Llama 4 Maverick Instruct est le modèle nativement multimodal de Meta pour les conversations de type assistant et le raisonnement visuel. Il reçoit du texte multilingue et des images et génère du texte multilingue ou du code. Son architecture à mélange d’experts utilise une fusion précoce, combinant les informations visuelles et textuelles au sein du modèle plutôt que de traiter l’image comme une légende sans rapport fournie par un assistant textuel séparé.
Informations sur le modèle et contexte
Le fabricant annonce 128 experts, 17 milliards de paramètres actifs et 400 milliards de paramètres au total pour Maverick. Ces valeurs sont distinctes de la configuration de Scout à 16 experts et 109 milliards de paramètres au total, bien que tous deux portent l’étiquette de taille active 17B. Le nom Instruct identifie le point de contrôle orienté assistant plutôt que le modèle Maverick préentraîné.
La fiche du modèle documente une fenêtre de contexte de 1 M pour Maverick. Utilisez le contexte pour conserver ensemble les passages pertinents, les images, la conversation et la réponse demandée. Un grand ensemble de sources nécessite toujours une question et un livrable définis. Étiquetez les documents sources et les images et demandez l’emplacement qui étaye chaque constat extrait au lieu de demander un résumé sans direction de tous les contenus.
Les langues prises en charge sont l’arabe, l’anglais, le français, l’allemand, l’hindi, l’indonésien, l’italien, le portugais, l’espagnol, le tagalog, le thaï et le vietnamien. Le fabricant distingue ces douze langues prises en charge de l’ensemble plus large d’environ deux cents langues utilisées au préentraînement. La présence d’une langue à l’entraînement ne doit pas devenir une promesse de capacités égales pour toutes les langues.
Tâches de chat, de vision et de code
Les usages visuels prévus de la fiche comprennent la reconnaissance, le raisonnement sur les images, la rédaction de légendes et les réponses à des questions générales sur une image. Pour une photographie, demandez au modèle d’identifier les objets ou la relation pertinents pour la tâche. Pour un graphique, demandez une comparaison entre des séries nommées, en conservant les axes et les unités. Pour un schéma, demandez quelle connexion étiquetée étaye une exigence fournie.
Pour une comparaison entre plusieurs images, identifiez le rôle de chaque image et demandez les mêmes critères pour toutes. Fournissez par exemple une conception d’origine et une révision, puis demandez les correspondances visibles, les différences et les détails que les images n’établissent pas. Séparez les observations des conclusions qui dépendent du texte d’accompagnement. La sortie est ainsi plus facile à vérifier par rapport à la source réelle.
Le fabricant rapporte des tests de compréhension d’images avec jusqu’à cinq images en entrée. C’est le périmètre testé documenté, et non un maximum strict inconditionnel du nombre d’images. Préservez les détails nécessaires à la question et l’ordre des images. Ajouter un grand nombre d’images sans rapport ne définit pas à lui seul ce qui doit être comparé.
Pour une tâche de programmation, fournissez l’exigence, les sources pertinentes et le comportement attendu. Demandez l’implémentation proposée séparément de ses hypothèses et de ses exemples. Une capture d’écran peut fournir des exigences visuelles, tandis que la condition textuelle apporte le comportement que la capture ne peut pas montrer. Le code généré est un livrable textuel ; son exécution, l’inspection d’une interface rendue ou son application à un dépôt nécessite l’environnement connecté.
Préparation de la conversation et entraînement
La fiche du modèle présente le processeur et le gabarit de conversation correspondants avec deux images et une question de comparaison écrite. Gardez explicites les rôles de conversation et l’association image-texte. Une consigne système peut définir le public, le ton et la structure de réponse, tandis que le message utilisateur fournit la tâche réelle et les éléments probants. Le fabricant décrit des améliorations de post-entraînement du suivi des prompts système et de la mise en forme conversationnelle.
Maverick est préentraîné sur environ 22 000 milliards de tokens de données multimodales, avec une date limite déclarée des données de préentraînement en août 2024. C’est une limite statique des données d’entraînement plutôt qu’un accès en direct aux informations actuelles. Lorsqu’une question dépend de contenus plus récents ou privés, fournissez-les comme contexte source ou via une opération de recherche documentaire connectée séparément.
La publication comprend des poids BF16 et des poids FP8 quantifiés séparément. Ces choix de précision ne créent pas une autre modalité d’entrée et n’accordent pas à Maverick le contexte de 10 M de Scout. Préservez le point de contrôle Instruct exact et sa configuration lorsque vous comparez une tâche répétée ou un déploiement dérivé.
Conception pratique du résultat
Une tâche sur une image de document peut demander l’identifiant de la source, l’énoncé visible, la valeur extraite et l’interprétation comme champs séparés. Une explication conversationnelle peut conserver les termes originaux et adapter la prose à la langue prise en charge du lecteur. Une demande de programmation peut renvoyer le fragment révisé et des exemples distinguant son comportement attendu.
Définissez l’usage du résultat final avant de fournir les contenus. Une courte légende, un tableau comparatif et un programme proposé résolvent des tâches différentes même s’ils partagent les mêmes images. Les capacités visuelles et linguistiques du modèle fournissent l’interprétation et le texte ; la recherche externe, l’exécution ou la production de fichiers proviennent de composants applicatifs.
Limites particulières
Les entrées documentées ici sont le texte et les images, avec des sorties en texte et en code. La compréhension audio ou vidéo, la génération de parole et les réglages nommés d’effort de raisonnement de Muse Spark ne doivent pas être attribués à cette édition Maverick. Llama Guard est aussi un classificateur entraîné séparément plutôt qu’une classification automatiquement issue d’une réponse Maverick.
L’exemple de génération de 256 tokens de la fiche est un réglage d’exemple, et les sources consultées n’établissent pas de maximum strict distinct de tokens de sortie au-delà de la spécification de contexte du modèle. Gardez explicites l’identité Maverick, le périmètre des langues prises en charge et le livrable final relié aux sources au lieu d’emprunter les limites ou les modes d’une autre version Llama.
", "aboutText": "Llama 4 Maverick Instruct est le modèle nativement multimodal de Meta pour les conversations de type assistant et le raisonnement visuel. Il reçoit du texte multilingue et des images et génère du texte multilingue ou du code. Son architecture à mélange d’experts utilise une fusion précoce, combinant les informations visuelles et textuelles au sein du modèle plutôt que de traiter l’image comme une légende sans rapport fournie par un assistant textuel séparé.\n\nInformations sur le modèle et contexte\n\nLe fabricant annonce 128 experts, 17 milliards de paramètres actifs et 400 milliards de paramètres au total pour Maverick. Ces valeurs sont distinctes de la configuration de Scout à 16 experts et 109 milliards de paramètres au total, bien que tous deux portent l’étiquette de taille active 17B. Le nom Instruct identifie le point de contrôle orienté assistant plutôt que le modèle Maverick préentraîné.\n\nLa fiche du modèle documente une fenêtre de contexte de 1 M pour Maverick. Utilisez le contexte pour conserver ensemble les passages pertinents, les images, la conversation et la réponse demandée. Un grand ensemble de sources nécessite toujours une question et un livrable définis. Étiquetez les documents sources et les images et demandez l’emplacement qui étaye chaque constat extrait au lieu de demander un résumé sans direction de tous les contenus.\n\nLes langues prises en charge sont l’arabe, l’anglais, le français, l’allemand, l’hindi, l’indonésien, l’italien, le portugais, l’espagnol, le tagalog, le thaï et le vietnamien. Le fabricant distingue ces douze langues prises en charge de l’ensemble plus large d’environ deux cents langues utilisées au préentraînement. La présence d’une langue à l’entraînement ne doit pas devenir une promesse de capacités égales pour toutes les langues.\n\nTâches de chat, de vision et de code\n\nLes usages visuels prévus de la fiche comprennent la reconnaissance, le raisonnement sur les images, la rédaction de légendes et les réponses à des questions générales sur une image. Pour une photographie, demandez au modèle d’identifier les objets ou la relation pertinents pour la tâche. Pour un graphique, demandez une comparaison entre des séries nommées, en conservant les axes et les unités. Pour un schéma, demandez quelle connexion étiquetée étaye une exigence fournie.\n\nPour une comparaison entre plusieurs images, identifiez le rôle de chaque image et demandez les mêmes critères pour toutes. Fournissez par exemple une conception d’origine et une révision, puis demandez les correspondances visibles, les différences et les détails que les images n’établissent pas. Séparez les observations des conclusions qui dépendent du texte d’accompagnement. La sortie est ainsi plus facile à vérifier par rapport à la source réelle.\n\nLe fabricant rapporte des tests de compréhension d’images avec jusqu’à cinq images en entrée. C’est le périmètre testé documenté, et non un maximum strict inconditionnel du nombre d’images. Préservez les détails nécessaires à la question et l’ordre des images. Ajouter un grand nombre d’images sans rapport ne définit pas à lui seul ce qui doit être comparé.\n\nPour une tâche de programmation, fournissez l’exigence, les sources pertinentes et le comportement attendu. Demandez l’implémentation proposée séparément de ses hypothèses et de ses exemples. Une capture d’écran peut fournir des exigences visuelles, tandis que la condition textuelle apporte le comportement que la capture ne peut pas montrer. Le code généré est un livrable textuel ; son exécution, l’inspection d’une interface rendue ou son application à un dépôt nécessite l’environnement connecté.\n\nPréparation de la conversation et entraînement\n\nLa fiche du modèle présente le processeur et le gabarit de conversation correspondants avec deux images et une question de comparaison écrite. Gardez explicites les rôles de conversation et l’association image-texte. Une consigne système peut définir le public, le ton et la structure de réponse, tandis que le message utilisateur fournit la tâche réelle et les éléments probants. Le fabricant décrit des améliorations de post-entraînement du suivi des prompts système et de la mise en forme conversationnelle.\n\nMaverick est préentraîné sur environ 22 000 milliards de tokens de données multimodales, avec une date limite déclarée des données de préentraînement en août 2024. C’est une limite statique des données d’entraînement plutôt qu’un accès en direct aux informations actuelles. Lorsqu’une question dépend de contenus plus récents ou privés, fournissez-les comme contexte source ou via une opération de recherche documentaire connectée séparément.\n\nLa publication comprend des poids BF16 et des poids FP8 quantifiés séparément. Ces choix de précision ne créent pas une autre modalité d’entrée et n’accordent pas à Maverick le contexte de 10 M de Scout. Préservez le point de contrôle Instruct exact et sa configuration lorsque vous comparez une tâche répétée ou un déploiement dérivé.\n\nConception pratique du résultat\n\nUne tâche sur une image de document peut demander l’identifiant de la source, l’énoncé visible, la valeur extraite et l’interprétation comme champs séparés. Une explication conversationnelle peut conserver les termes originaux et adapter la prose à la langue prise en charge du lecteur. Une demande de programmation peut renvoyer le fragment révisé et des exemples distinguant son comportement attendu.\n\nDéfinissez l’usage du résultat final avant de fournir les contenus. Une courte légende, un tableau comparatif et un programme proposé résolvent des tâches différentes même s’ils partagent les mêmes images. Les capacités visuelles et linguistiques du modèle fournissent l’interprétation et le texte ; la recherche externe, l’exécution ou la production de fichiers proviennent de composants applicatifs.\n\nLimites particulières\n\nLes entrées documentées ici sont le texte et les images, avec des sorties en texte et en code. La compréhension audio ou vidéo, la génération de parole et les réglages nommés d’effort de raisonnement de Muse Spark ne doivent pas être attribués à cette édition Maverick. Llama Guard est aussi un classificateur entraîné séparément plutôt qu’une classification automatiquement issue d’une réponse Maverick.\n\nL’exemple de génération de 256 tokens de la fiche est un réglage d’exemple, et les sources consultées n’établissent pas de maximum strict distinct de tokens de sortie au-delà de la spécification de contexte du modèle. Gardez explicites l’identité Maverick, le périmètre des langues prises en charge et le livrable final relié aux sources au lieu d’emprunter les limites ou les modes d’une autre version Llama.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est le modèle Instruct nativement texte et image de Meta, avec 128 experts, 17 milliards de paramètres actifs et 400 milliards au total. Le fabricant documente un contexte de 1 M, des sorties multilingues en texte et en code, la reconnaissance visuelle, les légendes et les questions sur les images, dans une version distincte de Scout.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama 4 Maverick Instruct est le modèle nativement multimodal de Meta pour les conversations de type assistant et le raisonnement visuel. Il reçoit du texte multilingue et des images et génère du texte multilingue ou du code. Son architecture à mélange d’experts utilise une fusion précoce, combinant les informations visuelles et textuelles au sein du modèle plutôt que de traiter l’image comme une légende sans rapport fournie par un assistant textuel séparé.
Informations sur le modèle et contexte
Le fabricant annonce 128 experts, 17 milliards de paramètres actifs et 400 milliards de paramètres au total pour Maverick. Ces valeurs sont distinctes de la configuration de Scout à 16 experts et 109 milliards de paramètres au total, bien que tous deux portent l’étiquette de taille active 17B. Le nom Instruct identifie le point de contrôle orienté assistant plutôt que le modèle Maverick préentraîné.
La fiche du modèle documente une fenêtre de contexte de 1 M pour Maverick. Utilisez le contexte pour conserver ensemble les passages pertinents, les images, la conversation et la réponse demandée. Un grand ensemble de sources nécessite toujours une question et un livrable définis. Étiquetez les documents sources et les images et demandez l’emplacement qui étaye chaque constat extrait au lieu de demander un résumé sans direction de tous les contenus.
Les langues prises en charge sont l’arabe, l’anglais, le français, l’allemand, l’hindi, l’indonésien, l’italien, le portugais, l’espagnol, le tagalog, le thaï et le vietnamien. Le fabricant distingue ces douze langues prises en charge de l’ensemble plus large d’environ deux cents langues utilisées au préentraînement. La présence d’une langue à l’entraînement ne doit pas devenir une promesse de capacités égales pour toutes les langues.
Tâches de chat, de vision et de code
Les usages visuels prévus de la fiche comprennent la reconnaissance, le raisonnement sur les images, la rédaction de légendes et les réponses à des questions générales sur une image. Pour une photographie, demandez au modèle d’identifier les objets ou la relation pertinents pour la tâche. Pour un graphique, demandez une comparaison entre des séries nommées, en conservant les axes et les unités. Pour un schéma, demandez quelle connexion étiquetée étaye une exigence fournie.
Pour une comparaison entre plusieurs images, identifiez le rôle de chaque image et demandez les mêmes critères pour toutes. Fournissez par exemple une conception d’origine et une révision, puis demandez les correspondances visibles, les différences et les détails que les images n’établissent pas. Séparez les observations des conclusions qui dépendent du texte d’accompagnement. La sortie est ainsi plus facile à vérifier par rapport à la source réelle.
Le fabricant rapporte des tests de compréhension d’images avec jusqu’à cinq images en entrée. C’est le périmètre testé documenté, et non un maximum strict inconditionnel du nombre d’images. Préservez les détails nécessaires à la question et l’ordre des images. Ajouter un grand nombre d’images sans rapport ne définit pas à lui seul ce qui doit être comparé.
Pour une tâche de programmation, fournissez l’exigence, les sources pertinentes et le comportement attendu. Demandez l’implémentation proposée séparément de ses hypothèses et de ses exemples. Une capture d’écran peut fournir des exigences visuelles, tandis que la condition textuelle apporte le comportement que la capture ne peut pas montrer. Le code généré est un livrable textuel ; son exécution, l’inspection d’une interface rendue ou son application à un dépôt nécessite l’environnement connecté.
Préparation de la conversation et entraînement
La fiche du modèle présente le processeur et le gabarit de conversation correspondants avec deux images et une question de comparaison écrite. Gardez explicites les rôles de conversation et l’association image-texte. Une consigne système peut définir le public, le ton et la structure de réponse, tandis que le message utilisateur fournit la tâche réelle et les éléments probants. Le fabricant décrit des améliorations de post-entraînement du suivi des prompts système et de la mise en forme conversationnelle.
Maverick est préentraîné sur environ 22 000 milliards de tokens de données multimodales, avec une date limite déclarée des données de préentraînement en août 2024. C’est une limite statique des données d’entraînement plutôt qu’un accès en direct aux informations actuelles. Lorsqu’une question dépend de contenus plus récents ou privés, fournissez-les comme contexte source ou via une opération de recherche documentaire connectée séparément.
La publication comprend des poids BF16 et des poids FP8 quantifiés séparément. Ces choix de précision ne créent pas une autre modalité d’entrée et n’accordent pas à Maverick le contexte de 10 M de Scout. Préservez le point de contrôle Instruct exact et sa configuration lorsque vous comparez une tâche répétée ou un déploiement dérivé.
Conception pratique du résultat
Une tâche sur une image de document peut demander l’identifiant de la source, l’énoncé visible, la valeur extraite et l’interprétation comme champs séparés. Une explication conversationnelle peut conserver les termes originaux et adapter la prose à la langue prise en charge du lecteur. Une demande de programmation peut renvoyer le fragment révisé et des exemples distinguant son comportement attendu.
Définissez l’usage du résultat final avant de fournir les contenus. Une courte légende, un tableau comparatif et un programme proposé résolvent des tâches différentes même s’ils partagent les mêmes images. Les capacités visuelles et linguistiques du modèle fournissent l’interprétation et le texte ; la recherche externe, l’exécution ou la production de fichiers proviennent de composants applicatifs.
Limites particulières
Les entrées documentées ici sont le texte et les images, avec des sorties en texte et en code. La compréhension audio ou vidéo, la génération de parole et les réglages nommés d’effort de raisonnement de Muse Spark ne doivent pas être attribués à cette édition Maverick. Llama Guard est aussi un classificateur entraîné séparément plutôt qu’une classification automatiquement issue d’une réponse Maverick.
L’exemple de génération de 256 tokens de la fiche est un réglage d’exemple, et les sources consultées n’établissent pas de maximum strict distinct de tokens de sortie au-delà de la spécification de contexte du modèle. Gardez explicites l’identité Maverick, le périmètre des langues prises en charge et le livrable final relié aux sources au lieu d’emprunter les limites ou les modes d’une autre version Llama.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites llama-4-maverick | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000375 / 1K tokens Sortie · Tokens en sortie $0.001305 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000375 / 1K tokens Sortie · Tokens en sortie $0.001305 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick est le modèle Instruct nativement texte et image de Meta, avec 128 experts, 17 milliards de paramètres actifs et 400 milliards au total. Le fabricant documente un contexte de 1 M, des sorties multilingues en texte et en code, la reconnaissance visuelle, les légendes et les questions sur les images, dans une version distincte de Scout.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama 4 Maverick Instruct est le modèle nativement multimodal de Meta pour les conversations de type assistant et le raisonnement visuel. Il reçoit du texte multilingue et des images et génère du texte multilingue ou du code. Son architecture à mélange d’experts utilise une fusion précoce, combinant les informations visuelles et textuelles au sein du modèle plutôt que de traiter l’image comme une légende sans rapport fournie par un assistant textuel séparé.
Informations sur le modèle et contexte
Le fabricant annonce 128 experts, 17 milliards de paramètres actifs et 400 milliards de paramètres au total pour Maverick. Ces valeurs sont distinctes de la configuration de Scout à 16 experts et 109 milliards de paramètres au total, bien que tous deux portent l’étiquette de taille active 17B. Le nom Instruct identifie le point de contrôle orienté assistant plutôt que le modèle Maverick préentraîné.
La fiche du modèle documente une fenêtre de contexte de 1 M pour Maverick. Utilisez le contexte pour conserver ensemble les passages pertinents, les images, la conversation et la réponse demandée. Un grand ensemble de sources nécessite toujours une question et un livrable définis. Étiquetez les documents sources et les images et demandez l’emplacement qui étaye chaque constat extrait au lieu de demander un résumé sans direction de tous les contenus.
Les langues prises en charge sont l’arabe, l’anglais, le français, l’allemand, l’hindi, l’indonésien, l’italien, le portugais, l’espagnol, le tagalog, le thaï et le vietnamien. Le fabricant distingue ces douze langues prises en charge de l’ensemble plus large d’environ deux cents langues utilisées au préentraînement. La présence d’une langue à l’entraînement ne doit pas devenir une promesse de capacités égales pour toutes les langues.
Tâches de chat, de vision et de code
Les usages visuels prévus de la fiche comprennent la reconnaissance, le raisonnement sur les images, la rédaction de légendes et les réponses à des questions générales sur une image. Pour une photographie, demandez au modèle d’identifier les objets ou la relation pertinents pour la tâche. Pour un graphique, demandez une comparaison entre des séries nommées, en conservant les axes et les unités. Pour un schéma, demandez quelle connexion étiquetée étaye une exigence fournie.
Pour une comparaison entre plusieurs images, identifiez le rôle de chaque image et demandez les mêmes critères pour toutes. Fournissez par exemple une conception d’origine et une révision, puis demandez les correspondances visibles, les différences et les détails que les images n’établissent pas. Séparez les observations des conclusions qui dépendent du texte d’accompagnement. La sortie est ainsi plus facile à vérifier par rapport à la source réelle.
Le fabricant rapporte des tests de compréhension d’images avec jusqu’à cinq images en entrée. C’est le périmètre testé documenté, et non un maximum strict inconditionnel du nombre d’images. Préservez les détails nécessaires à la question et l’ordre des images. Ajouter un grand nombre d’images sans rapport ne définit pas à lui seul ce qui doit être comparé.
Pour une tâche de programmation, fournissez l’exigence, les sources pertinentes et le comportement attendu. Demandez l’implémentation proposée séparément de ses hypothèses et de ses exemples. Une capture d’écran peut fournir des exigences visuelles, tandis que la condition textuelle apporte le comportement que la capture ne peut pas montrer. Le code généré est un livrable textuel ; son exécution, l’inspection d’une interface rendue ou son application à un dépôt nécessite l’environnement connecté.
Préparation de la conversation et entraînement
La fiche du modèle présente le processeur et le gabarit de conversation correspondants avec deux images et une question de comparaison écrite. Gardez explicites les rôles de conversation et l’association image-texte. Une consigne système peut définir le public, le ton et la structure de réponse, tandis que le message utilisateur fournit la tâche réelle et les éléments probants. Le fabricant décrit des améliorations de post-entraînement du suivi des prompts système et de la mise en forme conversationnelle.
Maverick est préentraîné sur environ 22 000 milliards de tokens de données multimodales, avec une date limite déclarée des données de préentraînement en août 2024. C’est une limite statique des données d’entraînement plutôt qu’un accès en direct aux informations actuelles. Lorsqu’une question dépend de contenus plus récents ou privés, fournissez-les comme contexte source ou via une opération de recherche documentaire connectée séparément.
La publication comprend des poids BF16 et des poids FP8 quantifiés séparément. Ces choix de précision ne créent pas une autre modalité d’entrée et n’accordent pas à Maverick le contexte de 10 M de Scout. Préservez le point de contrôle Instruct exact et sa configuration lorsque vous comparez une tâche répétée ou un déploiement dérivé.
Conception pratique du résultat
Une tâche sur une image de document peut demander l’identifiant de la source, l’énoncé visible, la valeur extraite et l’interprétation comme champs séparés. Une explication conversationnelle peut conserver les termes originaux et adapter la prose à la langue prise en charge du lecteur. Une demande de programmation peut renvoyer le fragment révisé et des exemples distinguant son comportement attendu.
Définissez l’usage du résultat final avant de fournir les contenus. Une courte légende, un tableau comparatif et un programme proposé résolvent des tâches différentes même s’ils partagent les mêmes images. Les capacités visuelles et linguistiques du modèle fournissent l’interprétation et le texte ; la recherche externe, l’exécution ou la production de fichiers proviennent de composants applicatifs.
Limites particulières
Les entrées documentées ici sont le texte et les images, avec des sorties en texte et en code. La compréhension audio ou vidéo, la génération de parole et les réglages nommés d’effort de raisonnement de Muse Spark ne doivent pas être attribués à cette édition Maverick. Llama Guard est aussi un classificateur entraîné séparément plutôt qu’une classification automatiquement issue d’une réponse Maverick.
L’exemple de génération de 256 tokens de la fiche est un réglage d’exemple, et les sources consultées n’établissent pas de maximum strict distinct de tokens de sortie au-delà de la spécification de contexte du modèle. Gardez explicites l’identité Maverick, le périmètre des langues prises en charge et le livrable final relié aux sources au lieu d’emprunter les limites ou les modes d’une autre version Llama.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites llama-4-maverick | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000375 / 1K tokens Sortie · Tokens en sortie $0.001305 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000375 / 1K tokens Sortie · Tokens en sortie $0.001305 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick est le modèle Instruct nativement texte et image de Meta, avec 128 experts, 17 milliards de paramètres actifs et 400 milliards au total. Le fabricant documente un contexte de 1 M, des sorties multilingues en texte et en code, la reconnaissance visuelle, les légendes et les questions sur les images, dans une version distincte de Scout.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama 4 Maverick Instruct est le modèle nativement multimodal de Meta pour les conversations de type assistant et le raisonnement visuel. Il reçoit du texte multilingue et des images et génère du texte multilingue ou du code. Son architecture à mélange d’experts utilise une fusion précoce, combinant les informations visuelles et textuelles au sein du modèle plutôt que de traiter l’image comme une légende sans rapport fournie par un assistant textuel séparé.
Informations sur le modèle et contexte
Le fabricant annonce 128 experts, 17 milliards de paramètres actifs et 400 milliards de paramètres au total pour Maverick. Ces valeurs sont distinctes de la configuration de Scout à 16 experts et 109 milliards de paramètres au total, bien que tous deux portent l’étiquette de taille active 17B. Le nom Instruct identifie le point de contrôle orienté assistant plutôt que le modèle Maverick préentraîné.
La fiche du modèle documente une fenêtre de contexte de 1 M pour Maverick. Utilisez le contexte pour conserver ensemble les passages pertinents, les images, la conversation et la réponse demandée. Un grand ensemble de sources nécessite toujours une question et un livrable définis. Étiquetez les documents sources et les images et demandez l’emplacement qui étaye chaque constat extrait au lieu de demander un résumé sans direction de tous les contenus.
Les langues prises en charge sont l’arabe, l’anglais, le français, l’allemand, l’hindi, l’indonésien, l’italien, le portugais, l’espagnol, le tagalog, le thaï et le vietnamien. Le fabricant distingue ces douze langues prises en charge de l’ensemble plus large d’environ deux cents langues utilisées au préentraînement. La présence d’une langue à l’entraînement ne doit pas devenir une promesse de capacités égales pour toutes les langues.
Tâches de chat, de vision et de code
Les usages visuels prévus de la fiche comprennent la reconnaissance, le raisonnement sur les images, la rédaction de légendes et les réponses à des questions générales sur une image. Pour une photographie, demandez au modèle d’identifier les objets ou la relation pertinents pour la tâche. Pour un graphique, demandez une comparaison entre des séries nommées, en conservant les axes et les unités. Pour un schéma, demandez quelle connexion étiquetée étaye une exigence fournie.
Pour une comparaison entre plusieurs images, identifiez le rôle de chaque image et demandez les mêmes critères pour toutes. Fournissez par exemple une conception d’origine et une révision, puis demandez les correspondances visibles, les différences et les détails que les images n’établissent pas. Séparez les observations des conclusions qui dépendent du texte d’accompagnement. La sortie est ainsi plus facile à vérifier par rapport à la source réelle.
Le fabricant rapporte des tests de compréhension d’images avec jusqu’à cinq images en entrée. C’est le périmètre testé documenté, et non un maximum strict inconditionnel du nombre d’images. Préservez les détails nécessaires à la question et l’ordre des images. Ajouter un grand nombre d’images sans rapport ne définit pas à lui seul ce qui doit être comparé.
Pour une tâche de programmation, fournissez l’exigence, les sources pertinentes et le comportement attendu. Demandez l’implémentation proposée séparément de ses hypothèses et de ses exemples. Une capture d’écran peut fournir des exigences visuelles, tandis que la condition textuelle apporte le comportement que la capture ne peut pas montrer. Le code généré est un livrable textuel ; son exécution, l’inspection d’une interface rendue ou son application à un dépôt nécessite l’environnement connecté.
Préparation de la conversation et entraînement
La fiche du modèle présente le processeur et le gabarit de conversation correspondants avec deux images et une question de comparaison écrite. Gardez explicites les rôles de conversation et l’association image-texte. Une consigne système peut définir le public, le ton et la structure de réponse, tandis que le message utilisateur fournit la tâche réelle et les éléments probants. Le fabricant décrit des améliorations de post-entraînement du suivi des prompts système et de la mise en forme conversationnelle.
Maverick est préentraîné sur environ 22 000 milliards de tokens de données multimodales, avec une date limite déclarée des données de préentraînement en août 2024. C’est une limite statique des données d’entraînement plutôt qu’un accès en direct aux informations actuelles. Lorsqu’une question dépend de contenus plus récents ou privés, fournissez-les comme contexte source ou via une opération de recherche documentaire connectée séparément.
La publication comprend des poids BF16 et des poids FP8 quantifiés séparément. Ces choix de précision ne créent pas une autre modalité d’entrée et n’accordent pas à Maverick le contexte de 10 M de Scout. Préservez le point de contrôle Instruct exact et sa configuration lorsque vous comparez une tâche répétée ou un déploiement dérivé.
Conception pratique du résultat
Une tâche sur une image de document peut demander l’identifiant de la source, l’énoncé visible, la valeur extraite et l’interprétation comme champs séparés. Une explication conversationnelle peut conserver les termes originaux et adapter la prose à la langue prise en charge du lecteur. Une demande de programmation peut renvoyer le fragment révisé et des exemples distinguant son comportement attendu.
Définissez l’usage du résultat final avant de fournir les contenus. Une courte légende, un tableau comparatif et un programme proposé résolvent des tâches différentes même s’ils partagent les mêmes images. Les capacités visuelles et linguistiques du modèle fournissent l’interprétation et le texte ; la recherche externe, l’exécution ou la production de fichiers proviennent de composants applicatifs.
Limites particulières
Les entrées documentées ici sont le texte et les images, avec des sorties en texte et en code. La compréhension audio ou vidéo, la génération de parole et les réglages nommés d’effort de raisonnement de Muse Spark ne doivent pas être attribués à cette édition Maverick. Llama Guard est aussi un classificateur entraîné séparément plutôt qu’une classification automatiquement issue d’une réponse Maverick.
L’exemple de génération de 256 tokens de la fiche est un réglage d’exemple, et les sources consultées n’établissent pas de maximum strict distinct de tokens de sortie au-delà de la spécification de contexte du modèle. Gardez explicites l’identité Maverick, le périmètre des langues prises en charge et le livrable final relié aux sources au lieu d’emprunter les limites ou les modes d’une autre version Llama.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta-llama/llama-4-maverick | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000375 / 1K tokens Sortie · Tokens en sortie $0.001305 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000375 / 1K tokens Sortie · Tokens en sortie $0.001305 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick est le modèle Instruct nativement texte et image de Meta, avec 128 experts, 17 milliards de paramètres actifs et 400 milliards au total. Le fabricant documente un contexte de 1 M, des sorties multilingues en texte et en code, la reconnaissance visuelle, les légendes et les questions sur les images, dans une version distincte de Scout.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama 4 Maverick Instruct est le modèle nativement multimodal de Meta pour les conversations de type assistant et le raisonnement visuel. Il reçoit du texte multilingue et des images et génère du texte multilingue ou du code. Son architecture à mélange d’experts utilise une fusion précoce, combinant les informations visuelles et textuelles au sein du modèle plutôt que de traiter l’image comme une légende sans rapport fournie par un assistant textuel séparé.
Informations sur le modèle et contexte
Le fabricant annonce 128 experts, 17 milliards de paramètres actifs et 400 milliards de paramètres au total pour Maverick. Ces valeurs sont distinctes de la configuration de Scout à 16 experts et 109 milliards de paramètres au total, bien que tous deux portent l’étiquette de taille active 17B. Le nom Instruct identifie le point de contrôle orienté assistant plutôt que le modèle Maverick préentraîné.
La fiche du modèle documente une fenêtre de contexte de 1 M pour Maverick. Utilisez le contexte pour conserver ensemble les passages pertinents, les images, la conversation et la réponse demandée. Un grand ensemble de sources nécessite toujours une question et un livrable définis. Étiquetez les documents sources et les images et demandez l’emplacement qui étaye chaque constat extrait au lieu de demander un résumé sans direction de tous les contenus.
Les langues prises en charge sont l’arabe, l’anglais, le français, l’allemand, l’hindi, l’indonésien, l’italien, le portugais, l’espagnol, le tagalog, le thaï et le vietnamien. Le fabricant distingue ces douze langues prises en charge de l’ensemble plus large d’environ deux cents langues utilisées au préentraînement. La présence d’une langue à l’entraînement ne doit pas devenir une promesse de capacités égales pour toutes les langues.
Tâches de chat, de vision et de code
Les usages visuels prévus de la fiche comprennent la reconnaissance, le raisonnement sur les images, la rédaction de légendes et les réponses à des questions générales sur une image. Pour une photographie, demandez au modèle d’identifier les objets ou la relation pertinents pour la tâche. Pour un graphique, demandez une comparaison entre des séries nommées, en conservant les axes et les unités. Pour un schéma, demandez quelle connexion étiquetée étaye une exigence fournie.
Pour une comparaison entre plusieurs images, identifiez le rôle de chaque image et demandez les mêmes critères pour toutes. Fournissez par exemple une conception d’origine et une révision, puis demandez les correspondances visibles, les différences et les détails que les images n’établissent pas. Séparez les observations des conclusions qui dépendent du texte d’accompagnement. La sortie est ainsi plus facile à vérifier par rapport à la source réelle.
Le fabricant rapporte des tests de compréhension d’images avec jusqu’à cinq images en entrée. C’est le périmètre testé documenté, et non un maximum strict inconditionnel du nombre d’images. Préservez les détails nécessaires à la question et l’ordre des images. Ajouter un grand nombre d’images sans rapport ne définit pas à lui seul ce qui doit être comparé.
Pour une tâche de programmation, fournissez l’exigence, les sources pertinentes et le comportement attendu. Demandez l’implémentation proposée séparément de ses hypothèses et de ses exemples. Une capture d’écran peut fournir des exigences visuelles, tandis que la condition textuelle apporte le comportement que la capture ne peut pas montrer. Le code généré est un livrable textuel ; son exécution, l’inspection d’une interface rendue ou son application à un dépôt nécessite l’environnement connecté.
Préparation de la conversation et entraînement
La fiche du modèle présente le processeur et le gabarit de conversation correspondants avec deux images et une question de comparaison écrite. Gardez explicites les rôles de conversation et l’association image-texte. Une consigne système peut définir le public, le ton et la structure de réponse, tandis que le message utilisateur fournit la tâche réelle et les éléments probants. Le fabricant décrit des améliorations de post-entraînement du suivi des prompts système et de la mise en forme conversationnelle.
Maverick est préentraîné sur environ 22 000 milliards de tokens de données multimodales, avec une date limite déclarée des données de préentraînement en août 2024. C’est une limite statique des données d’entraînement plutôt qu’un accès en direct aux informations actuelles. Lorsqu’une question dépend de contenus plus récents ou privés, fournissez-les comme contexte source ou via une opération de recherche documentaire connectée séparément.
La publication comprend des poids BF16 et des poids FP8 quantifiés séparément. Ces choix de précision ne créent pas une autre modalité d’entrée et n’accordent pas à Maverick le contexte de 10 M de Scout. Préservez le point de contrôle Instruct exact et sa configuration lorsque vous comparez une tâche répétée ou un déploiement dérivé.
Conception pratique du résultat
Une tâche sur une image de document peut demander l’identifiant de la source, l’énoncé visible, la valeur extraite et l’interprétation comme champs séparés. Une explication conversationnelle peut conserver les termes originaux et adapter la prose à la langue prise en charge du lecteur. Une demande de programmation peut renvoyer le fragment révisé et des exemples distinguant son comportement attendu.
Définissez l’usage du résultat final avant de fournir les contenus. Une courte légende, un tableau comparatif et un programme proposé résolvent des tâches différentes même s’ils partagent les mêmes images. Les capacités visuelles et linguistiques du modèle fournissent l’interprétation et le texte ; la recherche externe, l’exécution ou la production de fichiers proviennent de composants applicatifs.
Limites particulières
Les entrées documentées ici sont le texte et les images, avec des sorties en texte et en code. La compréhension audio ou vidéo, la génération de parole et les réglages nommés d’effort de raisonnement de Muse Spark ne doivent pas être attribués à cette édition Maverick. Llama Guard est aussi un classificateur entraîné séparément plutôt qu’une classification automatiquement issue d’une réponse Maverick.
L’exemple de génération de 256 tokens de la fiche est un réglage d’exemple, et les sources consultées n’établissent pas de maximum strict distinct de tokens de sortie au-delà de la spécification de contexte du modèle. Gardez explicites l’identité Maverick, le périmètre des langues prises en charge et le livrable final relié aux sources au lieu d’emprunter les limites ou les modes d’une autre version Llama.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta-llama/llama-4-maverick | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000375 / 1K tokens Sortie · Tokens en sortie $0.001305 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000375 / 1K tokens Sortie · Tokens en sortie $0.001305 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Exemple technique en anglais
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.