Llama 4 Maverick Instruct es el modelo nativamente multimodal de Meta para conversación de tipo asistente y razonamiento visual. Recibe texto multilingüe e imágenes y genera texto multilingüe o código. Su arquitectura de mezcla de expertos utiliza fusión temprana y combina la información visual y textual dentro del modelo, en lugar de tratar la imagen como una descripción sin relación aportada por un asistente textual independiente.
Información del modelo y contexto
El fabricante indica 128 expertos, 17 mil millones de parámetros activos y 400 mil millones de parámetros totales para Maverick. Son distintos de la configuración de Scout de 16 expertos y 109B totales, aunque ambos lleven la etiqueta de tamaño activo 17B. El nombre Instruct identifica el checkpoint orientado a asistentes, en lugar del modelo Maverick preentrenado.
La ficha del modelo documenta una ventana de contexto de 1M para Maverick. Utiliza el contexto para conservar juntos los pasajes pertinentes, las imágenes, la conversación y la respuesta solicitada. Una colección amplia de fuentes sigue necesitando una pregunta y un producto definidos. Etiqueta los documentos e imágenes de origen y pide la ubicación que respalda cada hallazgo extraído en lugar de solicitar un resumen sin dirección de todo el material.
Los idiomas admitidos son árabe, inglés, francés, alemán, hindi, indonesio, italiano, portugués, español, tagalo, tailandés y vietnamita. El fabricante distingue estos doce idiomas admitidos del conjunto más amplio de unos doscientos idiomas utilizados en el preentrenamiento. La presencia de un idioma en el entrenamiento no debe convertirse en una promesa de capacidades iguales para todos los idiomas.
Tareas de chat, visión y código
Los usos visuales previstos de la ficha incluyen reconocimiento, razonamiento sobre imágenes, descripción de imágenes y respuesta a preguntas generales sobre una imagen. Para una fotografía, pide al modelo que identifique los objetos o la relación pertinentes para la tarea. Para un gráfico, solicita una comparación entre series identificadas, conservando los ejes y las unidades. Para un diagrama, pregunta qué conexión etiquetada respalda un requisito aportado.
Para una comparación de múltiples imágenes, identifica la función de cada imagen y pide los mismos criterios para todas ellas. Por ejemplo, aporta un diseño original y una revisión y solicita después las coincidencias visibles, las diferencias y los detalles que las imágenes no establecen. Mantén las observaciones separadas de las conclusiones que dependan del texto adjunto. Esto facilita examinar la salida con la fuente real.
El fabricante informa de pruebas de comprensión de imágenes con hasta cinco imágenes de entrada. Ese es el ámbito de pruebas documentado, no un máximo estricto e incondicional del número de imágenes. Conserva el detalle necesario para la pregunta y el orden de las imágenes. Añadir un gran número de imágenes sin relación no define por sí mismo qué se debe comparar.
Para una tarea de programación, proporciona el requisito, las fuentes pertinentes y el comportamiento esperado. Pide la implementación propuesta por separado de sus supuestos y ejemplos. Una captura de pantalla puede aportar requisitos visuales, mientras que la condición textual aporta el comportamiento que la captura no puede mostrar. El código generado es un producto textual; ejecutarlo, examinar una interfaz renderizada o aplicarlo a un repositorio requiere el entorno conectado.
Preparación de la conversación y entrenamiento
La ficha del modelo demuestra el procesador y la plantilla de chat correspondientes con dos imágenes y una pregunta comparativa escrita. Mantén explícitos los roles de conversación y la asociación entre imagen y texto. Una instrucción de sistema puede definir el público, el tono y la estructura de respuesta, mientras que el mensaje del usuario aporta la tarea real y las pruebas. El fabricante describe mejoras del entrenamiento posterior en la capacidad de seguir el prompt de sistema y en el formato conversacional.
Maverick se preentrena con aproximadamente 22 billones de tokens de datos multimodales, con un corte declarado de los datos de preentrenamiento en agosto de 2024. Es un límite estático de datos de entrenamiento, no acceso en directo a información actual. Cuando una pregunta dependa de material más reciente o privado, proporciona ese material como contexto de origen o mediante una operación de recuperación conectada por separado.
La versión incluye pesos BF16 y pesos FP8 cuantizados por separado. Esas opciones de precisión no crean otra modalidad de entrada ni conceden a Maverick el contexto de 10M de Scout. Conserva el checkpoint Instruct exacto y su configuración al comparar una tarea repetida o un despliegue derivado.
Diseño práctico del resultado
Una tarea sobre imágenes de documentos puede pedir como campos separados el identificador de origen, la afirmación visible, el valor extraído y la interpretación. Una explicación conversacional puede conservar los términos originales y adaptar la prosa al idioma admitido del lector. Una solicitud de programación puede devolver el fragmento revisado y ejemplos que distingan su comportamiento previsto.
Define cómo se utilizará el resultado final antes de aportar el material. Una descripción breve, una tabla comparativa y un programa propuesto resuelven tareas diferentes aunque compartan las mismas imágenes. Las capacidades visuales y lingüísticas del modelo aportan la interpretación y el texto; la recuperación externa, la ejecución o la producción de archivos proceden de componentes de la aplicación.
Límites específicos
Las entradas documentadas aquí son texto e imágenes, con salida de texto y código. La comprensión de audio o vídeo, la generación de voz y los controles de esfuerzo de razonamiento identificados por nombre de Muse Spark no se deben asignar a esta edición Maverick. Llama Guard también es un clasificador entrenado por separado, no una salida automática de clasificación de una respuesta de Maverick.
El ejemplo de generación de 256 tokens de la ficha es un ajuste ilustrativo y las fuentes consultadas no establecen un máximo estricto separado de tokens de salida más allá de la especificación de contexto del modelo. Mantén explícitas la identidad Maverick, el ámbito de idiomas admitidos y el resultado final vinculado a fuentes, en lugar de tomar prestados límites o modos de otra versión de Llama.
", "aboutText": "Llama 4 Maverick Instruct es el modelo nativamente multimodal de Meta para conversación de tipo asistente y razonamiento visual. Recibe texto multilingüe e imágenes y genera texto multilingüe o código. Su arquitectura de mezcla de expertos utiliza fusión temprana y combina la información visual y textual dentro del modelo, en lugar de tratar la imagen como una descripción sin relación aportada por un asistente textual independiente.\n\nInformación del modelo y contexto\n\nEl fabricante indica 128 expertos, 17 mil millones de parámetros activos y 400 mil millones de parámetros totales para Maverick. Son distintos de la configuración de Scout de 16 expertos y 109B totales, aunque ambos lleven la etiqueta de tamaño activo 17B. El nombre Instruct identifica el checkpoint orientado a asistentes, en lugar del modelo Maverick preentrenado.\n\nLa ficha del modelo documenta una ventana de contexto de 1M para Maverick. Utiliza el contexto para conservar juntos los pasajes pertinentes, las imágenes, la conversación y la respuesta solicitada. Una colección amplia de fuentes sigue necesitando una pregunta y un producto definidos. Etiqueta los documentos e imágenes de origen y pide la ubicación que respalda cada hallazgo extraído en lugar de solicitar un resumen sin dirección de todo el material.\n\nLos idiomas admitidos son árabe, inglés, francés, alemán, hindi, indonesio, italiano, portugués, español, tagalo, tailandés y vietnamita. El fabricante distingue estos doce idiomas admitidos del conjunto más amplio de unos doscientos idiomas utilizados en el preentrenamiento. La presencia de un idioma en el entrenamiento no debe convertirse en una promesa de capacidades iguales para todos los idiomas.\n\nTareas de chat, visión y código\n\nLos usos visuales previstos de la ficha incluyen reconocimiento, razonamiento sobre imágenes, descripción de imágenes y respuesta a preguntas generales sobre una imagen. Para una fotografía, pide al modelo que identifique los objetos o la relación pertinentes para la tarea. Para un gráfico, solicita una comparación entre series identificadas, conservando los ejes y las unidades. Para un diagrama, pregunta qué conexión etiquetada respalda un requisito aportado.\n\nPara una comparación de múltiples imágenes, identifica la función de cada imagen y pide los mismos criterios para todas ellas. Por ejemplo, aporta un diseño original y una revisión y solicita después las coincidencias visibles, las diferencias y los detalles que las imágenes no establecen. Mantén las observaciones separadas de las conclusiones que dependan del texto adjunto. Esto facilita examinar la salida con la fuente real.\n\nEl fabricante informa de pruebas de comprensión de imágenes con hasta cinco imágenes de entrada. Ese es el ámbito de pruebas documentado, no un máximo estricto e incondicional del número de imágenes. Conserva el detalle necesario para la pregunta y el orden de las imágenes. Añadir un gran número de imágenes sin relación no define por sí mismo qué se debe comparar.\n\nPara una tarea de programación, proporciona el requisito, las fuentes pertinentes y el comportamiento esperado. Pide la implementación propuesta por separado de sus supuestos y ejemplos. Una captura de pantalla puede aportar requisitos visuales, mientras que la condición textual aporta el comportamiento que la captura no puede mostrar. El código generado es un producto textual; ejecutarlo, examinar una interfaz renderizada o aplicarlo a un repositorio requiere el entorno conectado.\n\nPreparación de la conversación y entrenamiento\n\nLa ficha del modelo demuestra el procesador y la plantilla de chat correspondientes con dos imágenes y una pregunta comparativa escrita. Mantén explícitos los roles de conversación y la asociación entre imagen y texto. Una instrucción de sistema puede definir el público, el tono y la estructura de respuesta, mientras que el mensaje del usuario aporta la tarea real y las pruebas. El fabricante describe mejoras del entrenamiento posterior en la capacidad de seguir el prompt de sistema y en el formato conversacional.\n\nMaverick se preentrena con aproximadamente 22 billones de tokens de datos multimodales, con un corte declarado de los datos de preentrenamiento en agosto de 2024. Es un límite estático de datos de entrenamiento, no acceso en directo a información actual. Cuando una pregunta dependa de material más reciente o privado, proporciona ese material como contexto de origen o mediante una operación de recuperación conectada por separado.\n\nLa versión incluye pesos BF16 y pesos FP8 cuantizados por separado. Esas opciones de precisión no crean otra modalidad de entrada ni conceden a Maverick el contexto de 10M de Scout. Conserva el checkpoint Instruct exacto y su configuración al comparar una tarea repetida o un despliegue derivado.\n\nDiseño práctico del resultado\n\nUna tarea sobre imágenes de documentos puede pedir como campos separados el identificador de origen, la afirmación visible, el valor extraído y la interpretación. Una explicación conversacional puede conservar los términos originales y adaptar la prosa al idioma admitido del lector. Una solicitud de programación puede devolver el fragmento revisado y ejemplos que distingan su comportamiento previsto.\n\nDefine cómo se utilizará el resultado final antes de aportar el material. Una descripción breve, una tabla comparativa y un programa propuesto resuelven tareas diferentes aunque compartan las mismas imágenes. Las capacidades visuales y lingüísticas del modelo aportan la interpretación y el texto; la recuperación externa, la ejecución o la producción de archivos proceden de componentes de la aplicación.\n\nLímites específicos\n\nLas entradas documentadas aquí son texto e imágenes, con salida de texto y código. La comprensión de audio o vídeo, la generación de voz y los controles de esfuerzo de razonamiento identificados por nombre de Muse Spark no se deben asignar a esta edición Maverick. Llama Guard también es un clasificador entrenado por separado, no una salida automática de clasificación de una respuesta de Maverick.\n\nEl ejemplo de generación de 256 tokens de la ficha es un ajuste ilustrativo y las fuentes consultadas no establecen un máximo estricto separado de tokens de salida más allá de la especificación de contexto del modelo. Mantén explícitas la identidad Maverick, el ámbito de idiomas admitidos y el resultado final vinculado a fuentes, en lugar de tomar prestados límites o modos de otra versión de Llama.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick es el modelo Instruct nativo de texto e imágenes de Meta con 128 expertos, 17B de parámetros activos y 400B totales. Su fabricante documenta un contexto de 1M, salida multilingüe de texto y código, reconocimiento visual, descripción de imágenes y preguntas sobre imágenes en una versión distinta de Scout.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama 4 Maverick Instruct es el modelo nativamente multimodal de Meta para conversación de tipo asistente y razonamiento visual. Recibe texto multilingüe e imágenes y genera texto multilingüe o código. Su arquitectura de mezcla de expertos utiliza fusión temprana y combina la información visual y textual dentro del modelo, en lugar de tratar la imagen como una descripción sin relación aportada por un asistente textual independiente.
Información del modelo y contexto
El fabricante indica 128 expertos, 17 mil millones de parámetros activos y 400 mil millones de parámetros totales para Maverick. Son distintos de la configuración de Scout de 16 expertos y 109B totales, aunque ambos lleven la etiqueta de tamaño activo 17B. El nombre Instruct identifica el checkpoint orientado a asistentes, en lugar del modelo Maverick preentrenado.
La ficha del modelo documenta una ventana de contexto de 1M para Maverick. Utiliza el contexto para conservar juntos los pasajes pertinentes, las imágenes, la conversación y la respuesta solicitada. Una colección amplia de fuentes sigue necesitando una pregunta y un producto definidos. Etiqueta los documentos e imágenes de origen y pide la ubicación que respalda cada hallazgo extraído en lugar de solicitar un resumen sin dirección de todo el material.
Los idiomas admitidos son árabe, inglés, francés, alemán, hindi, indonesio, italiano, portugués, español, tagalo, tailandés y vietnamita. El fabricante distingue estos doce idiomas admitidos del conjunto más amplio de unos doscientos idiomas utilizados en el preentrenamiento. La presencia de un idioma en el entrenamiento no debe convertirse en una promesa de capacidades iguales para todos los idiomas.
Tareas de chat, visión y código
Los usos visuales previstos de la ficha incluyen reconocimiento, razonamiento sobre imágenes, descripción de imágenes y respuesta a preguntas generales sobre una imagen. Para una fotografía, pide al modelo que identifique los objetos o la relación pertinentes para la tarea. Para un gráfico, solicita una comparación entre series identificadas, conservando los ejes y las unidades. Para un diagrama, pregunta qué conexión etiquetada respalda un requisito aportado.
Para una comparación de múltiples imágenes, identifica la función de cada imagen y pide los mismos criterios para todas ellas. Por ejemplo, aporta un diseño original y una revisión y solicita después las coincidencias visibles, las diferencias y los detalles que las imágenes no establecen. Mantén las observaciones separadas de las conclusiones que dependan del texto adjunto. Esto facilita examinar la salida con la fuente real.
El fabricante informa de pruebas de comprensión de imágenes con hasta cinco imágenes de entrada. Ese es el ámbito de pruebas documentado, no un máximo estricto e incondicional del número de imágenes. Conserva el detalle necesario para la pregunta y el orden de las imágenes. Añadir un gran número de imágenes sin relación no define por sí mismo qué se debe comparar.
Para una tarea de programación, proporciona el requisito, las fuentes pertinentes y el comportamiento esperado. Pide la implementación propuesta por separado de sus supuestos y ejemplos. Una captura de pantalla puede aportar requisitos visuales, mientras que la condición textual aporta el comportamiento que la captura no puede mostrar. El código generado es un producto textual; ejecutarlo, examinar una interfaz renderizada o aplicarlo a un repositorio requiere el entorno conectado.
Preparación de la conversación y entrenamiento
La ficha del modelo demuestra el procesador y la plantilla de chat correspondientes con dos imágenes y una pregunta comparativa escrita. Mantén explícitos los roles de conversación y la asociación entre imagen y texto. Una instrucción de sistema puede definir el público, el tono y la estructura de respuesta, mientras que el mensaje del usuario aporta la tarea real y las pruebas. El fabricante describe mejoras del entrenamiento posterior en la capacidad de seguir el prompt de sistema y en el formato conversacional.
Maverick se preentrena con aproximadamente 22 billones de tokens de datos multimodales, con un corte declarado de los datos de preentrenamiento en agosto de 2024. Es un límite estático de datos de entrenamiento, no acceso en directo a información actual. Cuando una pregunta dependa de material más reciente o privado, proporciona ese material como contexto de origen o mediante una operación de recuperación conectada por separado.
La versión incluye pesos BF16 y pesos FP8 cuantizados por separado. Esas opciones de precisión no crean otra modalidad de entrada ni conceden a Maverick el contexto de 10M de Scout. Conserva el checkpoint Instruct exacto y su configuración al comparar una tarea repetida o un despliegue derivado.
Diseño práctico del resultado
Una tarea sobre imágenes de documentos puede pedir como campos separados el identificador de origen, la afirmación visible, el valor extraído y la interpretación. Una explicación conversacional puede conservar los términos originales y adaptar la prosa al idioma admitido del lector. Una solicitud de programación puede devolver el fragmento revisado y ejemplos que distingan su comportamiento previsto.
Define cómo se utilizará el resultado final antes de aportar el material. Una descripción breve, una tabla comparativa y un programa propuesto resuelven tareas diferentes aunque compartan las mismas imágenes. Las capacidades visuales y lingüísticas del modelo aportan la interpretación y el texto; la recuperación externa, la ejecución o la producción de archivos proceden de componentes de la aplicación.
Límites específicos
Las entradas documentadas aquí son texto e imágenes, con salida de texto y código. La comprensión de audio o vídeo, la generación de voz y los controles de esfuerzo de razonamiento identificados por nombre de Muse Spark no se deben asignar a esta edición Maverick. Llama Guard también es un clasificador entrenado por separado, no una salida automática de clasificación de una respuesta de Maverick.
El ejemplo de generación de 256 tokens de la ficha es un ajuste ilustrativo y las fuentes consultadas no establecen un máximo estricto separado de tokens de salida más allá de la especificación de contexto del modelo. Mantén explícitas la identidad Maverick, el ámbito de idiomas admitidos y el resultado final vinculado a fuentes, en lugar de tomar prestados límites o modos de otra versión de Llama.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites llama-4-maverick | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
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 |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
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 $0.000375 / 1K tokens Salida · Tokens de salida $0.001305 / 1K tokens Entrada · Lectura de caché $0.0001 / 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 $0.000375 / 1K tokens Salida · Tokens de salida $0.001305 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick es el modelo Instruct nativo de texto e imágenes de Meta con 128 expertos, 17B de parámetros activos y 400B totales. Su fabricante documenta un contexto de 1M, salida multilingüe de texto y código, reconocimiento visual, descripción de imágenes y preguntas sobre imágenes en una versión distinta de Scout.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama 4 Maverick Instruct es el modelo nativamente multimodal de Meta para conversación de tipo asistente y razonamiento visual. Recibe texto multilingüe e imágenes y genera texto multilingüe o código. Su arquitectura de mezcla de expertos utiliza fusión temprana y combina la información visual y textual dentro del modelo, en lugar de tratar la imagen como una descripción sin relación aportada por un asistente textual independiente.
Información del modelo y contexto
El fabricante indica 128 expertos, 17 mil millones de parámetros activos y 400 mil millones de parámetros totales para Maverick. Son distintos de la configuración de Scout de 16 expertos y 109B totales, aunque ambos lleven la etiqueta de tamaño activo 17B. El nombre Instruct identifica el checkpoint orientado a asistentes, en lugar del modelo Maverick preentrenado.
La ficha del modelo documenta una ventana de contexto de 1M para Maverick. Utiliza el contexto para conservar juntos los pasajes pertinentes, las imágenes, la conversación y la respuesta solicitada. Una colección amplia de fuentes sigue necesitando una pregunta y un producto definidos. Etiqueta los documentos e imágenes de origen y pide la ubicación que respalda cada hallazgo extraído en lugar de solicitar un resumen sin dirección de todo el material.
Los idiomas admitidos son árabe, inglés, francés, alemán, hindi, indonesio, italiano, portugués, español, tagalo, tailandés y vietnamita. El fabricante distingue estos doce idiomas admitidos del conjunto más amplio de unos doscientos idiomas utilizados en el preentrenamiento. La presencia de un idioma en el entrenamiento no debe convertirse en una promesa de capacidades iguales para todos los idiomas.
Tareas de chat, visión y código
Los usos visuales previstos de la ficha incluyen reconocimiento, razonamiento sobre imágenes, descripción de imágenes y respuesta a preguntas generales sobre una imagen. Para una fotografía, pide al modelo que identifique los objetos o la relación pertinentes para la tarea. Para un gráfico, solicita una comparación entre series identificadas, conservando los ejes y las unidades. Para un diagrama, pregunta qué conexión etiquetada respalda un requisito aportado.
Para una comparación de múltiples imágenes, identifica la función de cada imagen y pide los mismos criterios para todas ellas. Por ejemplo, aporta un diseño original y una revisión y solicita después las coincidencias visibles, las diferencias y los detalles que las imágenes no establecen. Mantén las observaciones separadas de las conclusiones que dependan del texto adjunto. Esto facilita examinar la salida con la fuente real.
El fabricante informa de pruebas de comprensión de imágenes con hasta cinco imágenes de entrada. Ese es el ámbito de pruebas documentado, no un máximo estricto e incondicional del número de imágenes. Conserva el detalle necesario para la pregunta y el orden de las imágenes. Añadir un gran número de imágenes sin relación no define por sí mismo qué se debe comparar.
Para una tarea de programación, proporciona el requisito, las fuentes pertinentes y el comportamiento esperado. Pide la implementación propuesta por separado de sus supuestos y ejemplos. Una captura de pantalla puede aportar requisitos visuales, mientras que la condición textual aporta el comportamiento que la captura no puede mostrar. El código generado es un producto textual; ejecutarlo, examinar una interfaz renderizada o aplicarlo a un repositorio requiere el entorno conectado.
Preparación de la conversación y entrenamiento
La ficha del modelo demuestra el procesador y la plantilla de chat correspondientes con dos imágenes y una pregunta comparativa escrita. Mantén explícitos los roles de conversación y la asociación entre imagen y texto. Una instrucción de sistema puede definir el público, el tono y la estructura de respuesta, mientras que el mensaje del usuario aporta la tarea real y las pruebas. El fabricante describe mejoras del entrenamiento posterior en la capacidad de seguir el prompt de sistema y en el formato conversacional.
Maverick se preentrena con aproximadamente 22 billones de tokens de datos multimodales, con un corte declarado de los datos de preentrenamiento en agosto de 2024. Es un límite estático de datos de entrenamiento, no acceso en directo a información actual. Cuando una pregunta dependa de material más reciente o privado, proporciona ese material como contexto de origen o mediante una operación de recuperación conectada por separado.
La versión incluye pesos BF16 y pesos FP8 cuantizados por separado. Esas opciones de precisión no crean otra modalidad de entrada ni conceden a Maverick el contexto de 10M de Scout. Conserva el checkpoint Instruct exacto y su configuración al comparar una tarea repetida o un despliegue derivado.
Diseño práctico del resultado
Una tarea sobre imágenes de documentos puede pedir como campos separados el identificador de origen, la afirmación visible, el valor extraído y la interpretación. Una explicación conversacional puede conservar los términos originales y adaptar la prosa al idioma admitido del lector. Una solicitud de programación puede devolver el fragmento revisado y ejemplos que distingan su comportamiento previsto.
Define cómo se utilizará el resultado final antes de aportar el material. Una descripción breve, una tabla comparativa y un programa propuesto resuelven tareas diferentes aunque compartan las mismas imágenes. Las capacidades visuales y lingüísticas del modelo aportan la interpretación y el texto; la recuperación externa, la ejecución o la producción de archivos proceden de componentes de la aplicación.
Límites específicos
Las entradas documentadas aquí son texto e imágenes, con salida de texto y código. La comprensión de audio o vídeo, la generación de voz y los controles de esfuerzo de razonamiento identificados por nombre de Muse Spark no se deben asignar a esta edición Maverick. Llama Guard también es un clasificador entrenado por separado, no una salida automática de clasificación de una respuesta de Maverick.
El ejemplo de generación de 256 tokens de la ficha es un ajuste ilustrativo y las fuentes consultadas no establecen un máximo estricto separado de tokens de salida más allá de la especificación de contexto del modelo. Mantén explícitas la identidad Maverick, el ámbito de idiomas admitidos y el resultado final vinculado a fuentes, en lugar de tomar prestados límites o modos de otra versión de Llama.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites llama-4-maverick | 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 $0.000375 / 1K tokens Salida · Tokens de salida $0.001305 / 1K tokens Entrada · Lectura de caché $0.0001 / 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 $0.000375 / 1K tokens Salida · Tokens de salida $0.001305 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick es el modelo Instruct nativo de texto e imágenes de Meta con 128 expertos, 17B de parámetros activos y 400B totales. Su fabricante documenta un contexto de 1M, salida multilingüe de texto y código, reconocimiento visual, descripción de imágenes y preguntas sobre imágenes en una versión distinta de Scout.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama 4 Maverick Instruct es el modelo nativamente multimodal de Meta para conversación de tipo asistente y razonamiento visual. Recibe texto multilingüe e imágenes y genera texto multilingüe o código. Su arquitectura de mezcla de expertos utiliza fusión temprana y combina la información visual y textual dentro del modelo, en lugar de tratar la imagen como una descripción sin relación aportada por un asistente textual independiente.
Información del modelo y contexto
El fabricante indica 128 expertos, 17 mil millones de parámetros activos y 400 mil millones de parámetros totales para Maverick. Son distintos de la configuración de Scout de 16 expertos y 109B totales, aunque ambos lleven la etiqueta de tamaño activo 17B. El nombre Instruct identifica el checkpoint orientado a asistentes, en lugar del modelo Maverick preentrenado.
La ficha del modelo documenta una ventana de contexto de 1M para Maverick. Utiliza el contexto para conservar juntos los pasajes pertinentes, las imágenes, la conversación y la respuesta solicitada. Una colección amplia de fuentes sigue necesitando una pregunta y un producto definidos. Etiqueta los documentos e imágenes de origen y pide la ubicación que respalda cada hallazgo extraído en lugar de solicitar un resumen sin dirección de todo el material.
Los idiomas admitidos son árabe, inglés, francés, alemán, hindi, indonesio, italiano, portugués, español, tagalo, tailandés y vietnamita. El fabricante distingue estos doce idiomas admitidos del conjunto más amplio de unos doscientos idiomas utilizados en el preentrenamiento. La presencia de un idioma en el entrenamiento no debe convertirse en una promesa de capacidades iguales para todos los idiomas.
Tareas de chat, visión y código
Los usos visuales previstos de la ficha incluyen reconocimiento, razonamiento sobre imágenes, descripción de imágenes y respuesta a preguntas generales sobre una imagen. Para una fotografía, pide al modelo que identifique los objetos o la relación pertinentes para la tarea. Para un gráfico, solicita una comparación entre series identificadas, conservando los ejes y las unidades. Para un diagrama, pregunta qué conexión etiquetada respalda un requisito aportado.
Para una comparación de múltiples imágenes, identifica la función de cada imagen y pide los mismos criterios para todas ellas. Por ejemplo, aporta un diseño original y una revisión y solicita después las coincidencias visibles, las diferencias y los detalles que las imágenes no establecen. Mantén las observaciones separadas de las conclusiones que dependan del texto adjunto. Esto facilita examinar la salida con la fuente real.
El fabricante informa de pruebas de comprensión de imágenes con hasta cinco imágenes de entrada. Ese es el ámbito de pruebas documentado, no un máximo estricto e incondicional del número de imágenes. Conserva el detalle necesario para la pregunta y el orden de las imágenes. Añadir un gran número de imágenes sin relación no define por sí mismo qué se debe comparar.
Para una tarea de programación, proporciona el requisito, las fuentes pertinentes y el comportamiento esperado. Pide la implementación propuesta por separado de sus supuestos y ejemplos. Una captura de pantalla puede aportar requisitos visuales, mientras que la condición textual aporta el comportamiento que la captura no puede mostrar. El código generado es un producto textual; ejecutarlo, examinar una interfaz renderizada o aplicarlo a un repositorio requiere el entorno conectado.
Preparación de la conversación y entrenamiento
La ficha del modelo demuestra el procesador y la plantilla de chat correspondientes con dos imágenes y una pregunta comparativa escrita. Mantén explícitos los roles de conversación y la asociación entre imagen y texto. Una instrucción de sistema puede definir el público, el tono y la estructura de respuesta, mientras que el mensaje del usuario aporta la tarea real y las pruebas. El fabricante describe mejoras del entrenamiento posterior en la capacidad de seguir el prompt de sistema y en el formato conversacional.
Maverick se preentrena con aproximadamente 22 billones de tokens de datos multimodales, con un corte declarado de los datos de preentrenamiento en agosto de 2024. Es un límite estático de datos de entrenamiento, no acceso en directo a información actual. Cuando una pregunta dependa de material más reciente o privado, proporciona ese material como contexto de origen o mediante una operación de recuperación conectada por separado.
La versión incluye pesos BF16 y pesos FP8 cuantizados por separado. Esas opciones de precisión no crean otra modalidad de entrada ni conceden a Maverick el contexto de 10M de Scout. Conserva el checkpoint Instruct exacto y su configuración al comparar una tarea repetida o un despliegue derivado.
Diseño práctico del resultado
Una tarea sobre imágenes de documentos puede pedir como campos separados el identificador de origen, la afirmación visible, el valor extraído y la interpretación. Una explicación conversacional puede conservar los términos originales y adaptar la prosa al idioma admitido del lector. Una solicitud de programación puede devolver el fragmento revisado y ejemplos que distingan su comportamiento previsto.
Define cómo se utilizará el resultado final antes de aportar el material. Una descripción breve, una tabla comparativa y un programa propuesto resuelven tareas diferentes aunque compartan las mismas imágenes. Las capacidades visuales y lingüísticas del modelo aportan la interpretación y el texto; la recuperación externa, la ejecución o la producción de archivos proceden de componentes de la aplicación.
Límites específicos
Las entradas documentadas aquí son texto e imágenes, con salida de texto y código. La comprensión de audio o vídeo, la generación de voz y los controles de esfuerzo de razonamiento identificados por nombre de Muse Spark no se deben asignar a esta edición Maverick. Llama Guard también es un clasificador entrenado por separado, no una salida automática de clasificación de una respuesta de Maverick.
El ejemplo de generación de 256 tokens de la ficha es un ajuste ilustrativo y las fuentes consultadas no establecen un máximo estricto separado de tokens de salida más allá de la especificación de contexto del modelo. Mantén explícitas la identidad Maverick, el ámbito de idiomas admitidos y el resultado final vinculado a fuentes, en lugar de tomar prestados límites o modos de otra versión de Llama.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokens Salida · Tokens de salida $0.001305 / 1K tokens Entrada · Lectura de caché $0.0001 / 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 $0.000375 / 1K tokens Salida · Tokens de salida $0.001305 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick es el modelo Instruct nativo de texto e imágenes de Meta con 128 expertos, 17B de parámetros activos y 400B totales. Su fabricante documenta un contexto de 1M, salida multilingüe de texto y código, reconocimiento visual, descripción de imágenes y preguntas sobre imágenes en una versión distinta de Scout.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Llama 4 Maverick Instruct es el modelo nativamente multimodal de Meta para conversación de tipo asistente y razonamiento visual. Recibe texto multilingüe e imágenes y genera texto multilingüe o código. Su arquitectura de mezcla de expertos utiliza fusión temprana y combina la información visual y textual dentro del modelo, en lugar de tratar la imagen como una descripción sin relación aportada por un asistente textual independiente.
Información del modelo y contexto
El fabricante indica 128 expertos, 17 mil millones de parámetros activos y 400 mil millones de parámetros totales para Maverick. Son distintos de la configuración de Scout de 16 expertos y 109B totales, aunque ambos lleven la etiqueta de tamaño activo 17B. El nombre Instruct identifica el checkpoint orientado a asistentes, en lugar del modelo Maverick preentrenado.
La ficha del modelo documenta una ventana de contexto de 1M para Maverick. Utiliza el contexto para conservar juntos los pasajes pertinentes, las imágenes, la conversación y la respuesta solicitada. Una colección amplia de fuentes sigue necesitando una pregunta y un producto definidos. Etiqueta los documentos e imágenes de origen y pide la ubicación que respalda cada hallazgo extraído en lugar de solicitar un resumen sin dirección de todo el material.
Los idiomas admitidos son árabe, inglés, francés, alemán, hindi, indonesio, italiano, portugués, español, tagalo, tailandés y vietnamita. El fabricante distingue estos doce idiomas admitidos del conjunto más amplio de unos doscientos idiomas utilizados en el preentrenamiento. La presencia de un idioma en el entrenamiento no debe convertirse en una promesa de capacidades iguales para todos los idiomas.
Tareas de chat, visión y código
Los usos visuales previstos de la ficha incluyen reconocimiento, razonamiento sobre imágenes, descripción de imágenes y respuesta a preguntas generales sobre una imagen. Para una fotografía, pide al modelo que identifique los objetos o la relación pertinentes para la tarea. Para un gráfico, solicita una comparación entre series identificadas, conservando los ejes y las unidades. Para un diagrama, pregunta qué conexión etiquetada respalda un requisito aportado.
Para una comparación de múltiples imágenes, identifica la función de cada imagen y pide los mismos criterios para todas ellas. Por ejemplo, aporta un diseño original y una revisión y solicita después las coincidencias visibles, las diferencias y los detalles que las imágenes no establecen. Mantén las observaciones separadas de las conclusiones que dependan del texto adjunto. Esto facilita examinar la salida con la fuente real.
El fabricante informa de pruebas de comprensión de imágenes con hasta cinco imágenes de entrada. Ese es el ámbito de pruebas documentado, no un máximo estricto e incondicional del número de imágenes. Conserva el detalle necesario para la pregunta y el orden de las imágenes. Añadir un gran número de imágenes sin relación no define por sí mismo qué se debe comparar.
Para una tarea de programación, proporciona el requisito, las fuentes pertinentes y el comportamiento esperado. Pide la implementación propuesta por separado de sus supuestos y ejemplos. Una captura de pantalla puede aportar requisitos visuales, mientras que la condición textual aporta el comportamiento que la captura no puede mostrar. El código generado es un producto textual; ejecutarlo, examinar una interfaz renderizada o aplicarlo a un repositorio requiere el entorno conectado.
Preparación de la conversación y entrenamiento
La ficha del modelo demuestra el procesador y la plantilla de chat correspondientes con dos imágenes y una pregunta comparativa escrita. Mantén explícitos los roles de conversación y la asociación entre imagen y texto. Una instrucción de sistema puede definir el público, el tono y la estructura de respuesta, mientras que el mensaje del usuario aporta la tarea real y las pruebas. El fabricante describe mejoras del entrenamiento posterior en la capacidad de seguir el prompt de sistema y en el formato conversacional.
Maverick se preentrena con aproximadamente 22 billones de tokens de datos multimodales, con un corte declarado de los datos de preentrenamiento en agosto de 2024. Es un límite estático de datos de entrenamiento, no acceso en directo a información actual. Cuando una pregunta dependa de material más reciente o privado, proporciona ese material como contexto de origen o mediante una operación de recuperación conectada por separado.
La versión incluye pesos BF16 y pesos FP8 cuantizados por separado. Esas opciones de precisión no crean otra modalidad de entrada ni conceden a Maverick el contexto de 10M de Scout. Conserva el checkpoint Instruct exacto y su configuración al comparar una tarea repetida o un despliegue derivado.
Diseño práctico del resultado
Una tarea sobre imágenes de documentos puede pedir como campos separados el identificador de origen, la afirmación visible, el valor extraído y la interpretación. Una explicación conversacional puede conservar los términos originales y adaptar la prosa al idioma admitido del lector. Una solicitud de programación puede devolver el fragmento revisado y ejemplos que distingan su comportamiento previsto.
Define cómo se utilizará el resultado final antes de aportar el material. Una descripción breve, una tabla comparativa y un programa propuesto resuelven tareas diferentes aunque compartan las mismas imágenes. Las capacidades visuales y lingüísticas del modelo aportan la interpretación y el texto; la recuperación externa, la ejecución o la producción de archivos proceden de componentes de la aplicación.
Límites específicos
Las entradas documentadas aquí son texto e imágenes, con salida de texto y código. La comprensión de audio o vídeo, la generación de voz y los controles de esfuerzo de razonamiento identificados por nombre de Muse Spark no se deben asignar a esta edición Maverick. Llama Guard también es un clasificador entrenado por separado, no una salida automática de clasificación de una respuesta de Maverick.
El ejemplo de generación de 256 tokens de la ficha es un ajuste ilustrativo y las fuentes consultadas no establecen un máximo estricto separado de tokens de salida más allá de la especificación de contexto del modelo. Mantén explícitas la identidad Maverick, el ámbito de idiomas admitidos y el resultado final vinculado a fuentes, en lugar de tomar prestados límites o modos de otra versión de Llama.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokens Salida · Tokens de salida $0.001305 / 1K tokens Entrada · Lectura de caché $0.0001 / 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 $0.000375 / 1K tokens Salida · Tokens de salida $0.001305 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Ejemplo técnico en inglés
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.