Llama Guard 4 12B es el clasificador de seguridad nativamente multimodal de Meta con 12 mil millones de parámetros. Se entrena conjuntamente con texto y múltiples imágenes y genera una clasificación textual: safe o unsafe, con las categorías de riesgo infringidas cuando el resultado es unsafe. Su propósito es evaluar el contenido de un prompt o una respuesta generada, en lugar de actuar como asistente de chat general.
Clasificación de prompts y respuestas
El modelo puede clasificar material antes de enviarlo a un modelo generativo, después de que ese modelo produzca una respuesta o en ambos puntos. Son preguntas diferentes. La clasificación del prompt evalúa la entrada del usuario, mientras que la clasificación de la respuesta evalúa lo que el asistente escribió realmente. Por tanto, un sistema puede distinguir una solicitud arriesgada de una respuesta que la gestiona de forma aceptable según la taxonomía del clasificador.
Aporta el contenido exacto que se debe clasificar con los roles de conversación y el contexto pertinente. Si el objetivo es una respuesta, conserva la pregunta que le da significado. Para una entrada mixta de texto e imágenes, incluye las imágenes asociadas con ese prompt en lugar de clasificar texto sin relación o una imagen elegida arbitrariamente. El resultado del clasificador es información para la regla o el paso de revisión de la aplicación; no bloquea por sí mismo una solicitud ni cambia un archivo.
Catorce categorías de riesgo
El fabricante alinea el clasificador con la taxonomía de riesgos de MLCommons y añade una categoría de intérprete de código exclusivamente textual. Las catorce etiquetas cubren delitos violentos, delitos no violentos, delitos sexuales, explotación sexual infantil, difamación, asesoramiento especializado, privacidad, propiedad intelectual, armas indiscriminadas, odio, suicidio y autolesiones, contenido sexual, elecciones y abuso del intérprete de código.
Las categorías utilizan identificadores de S1 a S14. S14, Code Interpreter Abuse, es específica de casos de uso de llamadas a herramientas exclusivamente textuales. Conserva el identificador de la taxonomía junto al resultado safe/unsafe para que un paso posterior de la aplicación pueda interpretar la clasificación bajo las mismas definiciones de categorías. Un resultado breve es un juicio de categoría, no una explicación completa, una determinación jurídica ni una garantía de haber detectado todos los daños posibles.
Como formato ilustrativo, una clasificación unsafe puede ir seguida del identificador de la categoría aplicable. Conserva juntos el texto original evaluado, su fuente o posición en la conversación y las etiquetas devueltas. Esa asociación permite que una aplicación distinga el contenido examinado de una respuesta reescrita posterior o de un prompt diferente.
Arquitectura y entrenamiento
Llama Guard 4 tiene una arquitectura Transformer densa de fusión temprana obtenida mediante poda de un checkpoint preentrenado de Llama 4 Scout. El fabricante elimina los expertos enrutados y las capas de enrutamiento y conserva el experto denso compartido; después realiza entrenamiento posterior del modelo resultante para clasificación de contenido. No realiza preentrenamiento adicional después de ese paso de poda. Esto crea un modelo diferente de la edición de chat de mezcla de expertos de Scout.
El modelo comparte el tokenizador y el codificador de visión de Llama 4 y combina entrenamiento de clasificación exclusivamente textual y multimodal. El fabricante describe datos multilingües y entrenamiento con múltiples imágenes, con la mayoría de esas muestras conteniendo de dos a cinco imágenes y una mezcla aproximada de tres a uno de datos exclusivamente textuales frente a multimodales. Son características de entrenamiento, no límites estrictos del número de entradas.
El ámbito multilingüe documentado sigue los idiomas admitidos por Llama Guard 3 y la ficha trata el inglés junto con francés, alemán, hindi, italiano, portugués, español y tailandés. Una solicitud de clasificación debe conservar la redacción real y el contexto visual en el idioma evaluado en lugar de sustituir el contenido por un resumen sin relación.
Preparación de un resultado útil de clasificación
Para comprobar una entrada, proporciona el mensaje del usuario y sus imágenes asociadas y pide la clasificación del prompt en el formato del fabricante. Para comprobar una salida, proporciona la respuesta real del asistente junto con el mensaje anterior pertinente. Un ejemplo con múltiples imágenes puede conservar el texto que las conecta para que el modelo evalúe la solicitud combinada en lugar de fragmentos independientes sin contexto.
La ficha del modelo demuestra cómo aplicar la plantilla de conversación correspondiente y decodificar únicamente la clasificación generada. Su ejemplo de generación de diez tokens ilustra un resultado breve de etiquetas; ese número no es una capacidad máxima de respuesta separada. Mantén la salida solicitada alineada con el propósito del clasificador en lugar de pedirle una respuesta conversacional ordinaria.
Limitaciones específicas
El fabricante afirma que los juicios pueden estar limitados por los datos de entrenamiento del modelo, su conocimiento de sentido común, la cobertura lingüística y la cobertura de políticas. Las categorías de difamación, propiedad intelectual y elecciones pueden requerir conocimientos factuales y actuales que el clasificador quizá no posea. Por tanto, la etiqueta de categoría debe conservar su relación con el contenido y con la información disponible para esa evaluación.
La ficha informa de pruebas realizadas principalmente con prompts con unas pocas imágenes, con mayor frecuencia tres, y señala que el comportamiento puede variar con una colección mucho mayor. Esto describe el ámbito probado, no un máximo universal de tres imágenes. El modelo también puede ser susceptible a contenido adversarial o de inyección de prompts que cambie su comportamiento previsto.
La función de clasificador de Llama Guard 4 no debe heredar la especificación de contexto ni las capacidades de asistente general de Scout simplemente porque se obtuvo mediante poda de Scout. La ficha consultada no da una capacidad estricta separada de contexto o de tokens de salida para este clasificador. Conserva el material evaluado y las etiquetas de taxonomía como resultado práctico y deja que la aplicación decida la acción asociada con ese resultado.
", "aboutText": "Llama Guard 4 12B es el clasificador de seguridad nativamente multimodal de Meta con 12 mil millones de parámetros. Se entrena conjuntamente con texto y múltiples imágenes y genera una clasificación textual: safe o unsafe, con las categorías de riesgo infringidas cuando el resultado es unsafe. Su propósito es evaluar el contenido de un prompt o una respuesta generada, en lugar de actuar como asistente de chat general.\n\nClasificación de prompts y respuestas\n\nEl modelo puede clasificar material antes de enviarlo a un modelo generativo, después de que ese modelo produzca una respuesta o en ambos puntos. Son preguntas diferentes. La clasificación del prompt evalúa la entrada del usuario, mientras que la clasificación de la respuesta evalúa lo que el asistente escribió realmente. Por tanto, un sistema puede distinguir una solicitud arriesgada de una respuesta que la gestiona de forma aceptable según la taxonomía del clasificador.\n\nAporta el contenido exacto que se debe clasificar con los roles de conversación y el contexto pertinente. Si el objetivo es una respuesta, conserva la pregunta que le da significado. Para una entrada mixta de texto e imágenes, incluye las imágenes asociadas con ese prompt en lugar de clasificar texto sin relación o una imagen elegida arbitrariamente. El resultado del clasificador es información para la regla o el paso de revisión de la aplicación; no bloquea por sí mismo una solicitud ni cambia un archivo.\n\nCatorce categorías de riesgo\n\nEl fabricante alinea el clasificador con la taxonomía de riesgos de MLCommons y añade una categoría de intérprete de código exclusivamente textual. Las catorce etiquetas cubren delitos violentos, delitos no violentos, delitos sexuales, explotación sexual infantil, difamación, asesoramiento especializado, privacidad, propiedad intelectual, armas indiscriminadas, odio, suicidio y autolesiones, contenido sexual, elecciones y abuso del intérprete de código.\n\nLas categorías utilizan identificadores de S1 a S14. S14, Code Interpreter Abuse, es específica de casos de uso de llamadas a herramientas exclusivamente textuales. Conserva el identificador de la taxonomía junto al resultado safe/unsafe para que un paso posterior de la aplicación pueda interpretar la clasificación bajo las mismas definiciones de categorías. Un resultado breve es un juicio de categoría, no una explicación completa, una determinación jurídica ni una garantía de haber detectado todos los daños posibles.\n\nComo formato ilustrativo, una clasificación unsafe puede ir seguida del identificador de la categoría aplicable. Conserva juntos el texto original evaluado, su fuente o posición en la conversación y las etiquetas devueltas. Esa asociación permite que una aplicación distinga el contenido examinado de una respuesta reescrita posterior o de un prompt diferente.\n\nArquitectura y entrenamiento\n\nLlama Guard 4 tiene una arquitectura Transformer densa de fusión temprana obtenida mediante poda de un checkpoint preentrenado de Llama 4 Scout. El fabricante elimina los expertos enrutados y las capas de enrutamiento y conserva el experto denso compartido; después realiza entrenamiento posterior del modelo resultante para clasificación de contenido. No realiza preentrenamiento adicional después de ese paso de poda. Esto crea un modelo diferente de la edición de chat de mezcla de expertos de Scout.\n\nEl modelo comparte el tokenizador y el codificador de visión de Llama 4 y combina entrenamiento de clasificación exclusivamente textual y multimodal. El fabricante describe datos multilingües y entrenamiento con múltiples imágenes, con la mayoría de esas muestras conteniendo de dos a cinco imágenes y una mezcla aproximada de tres a uno de datos exclusivamente textuales frente a multimodales. Son características de entrenamiento, no límites estrictos del número de entradas.\n\nEl ámbito multilingüe documentado sigue los idiomas admitidos por Llama Guard 3 y la ficha trata el inglés junto con francés, alemán, hindi, italiano, portugués, español y tailandés. Una solicitud de clasificación debe conservar la redacción real y el contexto visual en el idioma evaluado en lugar de sustituir el contenido por un resumen sin relación.\n\nPreparación de un resultado útil de clasificación\n\nPara comprobar una entrada, proporciona el mensaje del usuario y sus imágenes asociadas y pide la clasificación del prompt en el formato del fabricante. Para comprobar una salida, proporciona la respuesta real del asistente junto con el mensaje anterior pertinente. Un ejemplo con múltiples imágenes puede conservar el texto que las conecta para que el modelo evalúe la solicitud combinada en lugar de fragmentos independientes sin contexto.\n\nLa ficha del modelo demuestra cómo aplicar la plantilla de conversación correspondiente y decodificar únicamente la clasificación generada. Su ejemplo de generación de diez tokens ilustra un resultado breve de etiquetas; ese número no es una capacidad máxima de respuesta separada. Mantén la salida solicitada alineada con el propósito del clasificador en lugar de pedirle una respuesta conversacional ordinaria.\n\nLimitaciones específicas\n\nEl fabricante afirma que los juicios pueden estar limitados por los datos de entrenamiento del modelo, su conocimiento de sentido común, la cobertura lingüística y la cobertura de políticas. Las categorías de difamación, propiedad intelectual y elecciones pueden requerir conocimientos factuales y actuales que el clasificador quizá no posea. Por tanto, la etiqueta de categoría debe conservar su relación con el contenido y con la información disponible para esa evaluación.\n\nLa ficha informa de pruebas realizadas principalmente con prompts con unas pocas imágenes, con mayor frecuencia tres, y señala que el comportamiento puede variar con una colección mucho mayor. Esto describe el ámbito probado, no un máximo universal de tres imágenes. El modelo también puede ser susceptible a contenido adversarial o de inyección de prompts que cambie su comportamiento previsto.\n\nLa función de clasificador de Llama Guard 4 no debe heredar la especificación de contexto ni las capacidades de asistente general de Scout simplemente porque se obtuvo mediante poda de Scout. La ficha consultada no da una capacidad estricta separada de contexto o de tokens de salida para este clasificador. Conserva el material evaluado y las etiquetas de taxonomía como resultado práctico y deja que la aplicación decida la acción asociada con ese resultado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B es el clasificador multimodal de contenido de Meta para prompts y respuestas generadas. Analiza texto con una o más imágenes y devuelve una etiqueta safe/unsafe y las categorías de riesgo aplicables, utilizando una arquitectura densa obtenida mediante poda de Llama 4 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 Guard 4 12B es el clasificador de seguridad nativamente multimodal de Meta con 12 mil millones de parámetros. Se entrena conjuntamente con texto y múltiples imágenes y genera una clasificación textual: safe o unsafe, con las categorías de riesgo infringidas cuando el resultado es unsafe. Su propósito es evaluar el contenido de un prompt o una respuesta generada, en lugar de actuar como asistente de chat general.
Clasificación de prompts y respuestas
El modelo puede clasificar material antes de enviarlo a un modelo generativo, después de que ese modelo produzca una respuesta o en ambos puntos. Son preguntas diferentes. La clasificación del prompt evalúa la entrada del usuario, mientras que la clasificación de la respuesta evalúa lo que el asistente escribió realmente. Por tanto, un sistema puede distinguir una solicitud arriesgada de una respuesta que la gestiona de forma aceptable según la taxonomía del clasificador.
Aporta el contenido exacto que se debe clasificar con los roles de conversación y el contexto pertinente. Si el objetivo es una respuesta, conserva la pregunta que le da significado. Para una entrada mixta de texto e imágenes, incluye las imágenes asociadas con ese prompt en lugar de clasificar texto sin relación o una imagen elegida arbitrariamente. El resultado del clasificador es información para la regla o el paso de revisión de la aplicación; no bloquea por sí mismo una solicitud ni cambia un archivo.
Catorce categorías de riesgo
El fabricante alinea el clasificador con la taxonomía de riesgos de MLCommons y añade una categoría de intérprete de código exclusivamente textual. Las catorce etiquetas cubren delitos violentos, delitos no violentos, delitos sexuales, explotación sexual infantil, difamación, asesoramiento especializado, privacidad, propiedad intelectual, armas indiscriminadas, odio, suicidio y autolesiones, contenido sexual, elecciones y abuso del intérprete de código.
Las categorías utilizan identificadores de S1 a S14. S14, Code Interpreter Abuse, es específica de casos de uso de llamadas a herramientas exclusivamente textuales. Conserva el identificador de la taxonomía junto al resultado safe/unsafe para que un paso posterior de la aplicación pueda interpretar la clasificación bajo las mismas definiciones de categorías. Un resultado breve es un juicio de categoría, no una explicación completa, una determinación jurídica ni una garantía de haber detectado todos los daños posibles.
Como formato ilustrativo, una clasificación unsafe puede ir seguida del identificador de la categoría aplicable. Conserva juntos el texto original evaluado, su fuente o posición en la conversación y las etiquetas devueltas. Esa asociación permite que una aplicación distinga el contenido examinado de una respuesta reescrita posterior o de un prompt diferente.
Arquitectura y entrenamiento
Llama Guard 4 tiene una arquitectura Transformer densa de fusión temprana obtenida mediante poda de un checkpoint preentrenado de Llama 4 Scout. El fabricante elimina los expertos enrutados y las capas de enrutamiento y conserva el experto denso compartido; después realiza entrenamiento posterior del modelo resultante para clasificación de contenido. No realiza preentrenamiento adicional después de ese paso de poda. Esto crea un modelo diferente de la edición de chat de mezcla de expertos de Scout.
El modelo comparte el tokenizador y el codificador de visión de Llama 4 y combina entrenamiento de clasificación exclusivamente textual y multimodal. El fabricante describe datos multilingües y entrenamiento con múltiples imágenes, con la mayoría de esas muestras conteniendo de dos a cinco imágenes y una mezcla aproximada de tres a uno de datos exclusivamente textuales frente a multimodales. Son características de entrenamiento, no límites estrictos del número de entradas.
El ámbito multilingüe documentado sigue los idiomas admitidos por Llama Guard 3 y la ficha trata el inglés junto con francés, alemán, hindi, italiano, portugués, español y tailandés. Una solicitud de clasificación debe conservar la redacción real y el contexto visual en el idioma evaluado en lugar de sustituir el contenido por un resumen sin relación.
Preparación de un resultado útil de clasificación
Para comprobar una entrada, proporciona el mensaje del usuario y sus imágenes asociadas y pide la clasificación del prompt en el formato del fabricante. Para comprobar una salida, proporciona la respuesta real del asistente junto con el mensaje anterior pertinente. Un ejemplo con múltiples imágenes puede conservar el texto que las conecta para que el modelo evalúe la solicitud combinada en lugar de fragmentos independientes sin contexto.
La ficha del modelo demuestra cómo aplicar la plantilla de conversación correspondiente y decodificar únicamente la clasificación generada. Su ejemplo de generación de diez tokens ilustra un resultado breve de etiquetas; ese número no es una capacidad máxima de respuesta separada. Mantén la salida solicitada alineada con el propósito del clasificador en lugar de pedirle una respuesta conversacional ordinaria.
Limitaciones específicas
El fabricante afirma que los juicios pueden estar limitados por los datos de entrenamiento del modelo, su conocimiento de sentido común, la cobertura lingüística y la cobertura de políticas. Las categorías de difamación, propiedad intelectual y elecciones pueden requerir conocimientos factuales y actuales que el clasificador quizá no posea. Por tanto, la etiqueta de categoría debe conservar su relación con el contenido y con la información disponible para esa evaluación.
La ficha informa de pruebas realizadas principalmente con prompts con unas pocas imágenes, con mayor frecuencia tres, y señala que el comportamiento puede variar con una colección mucho mayor. Esto describe el ámbito probado, no un máximo universal de tres imágenes. El modelo también puede ser susceptible a contenido adversarial o de inyección de prompts que cambie su comportamiento previsto.
La función de clasificador de Llama Guard 4 no debe heredar la especificación de contexto ni las capacidades de asistente general de Scout simplemente porque se obtuvo mediante poda de Scout. La ficha consultada no da una capacidad estricta separada de contexto o de tokens de salida para este clasificador. Conserva el material evaluado y las etiquetas de taxonomía como resultado práctico y deja que la aplicación decida la acción asociada con ese resultado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| 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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-guard-4-12b", "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-guard-4-12b',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-guard-4-12b',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 meta-llama/llama-guard-4-12b
Usa las rutas de método indicadas arriba.
meta-llama/llama-guard-4-12bLlama Guard 4 12B es el clasificador multimodal de contenido de Meta para prompts y respuestas generadas. Analiza texto con una o más imágenes y devuelve una etiqueta safe/unsafe y las categorías de riesgo aplicables, utilizando una arquitectura densa obtenida mediante poda de Llama 4 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 Guard 4 12B es el clasificador de seguridad nativamente multimodal de Meta con 12 mil millones de parámetros. Se entrena conjuntamente con texto y múltiples imágenes y genera una clasificación textual: safe o unsafe, con las categorías de riesgo infringidas cuando el resultado es unsafe. Su propósito es evaluar el contenido de un prompt o una respuesta generada, en lugar de actuar como asistente de chat general.
Clasificación de prompts y respuestas
El modelo puede clasificar material antes de enviarlo a un modelo generativo, después de que ese modelo produzca una respuesta o en ambos puntos. Son preguntas diferentes. La clasificación del prompt evalúa la entrada del usuario, mientras que la clasificación de la respuesta evalúa lo que el asistente escribió realmente. Por tanto, un sistema puede distinguir una solicitud arriesgada de una respuesta que la gestiona de forma aceptable según la taxonomía del clasificador.
Aporta el contenido exacto que se debe clasificar con los roles de conversación y el contexto pertinente. Si el objetivo es una respuesta, conserva la pregunta que le da significado. Para una entrada mixta de texto e imágenes, incluye las imágenes asociadas con ese prompt en lugar de clasificar texto sin relación o una imagen elegida arbitrariamente. El resultado del clasificador es información para la regla o el paso de revisión de la aplicación; no bloquea por sí mismo una solicitud ni cambia un archivo.
Catorce categorías de riesgo
El fabricante alinea el clasificador con la taxonomía de riesgos de MLCommons y añade una categoría de intérprete de código exclusivamente textual. Las catorce etiquetas cubren delitos violentos, delitos no violentos, delitos sexuales, explotación sexual infantil, difamación, asesoramiento especializado, privacidad, propiedad intelectual, armas indiscriminadas, odio, suicidio y autolesiones, contenido sexual, elecciones y abuso del intérprete de código.
Las categorías utilizan identificadores de S1 a S14. S14, Code Interpreter Abuse, es específica de casos de uso de llamadas a herramientas exclusivamente textuales. Conserva el identificador de la taxonomía junto al resultado safe/unsafe para que un paso posterior de la aplicación pueda interpretar la clasificación bajo las mismas definiciones de categorías. Un resultado breve es un juicio de categoría, no una explicación completa, una determinación jurídica ni una garantía de haber detectado todos los daños posibles.
Como formato ilustrativo, una clasificación unsafe puede ir seguida del identificador de la categoría aplicable. Conserva juntos el texto original evaluado, su fuente o posición en la conversación y las etiquetas devueltas. Esa asociación permite que una aplicación distinga el contenido examinado de una respuesta reescrita posterior o de un prompt diferente.
Arquitectura y entrenamiento
Llama Guard 4 tiene una arquitectura Transformer densa de fusión temprana obtenida mediante poda de un checkpoint preentrenado de Llama 4 Scout. El fabricante elimina los expertos enrutados y las capas de enrutamiento y conserva el experto denso compartido; después realiza entrenamiento posterior del modelo resultante para clasificación de contenido. No realiza preentrenamiento adicional después de ese paso de poda. Esto crea un modelo diferente de la edición de chat de mezcla de expertos de Scout.
El modelo comparte el tokenizador y el codificador de visión de Llama 4 y combina entrenamiento de clasificación exclusivamente textual y multimodal. El fabricante describe datos multilingües y entrenamiento con múltiples imágenes, con la mayoría de esas muestras conteniendo de dos a cinco imágenes y una mezcla aproximada de tres a uno de datos exclusivamente textuales frente a multimodales. Son características de entrenamiento, no límites estrictos del número de entradas.
El ámbito multilingüe documentado sigue los idiomas admitidos por Llama Guard 3 y la ficha trata el inglés junto con francés, alemán, hindi, italiano, portugués, español y tailandés. Una solicitud de clasificación debe conservar la redacción real y el contexto visual en el idioma evaluado en lugar de sustituir el contenido por un resumen sin relación.
Preparación de un resultado útil de clasificación
Para comprobar una entrada, proporciona el mensaje del usuario y sus imágenes asociadas y pide la clasificación del prompt en el formato del fabricante. Para comprobar una salida, proporciona la respuesta real del asistente junto con el mensaje anterior pertinente. Un ejemplo con múltiples imágenes puede conservar el texto que las conecta para que el modelo evalúe la solicitud combinada en lugar de fragmentos independientes sin contexto.
La ficha del modelo demuestra cómo aplicar la plantilla de conversación correspondiente y decodificar únicamente la clasificación generada. Su ejemplo de generación de diez tokens ilustra un resultado breve de etiquetas; ese número no es una capacidad máxima de respuesta separada. Mantén la salida solicitada alineada con el propósito del clasificador en lugar de pedirle una respuesta conversacional ordinaria.
Limitaciones específicas
El fabricante afirma que los juicios pueden estar limitados por los datos de entrenamiento del modelo, su conocimiento de sentido común, la cobertura lingüística y la cobertura de políticas. Las categorías de difamación, propiedad intelectual y elecciones pueden requerir conocimientos factuales y actuales que el clasificador quizá no posea. Por tanto, la etiqueta de categoría debe conservar su relación con el contenido y con la información disponible para esa evaluación.
La ficha informa de pruebas realizadas principalmente con prompts con unas pocas imágenes, con mayor frecuencia tres, y señala que el comportamiento puede variar con una colección mucho mayor. Esto describe el ámbito probado, no un máximo universal de tres imágenes. El modelo también puede ser susceptible a contenido adversarial o de inyección de prompts que cambie su comportamiento previsto.
La función de clasificador de Llama Guard 4 no debe heredar la especificación de contexto ni las capacidades de asistente general de Scout simplemente porque se obtuvo mediante poda de Scout. La ficha consultada no da una capacidad estricta separada de contexto o de tokens de salida para este clasificador. Conserva el material evaluado y las etiquetas de taxonomía como resultado práctico y deja que la aplicación decida la acción asociada con ese resultado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| 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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-guard-4-12b', '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-guard-4-12b', '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 meta-llama/llama-guard-4-12b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.