deseas. Conserva el texto de origen con la respuesta para poder comprobar un nombre, una fecha o una etiqueta extraídos.
El material de entrenamiento de la familia abarca texto de la web en más de 140 idiomas, código, matemáticas e imágenes. El fabricante informa de cuatro billones de tokens de preentrenamiento para el modelo 4B. El informe técnico describe destilación durante el preentrenamiento y el ajuste para seguir instrucciones, seguida de entrenamiento posterior basado en aprendizaje por refuerzo para mejorar la utilidad, el razonamiento, el código, las matemáticas y el seguimiento de instrucciones. Son características de entrenamiento de este tamaño y esta familia, no una garantía de que todas las respuestas sean correctas ni de que otro modelo Gemma se comporte de forma idéntica.
La arquitectura es un transformador solo decodificador con atención de consultas agrupadas, que intercala cinco capas de atención local por cada capa de atención global. La atención local abarca 1.024 tokens, mientras que las capas globales gestionan el contexto más amplio. Un codificador de visión SigLIP compartido convierte la información visual en entradas para el modelo de lenguaje. El tokenizador se basa en SentencePiece, con separación de dígitos, conservación de espacios en blanco y codificación a nivel de bytes. Utiliza recuentos de tokens del tokenizador real al planificar una entrada larga y conserva la sangría del código y los identificadores cuando tengan significado.
El informe describe Pan and Scan para imágenes cuya forma o detalle no sobreviven a un simple cambio de tamaño cuadrado. Puede crear vistas adicionales que no se solapan, que después se redimensionan para el codificador de visión. Ese procesamiento tiene sus propias implicaciones de entrada y computación. Para una captura de pantalla con etiquetas pequeñas, identifica la región de interés y proporciona una vista legible en lugar de confiar en una imagen diminuta de toda la pantalla. Para varias imágenes, etiqueta sus funciones y pide una respuesta vinculada a la fuente correcta.
El formato nativo de conversación IT del fabricante utiliza turnos user y model, con límites explícitos entre turnos. No admite un rol system nativo independiente; coloca las instrucciones de rol y formato en la instrucción inicial del usuario. Utiliza el formateador o procesador correspondiente en lugar de tratar el modelo IT como un sistema de continuación de texto sin más. Para un ejemplo de nota de soporte, indica el lector previsto, los hechos que deben conservarse y el tono, y después pide una respuesta breve y cualquier pregunta pendiente. Para extracción visual, define los campos y cómo debe representarse un valor ilegible.
Los usos previstos de Gemma incluyen redacción, resúmenes, asistencia conversacional, extracción de datos de imágenes y exploración educativa. Un flujo acotado con el modelo 4B puede convertir una nota de servicio en una lista de acciones, explicar un diagrama visible o responder a una pregunta sobre un pasaje proporcionado. Pide un resultado fácil de inspeccionar: una explicación vinculada a elementos identificados o un pequeño registro con campos respaldados por la fuente. Cualquier consulta con herramientas o ejecución de código corresponde a la aplicación que lo integra; generar una instrucción con forma de llamada a herramienta es distinto de completar una operación externa.
El fabricante señala limitaciones de la cobertura del entrenamiento, los matices del lenguaje, los errores factuales y la complejidad de tareas abiertas. Google también advierte que un patrón lingüístico plausible puede producir una respuesta que pase por alto una restricción cotidiana del mundo real. Las imágenes pueden perder detalles importantes al redimensionarse, y un contexto largo no convierte una pregunta poco especificada en una pregunta clara. Revisa el resultado frente al material original, valida los campos estructurados solicitados y comprueba de forma independiente los cálculos o el código propuesto. Evalúa el modelo 4B IT exacto con los idiomas y tipos de documentos reales de la tarea. Mantén diferenciados su tamaño, identidad IT y configuración de procesamiento respecto a las variantes Gemma 12B, 27B y más recientes al registrar resultados.
", "aboutText": "Gemma 3 4B IT es la edición de tamaño 4B ajustada para seguir instrucciones de la familia de visión y lenguaje Gemma 3 de Google. IT identifica la versión adaptada para seguir instrucciones del usuario y turnos de conversación, en lugar del modelo preentrenado utilizado como base para entrenamiento posterior. El modelo recibe texto e imágenes y genera texto: una respuesta, un resumen, una explicación, un borrador o código. Su entrada visual permite formular preguntas sobre imágenes y páginas de documentos proporcionadas; la salida no es una imagen recién generada.\n\nLa ficha del modelo asigna a la edición 4B un contexto de 128K tokens compartido por la solicitud y la respuesta generada. La capacidad restante de salida es el contexto total después de restar la entrada, no un presupuesto adicional e independiente de 128K para la salida. Su procesamiento básico de imágenes las normaliza a 896×896 y codifica cada vista en 256 tokens visuales. Para un asistente centrado en una tarea, proporciona la nota o imagen pertinente, una pregunta clara y el resultado breve que deseas. Conserva el texto de origen con la respuesta para poder comprobar un nombre, una fecha o una etiqueta extraídos.\n\nEl material de entrenamiento de la familia abarca texto de la web en más de 140 idiomas, código, matemáticas e imágenes. El fabricante informa de cuatro billones de tokens de preentrenamiento para el modelo 4B. El informe técnico describe destilación durante el preentrenamiento y el ajuste para seguir instrucciones, seguida de entrenamiento posterior basado en aprendizaje por refuerzo para mejorar la utilidad, el razonamiento, el código, las matemáticas y el seguimiento de instrucciones. Son características de entrenamiento de este tamaño y esta familia, no una garantía de que todas las respuestas sean correctas ni de que otro modelo Gemma se comporte de forma idéntica.\n\nLa arquitectura es un transformador solo decodificador con atención de consultas agrupadas, que intercala cinco capas de atención local por cada capa de atención global. La atención local abarca 1.024 tokens, mientras que las capas globales gestionan el contexto más amplio. Un codificador de visión SigLIP compartido convierte la información visual en entradas para el modelo de lenguaje. El tokenizador se basa en SentencePiece, con separación de dígitos, conservación de espacios en blanco y codificación a nivel de bytes. Utiliza recuentos de tokens del tokenizador real al planificar una entrada larga y conserva la sangría del código y los identificadores cuando tengan significado.\n\nEl informe describe Pan and Scan para imágenes cuya forma o detalle no sobreviven a un simple cambio de tamaño cuadrado. Puede crear vistas adicionales que no se solapan, que después se redimensionan para el codificador de visión. Ese procesamiento tiene sus propias implicaciones de entrada y computación. Para una captura de pantalla con etiquetas pequeñas, identifica la región de interés y proporciona una vista legible en lugar de confiar en una imagen diminuta de toda la pantalla. Para varias imágenes, etiqueta sus funciones y pide una respuesta vinculada a la fuente correcta.\n\nEl formato nativo de conversación IT del fabricante utiliza turnos user y model, con límites explícitos entre turnos. No admite un rol system nativo independiente; coloca las instrucciones de rol y formato en la instrucción inicial del usuario. Utiliza el formateador o procesador correspondiente en lugar de tratar el modelo IT como un sistema de continuación de texto sin más. Para un ejemplo de nota de soporte, indica el lector previsto, los hechos que deben conservarse y el tono, y después pide una respuesta breve y cualquier pregunta pendiente. Para extracción visual, define los campos y cómo debe representarse un valor ilegible.\n\nLos usos previstos de Gemma incluyen redacción, resúmenes, asistencia conversacional, extracción de datos de imágenes y exploración educativa. Un flujo acotado con el modelo 4B puede convertir una nota de servicio en una lista de acciones, explicar un diagrama visible o responder a una pregunta sobre un pasaje proporcionado. Pide un resultado fácil de inspeccionar: una explicación vinculada a elementos identificados o un pequeño registro con campos respaldados por la fuente. Cualquier consulta con herramientas o ejecución de código corresponde a la aplicación que lo integra; generar una instrucción con forma de llamada a herramienta es distinto de completar una operación externa.\n\nEl fabricante señala limitaciones de la cobertura del entrenamiento, los matices del lenguaje, los errores factuales y la complejidad de tareas abiertas. Google también advierte que un patrón lingüístico plausible puede producir una respuesta que pase por alto una restricción cotidiana del mundo real. Las imágenes pueden perder detalles importantes al redimensionarse, y un contexto largo no convierte una pregunta poco especificada en una pregunta clara. Revisa el resultado frente al material original, valida los campos estructurados solicitados y comprueba de forma independiente los cálculos o el código propuesto. Evalúa el modelo 4B IT exacto con los idiomas y tipos de documentos reales de la tarea. Mantén diferenciados su tamaño, identidad IT y configuración de procesamiento respecto a las variantes Gemma 12B, 27B y más recientes al registrar resultados.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Explain a seed-growth note\n\nExplain this class note to a ten-year-old: 'Seeds need water and a suitable temperature to germinate. Light requirements differ between species.' Use three short sentences and one question the class could investigate. Preserve the species qualification rather than saying all seeds need light to germinate.A child-friendly three-sentence explanation followed by one investigation question.The explanation must retain the distinction between water, temperature and species-dependent light.google/gemma-3-4b-itGemma 3 4B IT es el modelo de texto e imágenes de tamaño 4B de Google ajustado para seguir instrucciones. Genera texto para preguntas, resúmenes, redacción y análisis visual, con un contexto compartido de 128K y compatibilidad de la familia con más de 140 idiomas.
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 4B IT es la edición de tamaño 4B ajustada para seguir instrucciones de la familia de visión y lenguaje Gemma 3 de Google. IT identifica la versión adaptada para seguir instrucciones del usuario y turnos de conversación, en lugar del modelo preentrenado utilizado como base para entrenamiento posterior. El modelo recibe texto e imágenes y genera texto: una respuesta, un resumen, una explicación, un borrador o código. Su entrada visual permite formular preguntas sobre imágenes y páginas de documentos proporcionadas; la salida no es una imagen recién generada.
La ficha del modelo asigna a la edición 4B un contexto de 128K tokens compartido por la solicitud y la respuesta generada. La capacidad restante de salida es el contexto total después de restar la entrada, no un presupuesto adicional e independiente de 128K para la salida. Su procesamiento básico de imágenes las normaliza a 896×896 y codifica cada vista en 256 tokens visuales. Para un asistente centrado en una tarea, proporciona la nota o imagen pertinente, una pregunta clara y el resultado breve que deseas. Conserva el texto de origen con la respuesta para poder comprobar un nombre, una fecha o una etiqueta extraídos.
El material de entrenamiento de la familia abarca texto de la web en más de 140 idiomas, código, matemáticas e imágenes. El fabricante informa de cuatro billones de tokens de preentrenamiento para el modelo 4B. El informe técnico describe destilación durante el preentrenamiento y el ajuste para seguir instrucciones, seguida de entrenamiento posterior basado en aprendizaje por refuerzo para mejorar la utilidad, el razonamiento, el código, las matemáticas y el seguimiento de instrucciones. Son características de entrenamiento de este tamaño y esta familia, no una garantía de que todas las respuestas sean correctas ni de que otro modelo Gemma se comporte de forma idéntica.
La arquitectura es un transformador solo decodificador con atención de consultas agrupadas, que intercala cinco capas de atención local por cada capa de atención global. La atención local abarca 1.024 tokens, mientras que las capas globales gestionan el contexto más amplio. Un codificador de visión SigLIP compartido convierte la información visual en entradas para el modelo de lenguaje. El tokenizador se basa en SentencePiece, con separación de dígitos, conservación de espacios en blanco y codificación a nivel de bytes. Utiliza recuentos de tokens del tokenizador real al planificar una entrada larga y conserva la sangría del código y los identificadores cuando tengan significado.
El informe describe Pan and Scan para imágenes cuya forma o detalle no sobreviven a un simple cambio de tamaño cuadrado. Puede crear vistas adicionales que no se solapan, que después se redimensionan para el codificador de visión. Ese procesamiento tiene sus propias implicaciones de entrada y computación. Para una captura de pantalla con etiquetas pequeñas, identifica la región de interés y proporciona una vista legible en lugar de confiar en una imagen diminuta de toda la pantalla. Para varias imágenes, etiqueta sus funciones y pide una respuesta vinculada a la fuente correcta.
El formato nativo de conversación IT del fabricante utiliza turnos user y model, con límites explícitos entre turnos. No admite un rol system nativo independiente; coloca las instrucciones de rol y formato en la instrucción inicial del usuario. Utiliza el formateador o procesador correspondiente en lugar de tratar el modelo IT como un sistema de continuación de texto sin más. Para un ejemplo de nota de soporte, indica el lector previsto, los hechos que deben conservarse y el tono, y después pide una respuesta breve y cualquier pregunta pendiente. Para extracción visual, define los campos y cómo debe representarse un valor ilegible.
Los usos previstos de Gemma incluyen redacción, resúmenes, asistencia conversacional, extracción de datos de imágenes y exploración educativa. Un flujo acotado con el modelo 4B puede convertir una nota de servicio en una lista de acciones, explicar un diagrama visible o responder a una pregunta sobre un pasaje proporcionado. Pide un resultado fácil de inspeccionar: una explicación vinculada a elementos identificados o un pequeño registro con campos respaldados por la fuente. Cualquier consulta con herramientas o ejecución de código corresponde a la aplicación que lo integra; generar una instrucción con forma de llamada a herramienta es distinto de completar una operación externa.
El fabricante señala limitaciones de la cobertura del entrenamiento, los matices del lenguaje, los errores factuales y la complejidad de tareas abiertas. Google también advierte que un patrón lingüístico plausible puede producir una respuesta que pase por alto una restricción cotidiana del mundo real. Las imágenes pueden perder detalles importantes al redimensionarse, y un contexto largo no convierte una pregunta poco especificada en una pregunta clara. Revisa el resultado frente al material original, valida los campos estructurados solicitados y comprueba de forma independiente los cálculos o el código propuesto. Evalúa el modelo 4B IT exacto con los idiomas y tipos de documentos reales de la tarea. Mantén diferenciados su tamaño, identidad IT y configuración de procesamiento respecto a las variantes Gemma 12B, 27B y más recientes al registrar resultados.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites google/gemma-3-4b-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 $0.0002 / 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 $0.0002 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-4b-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-3-4b-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-3-4b-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-3-4b-it
Usa las rutas de método indicadas arriba.
google/gemma-3-4b-itGemma 3 4B IT es el modelo de texto e imágenes de tamaño 4B de Google ajustado para seguir instrucciones. Genera texto para preguntas, resúmenes, redacción y análisis visual, con un contexto compartido de 128K y compatibilidad de la familia con más de 140 idiomas.
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 4B IT es la edición de tamaño 4B ajustada para seguir instrucciones de la familia de visión y lenguaje Gemma 3 de Google. IT identifica la versión adaptada para seguir instrucciones del usuario y turnos de conversación, en lugar del modelo preentrenado utilizado como base para entrenamiento posterior. El modelo recibe texto e imágenes y genera texto: una respuesta, un resumen, una explicación, un borrador o código. Su entrada visual permite formular preguntas sobre imágenes y páginas de documentos proporcionadas; la salida no es una imagen recién generada.
La ficha del modelo asigna a la edición 4B un contexto de 128K tokens compartido por la solicitud y la respuesta generada. La capacidad restante de salida es el contexto total después de restar la entrada, no un presupuesto adicional e independiente de 128K para la salida. Su procesamiento básico de imágenes las normaliza a 896×896 y codifica cada vista en 256 tokens visuales. Para un asistente centrado en una tarea, proporciona la nota o imagen pertinente, una pregunta clara y el resultado breve que deseas. Conserva el texto de origen con la respuesta para poder comprobar un nombre, una fecha o una etiqueta extraídos.
El material de entrenamiento de la familia abarca texto de la web en más de 140 idiomas, código, matemáticas e imágenes. El fabricante informa de cuatro billones de tokens de preentrenamiento para el modelo 4B. El informe técnico describe destilación durante el preentrenamiento y el ajuste para seguir instrucciones, seguida de entrenamiento posterior basado en aprendizaje por refuerzo para mejorar la utilidad, el razonamiento, el código, las matemáticas y el seguimiento de instrucciones. Son características de entrenamiento de este tamaño y esta familia, no una garantía de que todas las respuestas sean correctas ni de que otro modelo Gemma se comporte de forma idéntica.
La arquitectura es un transformador solo decodificador con atención de consultas agrupadas, que intercala cinco capas de atención local por cada capa de atención global. La atención local abarca 1.024 tokens, mientras que las capas globales gestionan el contexto más amplio. Un codificador de visión SigLIP compartido convierte la información visual en entradas para el modelo de lenguaje. El tokenizador se basa en SentencePiece, con separación de dígitos, conservación de espacios en blanco y codificación a nivel de bytes. Utiliza recuentos de tokens del tokenizador real al planificar una entrada larga y conserva la sangría del código y los identificadores cuando tengan significado.
El informe describe Pan and Scan para imágenes cuya forma o detalle no sobreviven a un simple cambio de tamaño cuadrado. Puede crear vistas adicionales que no se solapan, que después se redimensionan para el codificador de visión. Ese procesamiento tiene sus propias implicaciones de entrada y computación. Para una captura de pantalla con etiquetas pequeñas, identifica la región de interés y proporciona una vista legible en lugar de confiar en una imagen diminuta de toda la pantalla. Para varias imágenes, etiqueta sus funciones y pide una respuesta vinculada a la fuente correcta.
El formato nativo de conversación IT del fabricante utiliza turnos user y model, con límites explícitos entre turnos. No admite un rol system nativo independiente; coloca las instrucciones de rol y formato en la instrucción inicial del usuario. Utiliza el formateador o procesador correspondiente en lugar de tratar el modelo IT como un sistema de continuación de texto sin más. Para un ejemplo de nota de soporte, indica el lector previsto, los hechos que deben conservarse y el tono, y después pide una respuesta breve y cualquier pregunta pendiente. Para extracción visual, define los campos y cómo debe representarse un valor ilegible.
Los usos previstos de Gemma incluyen redacción, resúmenes, asistencia conversacional, extracción de datos de imágenes y exploración educativa. Un flujo acotado con el modelo 4B puede convertir una nota de servicio en una lista de acciones, explicar un diagrama visible o responder a una pregunta sobre un pasaje proporcionado. Pide un resultado fácil de inspeccionar: una explicación vinculada a elementos identificados o un pequeño registro con campos respaldados por la fuente. Cualquier consulta con herramientas o ejecución de código corresponde a la aplicación que lo integra; generar una instrucción con forma de llamada a herramienta es distinto de completar una operación externa.
El fabricante señala limitaciones de la cobertura del entrenamiento, los matices del lenguaje, los errores factuales y la complejidad de tareas abiertas. Google también advierte que un patrón lingüístico plausible puede producir una respuesta que pase por alto una restricción cotidiana del mundo real. Las imágenes pueden perder detalles importantes al redimensionarse, y un contexto largo no convierte una pregunta poco especificada en una pregunta clara. Revisa el resultado frente al material original, valida los campos estructurados solicitados y comprueba de forma independiente los cálculos o el código propuesto. Evalúa el modelo 4B IT exacto con los idiomas y tipos de documentos reales de la tarea. Mantén diferenciados su tamaño, identidad IT y configuración de procesamiento respecto a las variantes Gemma 12B, 27B y más recientes al registrar resultados.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites google/gemma-3-4b-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 $0.0002 / 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 $0.0002 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "google/gemma-3-4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-4b-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-3-4b-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-3-4b-it
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Explain a seed-growth note\n\nExplain this class note to a ten-year-old: 'Seeds need water and a suitable temperature to germinate. Light requirements differ between species.' Use three short sentences and one question the class could investigate. Preserve the species qualification rather than saying all seeds need light to germinate.A child-friendly three-sentence explanation followed by one investigation question.The explanation must retain the distinction between water, temperature and species-dependent light.