Llama Guard 4 12B est le classificateur de sécurité nativement multimodal de Meta à 12 milliards de paramètres. Il est entraîné conjointement sur du texte et plusieurs images et génère une classification textuelle : safe ou unsafe, avec les catégories de risque concernées lorsque le résultat est unsafe. Il sert à évaluer le contenu d’un prompt ou d’une réponse générée plutôt qu’à agir comme un assistant de chat généraliste.
Classification des prompts et des réponses
Le modèle peut classer les contenus avant leur envoi à un modèle génératif, après la production d’une réponse par ce modèle ou aux deux étapes. Ce sont des questions différentes. La classification du prompt évalue l’entrée de l’utilisateur, tandis que celle de la réponse évalue ce que l’assistant a réellement écrit. Un système peut ainsi distinguer une demande risquée d’une réponse qui la traite de manière acceptable selon la taxonomie du classificateur.
Fournissez le contenu exact à classer avec les rôles de conversation et le contexte pertinent. Si la cible est une réponse, conservez la question qui lui donne son sens. Pour une entrée mêlant texte et images, incluez les images associées à ce prompt au lieu de classer un texte sans rapport ou une image choisie arbitrairement. Le résultat du classificateur est une information destinée à la règle de l’application ou à son étape de contrôle ; il ne bloque pas à lui seul une requête et ne modifie pas un fichier.
Quatorze catégories de risque
Le fabricant aligne le classificateur sur la taxonomie de risques MLCommons et ajoute une catégorie d’interpréteur de code exclusivement textuelle. Les quatorze étiquettes couvrent les crimes violents, les crimes non violents, les crimes à caractère sexuel, l’exploitation sexuelle des enfants, la diffamation, les conseils spécialisés, la vie privée, la propriété intellectuelle, les armes à effets indiscriminés, la haine, le suicide et l’automutilation, les contenus sexuels, les élections et l’abus d’interpréteur de code.
Les catégories utilisent les identifiants S1 à S14. S14, Code Interpreter Abuse, concerne spécifiquement les usages d’appels d’outils exclusivement textuels. Conservez l’identifiant taxonomique avec le résultat safe/unsafe pour qu’une étape applicative ultérieure puisse interpréter la classification selon les mêmes définitions de catégories. Un résultat court est un jugement de catégorie, et non une explication complète, une détermination juridique ou la garantie que tous les préjudices possibles ont été détectés.
À titre de format d’exemple, une classification unsafe peut être suivie de l’identifiant de catégorie applicable. Gardez ensemble le texte original évalué, sa source ou sa position dans la conversation et les étiquettes renvoyées. Cette association permet à une application de distinguer le contenu examiné d’une réponse réécrite ensuite ou d’un prompt séparé.
Architecture et entraînement
Llama Guard 4 possède une architecture Transformer dense à fusion précoce, élaguée à partir d’un point de contrôle Llama 4 Scout préentraîné. Le fabricant supprime les experts routés et les couches de routage et conserve l’expert dense partagé, puis post-entraîne le modèle obtenu pour la classification de contenu. Il n’effectue aucun préentraînement supplémentaire après cet élagage. Cela crée un modèle différent de l’édition de chat Scout à mélange d’experts.
Le modèle partage le tokenizer et l’encodeur de vision de Llama 4 et combine l’entraînement à la classification exclusivement textuelle et multimodale. Le fabricant décrit des données multilingues et un entraînement sur plusieurs images, la plupart de ces échantillons contenant deux à cinq images et un mélange approximatif de trois pour un entre données exclusivement textuelles et multimodales. Ce sont des caractéristiques d’entraînement, et non des limites strictes du nombre d’entrées.
Le périmètre multilingue documenté suit les langues prises en charge par Llama Guard 3, et la fiche évoque l’anglais ainsi que le français, l’allemand, l’hindi, l’italien, le portugais, l’espagnol et le thaï. Une demande de classification doit préserver la formulation réelle et le contexte visuel dans la langue évaluée au lieu de remplacer le contenu par un résumé sans rapport.
Préparer un résultat de classification utile
Pour un contrôle d’entrée, fournissez le message de l’utilisateur et ses images associées et demandez la classification du prompt au format du fabricant. Pour un contrôle de sortie, fournissez la réponse réelle de l’assistant avec le message précédent pertinent. Un exemple à plusieurs images peut conserver le texte qui relie les images afin que le modèle évalue la demande combinée plutôt que des fragments indépendants sans contexte.
La fiche du modèle montre l’application du gabarit de conversation correspondant et le décodage de la seule classification générée. Son exemple de génération de dix tokens illustre un résultat court sous forme d’étiquette ; ce nombre n’est pas une capacité maximale distincte de réponse. Alignez la sortie demandée sur la finalité du classificateur au lieu de lui demander de rédiger une réponse conversationnelle ordinaire.
Limites particulières
Le fabricant indique que les jugements peuvent être limités par les données d’entraînement, les connaissances de bon sens, la couverture linguistique et la couverture des règles du modèle. Les catégories liées à la diffamation, à la propriété intellectuelle et aux élections peuvent nécessiter des connaissances factuelles actuelles dont le classificateur ne dispose pas. L’étiquette de catégorie doit donc conserver son lien avec le contenu et les informations disponibles pour cette évaluation.
La fiche rapporte des tests principalement sur des prompts contenant quelques images, le plus souvent trois, et note que le comportement peut varier avec une collection d’images beaucoup plus grande. Cela décrit le périmètre testé plutôt qu’un maximum universel de trois images. Le modèle peut aussi être vulnérable à des contenus adversariaux ou à des injections de prompt qui modifient son comportement prévu.
Le rôle de classificateur de Llama Guard 4 ne doit pas hériter des spécifications de contexte ou des capacités d’assistant généraliste de Scout simplement parce qu’il a été élagué à partir de Scout. La fiche consultée ne donne pas de capacité stricte distincte de contexte ou de tokens de sortie pour ce classificateur. Préservez les contenus évalués et les étiquettes taxonomiques comme livrable pratique, et laissez l’application décider de l’action associée à ce résultat.
", "aboutText": "Llama Guard 4 12B est le classificateur de sécurité nativement multimodal de Meta à 12 milliards de paramètres. Il est entraîné conjointement sur du texte et plusieurs images et génère une classification textuelle : safe ou unsafe, avec les catégories de risque concernées lorsque le résultat est unsafe. Il sert à évaluer le contenu d’un prompt ou d’une réponse générée plutôt qu’à agir comme un assistant de chat généraliste.\n\nClassification des prompts et des réponses\n\nLe modèle peut classer les contenus avant leur envoi à un modèle génératif, après la production d’une réponse par ce modèle ou aux deux étapes. Ce sont des questions différentes. La classification du prompt évalue l’entrée de l’utilisateur, tandis que celle de la réponse évalue ce que l’assistant a réellement écrit. Un système peut ainsi distinguer une demande risquée d’une réponse qui la traite de manière acceptable selon la taxonomie du classificateur.\n\nFournissez le contenu exact à classer avec les rôles de conversation et le contexte pertinent. Si la cible est une réponse, conservez la question qui lui donne son sens. Pour une entrée mêlant texte et images, incluez les images associées à ce prompt au lieu de classer un texte sans rapport ou une image choisie arbitrairement. Le résultat du classificateur est une information destinée à la règle de l’application ou à son étape de contrôle ; il ne bloque pas à lui seul une requête et ne modifie pas un fichier.\n\nQuatorze catégories de risque\n\nLe fabricant aligne le classificateur sur la taxonomie de risques MLCommons et ajoute une catégorie d’interpréteur de code exclusivement textuelle. Les quatorze étiquettes couvrent les crimes violents, les crimes non violents, les crimes à caractère sexuel, l’exploitation sexuelle des enfants, la diffamation, les conseils spécialisés, la vie privée, la propriété intellectuelle, les armes à effets indiscriminés, la haine, le suicide et l’automutilation, les contenus sexuels, les élections et l’abus d’interpréteur de code.\n\nLes catégories utilisent les identifiants S1 à S14. S14, Code Interpreter Abuse, concerne spécifiquement les usages d’appels d’outils exclusivement textuels. Conservez l’identifiant taxonomique avec le résultat safe/unsafe pour qu’une étape applicative ultérieure puisse interpréter la classification selon les mêmes définitions de catégories. Un résultat court est un jugement de catégorie, et non une explication complète, une détermination juridique ou la garantie que tous les préjudices possibles ont été détectés.\n\nÀ titre de format d’exemple, une classification unsafe peut être suivie de l’identifiant de catégorie applicable. Gardez ensemble le texte original évalué, sa source ou sa position dans la conversation et les étiquettes renvoyées. Cette association permet à une application de distinguer le contenu examiné d’une réponse réécrite ensuite ou d’un prompt séparé.\n\nArchitecture et entraînement\n\nLlama Guard 4 possède une architecture Transformer dense à fusion précoce, élaguée à partir d’un point de contrôle Llama 4 Scout préentraîné. Le fabricant supprime les experts routés et les couches de routage et conserve l’expert dense partagé, puis post-entraîne le modèle obtenu pour la classification de contenu. Il n’effectue aucun préentraînement supplémentaire après cet élagage. Cela crée un modèle différent de l’édition de chat Scout à mélange d’experts.\n\nLe modèle partage le tokenizer et l’encodeur de vision de Llama 4 et combine l’entraînement à la classification exclusivement textuelle et multimodale. Le fabricant décrit des données multilingues et un entraînement sur plusieurs images, la plupart de ces échantillons contenant deux à cinq images et un mélange approximatif de trois pour un entre données exclusivement textuelles et multimodales. Ce sont des caractéristiques d’entraînement, et non des limites strictes du nombre d’entrées.\n\nLe périmètre multilingue documenté suit les langues prises en charge par Llama Guard 3, et la fiche évoque l’anglais ainsi que le français, l’allemand, l’hindi, l’italien, le portugais, l’espagnol et le thaï. Une demande de classification doit préserver la formulation réelle et le contexte visuel dans la langue évaluée au lieu de remplacer le contenu par un résumé sans rapport.\n\nPréparer un résultat de classification utile\n\nPour un contrôle d’entrée, fournissez le message de l’utilisateur et ses images associées et demandez la classification du prompt au format du fabricant. Pour un contrôle de sortie, fournissez la réponse réelle de l’assistant avec le message précédent pertinent. Un exemple à plusieurs images peut conserver le texte qui relie les images afin que le modèle évalue la demande combinée plutôt que des fragments indépendants sans contexte.\n\nLa fiche du modèle montre l’application du gabarit de conversation correspondant et le décodage de la seule classification générée. Son exemple de génération de dix tokens illustre un résultat court sous forme d’étiquette ; ce nombre n’est pas une capacité maximale distincte de réponse. Alignez la sortie demandée sur la finalité du classificateur au lieu de lui demander de rédiger une réponse conversationnelle ordinaire.\n\nLimites particulières\n\nLe fabricant indique que les jugements peuvent être limités par les données d’entraînement, les connaissances de bon sens, la couverture linguistique et la couverture des règles du modèle. Les catégories liées à la diffamation, à la propriété intellectuelle et aux élections peuvent nécessiter des connaissances factuelles actuelles dont le classificateur ne dispose pas. L’étiquette de catégorie doit donc conserver son lien avec le contenu et les informations disponibles pour cette évaluation.\n\nLa fiche rapporte des tests principalement sur des prompts contenant quelques images, le plus souvent trois, et note que le comportement peut varier avec une collection d’images beaucoup plus grande. Cela décrit le périmètre testé plutôt qu’un maximum universel de trois images. Le modèle peut aussi être vulnérable à des contenus adversariaux ou à des injections de prompt qui modifient son comportement prévu.\n\nLe rôle de classificateur de Llama Guard 4 ne doit pas hériter des spécifications de contexte ou des capacités d’assistant généraliste de Scout simplement parce qu’il a été élagué à partir de Scout. La fiche consultée ne donne pas de capacité stricte distincte de contexte ou de tokens de sortie pour ce classificateur. Préservez les contenus évalués et les étiquettes taxonomiques comme livrable pratique, et laissez l’application décider de l’action associée à ce résultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est le classificateur de contenu multimodal de Meta pour les prompts et les réponses générées. Il analyse du texte avec une ou plusieurs images et renvoie une étiquette safe/unsafe ainsi que les catégories de risque applicables, en utilisant une architecture dense élaguée à partir de Llama 4 Scout.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama Guard 4 12B est le classificateur de sécurité nativement multimodal de Meta à 12 milliards de paramètres. Il est entraîné conjointement sur du texte et plusieurs images et génère une classification textuelle : safe ou unsafe, avec les catégories de risque concernées lorsque le résultat est unsafe. Il sert à évaluer le contenu d’un prompt ou d’une réponse générée plutôt qu’à agir comme un assistant de chat généraliste.
Classification des prompts et des réponses
Le modèle peut classer les contenus avant leur envoi à un modèle génératif, après la production d’une réponse par ce modèle ou aux deux étapes. Ce sont des questions différentes. La classification du prompt évalue l’entrée de l’utilisateur, tandis que celle de la réponse évalue ce que l’assistant a réellement écrit. Un système peut ainsi distinguer une demande risquée d’une réponse qui la traite de manière acceptable selon la taxonomie du classificateur.
Fournissez le contenu exact à classer avec les rôles de conversation et le contexte pertinent. Si la cible est une réponse, conservez la question qui lui donne son sens. Pour une entrée mêlant texte et images, incluez les images associées à ce prompt au lieu de classer un texte sans rapport ou une image choisie arbitrairement. Le résultat du classificateur est une information destinée à la règle de l’application ou à son étape de contrôle ; il ne bloque pas à lui seul une requête et ne modifie pas un fichier.
Quatorze catégories de risque
Le fabricant aligne le classificateur sur la taxonomie de risques MLCommons et ajoute une catégorie d’interpréteur de code exclusivement textuelle. Les quatorze étiquettes couvrent les crimes violents, les crimes non violents, les crimes à caractère sexuel, l’exploitation sexuelle des enfants, la diffamation, les conseils spécialisés, la vie privée, la propriété intellectuelle, les armes à effets indiscriminés, la haine, le suicide et l’automutilation, les contenus sexuels, les élections et l’abus d’interpréteur de code.
Les catégories utilisent les identifiants S1 à S14. S14, Code Interpreter Abuse, concerne spécifiquement les usages d’appels d’outils exclusivement textuels. Conservez l’identifiant taxonomique avec le résultat safe/unsafe pour qu’une étape applicative ultérieure puisse interpréter la classification selon les mêmes définitions de catégories. Un résultat court est un jugement de catégorie, et non une explication complète, une détermination juridique ou la garantie que tous les préjudices possibles ont été détectés.
À titre de format d’exemple, une classification unsafe peut être suivie de l’identifiant de catégorie applicable. Gardez ensemble le texte original évalué, sa source ou sa position dans la conversation et les étiquettes renvoyées. Cette association permet à une application de distinguer le contenu examiné d’une réponse réécrite ensuite ou d’un prompt séparé.
Architecture et entraînement
Llama Guard 4 possède une architecture Transformer dense à fusion précoce, élaguée à partir d’un point de contrôle Llama 4 Scout préentraîné. Le fabricant supprime les experts routés et les couches de routage et conserve l’expert dense partagé, puis post-entraîne le modèle obtenu pour la classification de contenu. Il n’effectue aucun préentraînement supplémentaire après cet élagage. Cela crée un modèle différent de l’édition de chat Scout à mélange d’experts.
Le modèle partage le tokenizer et l’encodeur de vision de Llama 4 et combine l’entraînement à la classification exclusivement textuelle et multimodale. Le fabricant décrit des données multilingues et un entraînement sur plusieurs images, la plupart de ces échantillons contenant deux à cinq images et un mélange approximatif de trois pour un entre données exclusivement textuelles et multimodales. Ce sont des caractéristiques d’entraînement, et non des limites strictes du nombre d’entrées.
Le périmètre multilingue documenté suit les langues prises en charge par Llama Guard 3, et la fiche évoque l’anglais ainsi que le français, l’allemand, l’hindi, l’italien, le portugais, l’espagnol et le thaï. Une demande de classification doit préserver la formulation réelle et le contexte visuel dans la langue évaluée au lieu de remplacer le contenu par un résumé sans rapport.
Préparer un résultat de classification utile
Pour un contrôle d’entrée, fournissez le message de l’utilisateur et ses images associées et demandez la classification du prompt au format du fabricant. Pour un contrôle de sortie, fournissez la réponse réelle de l’assistant avec le message précédent pertinent. Un exemple à plusieurs images peut conserver le texte qui relie les images afin que le modèle évalue la demande combinée plutôt que des fragments indépendants sans contexte.
La fiche du modèle montre l’application du gabarit de conversation correspondant et le décodage de la seule classification générée. Son exemple de génération de dix tokens illustre un résultat court sous forme d’étiquette ; ce nombre n’est pas une capacité maximale distincte de réponse. Alignez la sortie demandée sur la finalité du classificateur au lieu de lui demander de rédiger une réponse conversationnelle ordinaire.
Limites particulières
Le fabricant indique que les jugements peuvent être limités par les données d’entraînement, les connaissances de bon sens, la couverture linguistique et la couverture des règles du modèle. Les catégories liées à la diffamation, à la propriété intellectuelle et aux élections peuvent nécessiter des connaissances factuelles actuelles dont le classificateur ne dispose pas. L’étiquette de catégorie doit donc conserver son lien avec le contenu et les informations disponibles pour cette évaluation.
La fiche rapporte des tests principalement sur des prompts contenant quelques images, le plus souvent trois, et note que le comportement peut varier avec une collection d’images beaucoup plus grande. Cela décrit le périmètre testé plutôt qu’un maximum universel de trois images. Le modèle peut aussi être vulnérable à des contenus adversariaux ou à des injections de prompt qui modifient son comportement prévu.
Le rôle de classificateur de Llama Guard 4 ne doit pas hériter des spécifications de contexte ou des capacités d’assistant généraliste de Scout simplement parce qu’il a été élagué à partir de Scout. La fiche consultée ne donne pas de capacité stricte distincte de contexte ou de tokens de sortie pour ce classificateur. Préservez les contenus évalués et les étiquettes taxonomiques comme livrable pratique, et laissez l’application décider de l’action associée à ce résultat.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache — / 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-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 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 meta-llama/llama-guard-4-12b
Utilisez les chemins de méthode indiqués ci-dessus.
meta-llama/llama-guard-4-12bLlama Guard 4 12B est le classificateur de contenu multimodal de Meta pour les prompts et les réponses générées. Il analyse du texte avec une ou plusieurs images et renvoie une étiquette safe/unsafe ainsi que les catégories de risque applicables, en utilisant une architecture dense élaguée à partir de Llama 4 Scout.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Llama Guard 4 12B est le classificateur de sécurité nativement multimodal de Meta à 12 milliards de paramètres. Il est entraîné conjointement sur du texte et plusieurs images et génère une classification textuelle : safe ou unsafe, avec les catégories de risque concernées lorsque le résultat est unsafe. Il sert à évaluer le contenu d’un prompt ou d’une réponse générée plutôt qu’à agir comme un assistant de chat généraliste.
Classification des prompts et des réponses
Le modèle peut classer les contenus avant leur envoi à un modèle génératif, après la production d’une réponse par ce modèle ou aux deux étapes. Ce sont des questions différentes. La classification du prompt évalue l’entrée de l’utilisateur, tandis que celle de la réponse évalue ce que l’assistant a réellement écrit. Un système peut ainsi distinguer une demande risquée d’une réponse qui la traite de manière acceptable selon la taxonomie du classificateur.
Fournissez le contenu exact à classer avec les rôles de conversation et le contexte pertinent. Si la cible est une réponse, conservez la question qui lui donne son sens. Pour une entrée mêlant texte et images, incluez les images associées à ce prompt au lieu de classer un texte sans rapport ou une image choisie arbitrairement. Le résultat du classificateur est une information destinée à la règle de l’application ou à son étape de contrôle ; il ne bloque pas à lui seul une requête et ne modifie pas un fichier.
Quatorze catégories de risque
Le fabricant aligne le classificateur sur la taxonomie de risques MLCommons et ajoute une catégorie d’interpréteur de code exclusivement textuelle. Les quatorze étiquettes couvrent les crimes violents, les crimes non violents, les crimes à caractère sexuel, l’exploitation sexuelle des enfants, la diffamation, les conseils spécialisés, la vie privée, la propriété intellectuelle, les armes à effets indiscriminés, la haine, le suicide et l’automutilation, les contenus sexuels, les élections et l’abus d’interpréteur de code.
Les catégories utilisent les identifiants S1 à S14. S14, Code Interpreter Abuse, concerne spécifiquement les usages d’appels d’outils exclusivement textuels. Conservez l’identifiant taxonomique avec le résultat safe/unsafe pour qu’une étape applicative ultérieure puisse interpréter la classification selon les mêmes définitions de catégories. Un résultat court est un jugement de catégorie, et non une explication complète, une détermination juridique ou la garantie que tous les préjudices possibles ont été détectés.
À titre de format d’exemple, une classification unsafe peut être suivie de l’identifiant de catégorie applicable. Gardez ensemble le texte original évalué, sa source ou sa position dans la conversation et les étiquettes renvoyées. Cette association permet à une application de distinguer le contenu examiné d’une réponse réécrite ensuite ou d’un prompt séparé.
Architecture et entraînement
Llama Guard 4 possède une architecture Transformer dense à fusion précoce, élaguée à partir d’un point de contrôle Llama 4 Scout préentraîné. Le fabricant supprime les experts routés et les couches de routage et conserve l’expert dense partagé, puis post-entraîne le modèle obtenu pour la classification de contenu. Il n’effectue aucun préentraînement supplémentaire après cet élagage. Cela crée un modèle différent de l’édition de chat Scout à mélange d’experts.
Le modèle partage le tokenizer et l’encodeur de vision de Llama 4 et combine l’entraînement à la classification exclusivement textuelle et multimodale. Le fabricant décrit des données multilingues et un entraînement sur plusieurs images, la plupart de ces échantillons contenant deux à cinq images et un mélange approximatif de trois pour un entre données exclusivement textuelles et multimodales. Ce sont des caractéristiques d’entraînement, et non des limites strictes du nombre d’entrées.
Le périmètre multilingue documenté suit les langues prises en charge par Llama Guard 3, et la fiche évoque l’anglais ainsi que le français, l’allemand, l’hindi, l’italien, le portugais, l’espagnol et le thaï. Une demande de classification doit préserver la formulation réelle et le contexte visuel dans la langue évaluée au lieu de remplacer le contenu par un résumé sans rapport.
Préparer un résultat de classification utile
Pour un contrôle d’entrée, fournissez le message de l’utilisateur et ses images associées et demandez la classification du prompt au format du fabricant. Pour un contrôle de sortie, fournissez la réponse réelle de l’assistant avec le message précédent pertinent. Un exemple à plusieurs images peut conserver le texte qui relie les images afin que le modèle évalue la demande combinée plutôt que des fragments indépendants sans contexte.
La fiche du modèle montre l’application du gabarit de conversation correspondant et le décodage de la seule classification générée. Son exemple de génération de dix tokens illustre un résultat court sous forme d’étiquette ; ce nombre n’est pas une capacité maximale distincte de réponse. Alignez la sortie demandée sur la finalité du classificateur au lieu de lui demander de rédiger une réponse conversationnelle ordinaire.
Limites particulières
Le fabricant indique que les jugements peuvent être limités par les données d’entraînement, les connaissances de bon sens, la couverture linguistique et la couverture des règles du modèle. Les catégories liées à la diffamation, à la propriété intellectuelle et aux élections peuvent nécessiter des connaissances factuelles actuelles dont le classificateur ne dispose pas. L’étiquette de catégorie doit donc conserver son lien avec le contenu et les informations disponibles pour cette évaluation.
La fiche rapporte des tests principalement sur des prompts contenant quelques images, le plus souvent trois, et note que le comportement peut varier avec une collection d’images beaucoup plus grande. Cela décrit le périmètre testé plutôt qu’un maximum universel de trois images. Le modèle peut aussi être vulnérable à des contenus adversariaux ou à des injections de prompt qui modifient son comportement prévu.
Le rôle de classificateur de Llama Guard 4 ne doit pas hériter des spécifications de contexte ou des capacités d’assistant généraliste de Scout simplement parce qu’il a été élagué à partir de Scout. La fiche consultée ne donne pas de capacité stricte distincte de contexte ou de tokens de sortie pour ce classificateur. Préservez les contenus évalués et les étiquettes taxonomiques comme livrable pratique, et laissez l’application décider de l’action associée à ce résultat.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache — / 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 $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 meta-llama/llama-guard-4-12b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.