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 enfreintes lorsque le résultat est unsafe. Il vise l’évaluation du contenu d’une instruction ou d’une réponse générée plutôt que le rôle d’assistant de clavardage généraliste.
Classification des instructions et des réponses
Le modèle peut classifier du contenu avant son envoi à un modèle génératif, après la production d’une réponse par ce modèle ou aux deux moments. Ce sont des questions différentes. La classification des instructions évalue l’entrée de l’utilisateur, tandis que celle des réponses évalue ce qu’un assistant a réellement écrit. Un système peut donc distinguer une demande risquée d’une réponse qui traite la demande de façon acceptable selon la taxonomie du classificateur.
Fournissez le contenu exact à classifier avec les rôles conversationnels et le contexte pertinent. Si la cible est une réponse, conservez la question qui donne son sens à la réponse. Pour une entrée mixte texte et image, incluez les images associées à cette instruction plutôt que de classifier du texte sans rapport ou une image choisie arbitrairement. Le résultat du classificateur est de l’information destinée à la règle ou à l’étape de révision de l’application; il ne bloque pas lui-même 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, le contenu sexuel, les élections et l’abus de l’interpréteur de code.
Les catégories utilisent les identifiants S1 à S14. S14, Code Interpreter Abuse, vise précisément les cas d’utilisation 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 court résultat est un jugement de catégorie, et non une explication complète, une détermination juridique ou une garantie que tous les préjudices possibles ont été détectés.
Dans un format illustratif, une classification unsafe peut être suivie de l’identifiant de catégorie applicable. Conservez 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 reformulée ultérieure ou d’une instruction distincte.
Architecture et entraînement
Llama Guard 4 possède une architecture Transformer dense à fusion précoce, élaguée d’un point de contrôle Llama 4 Scout préentraîné. Le fabricant retire les experts routés et les couches de routage et conserve l’expert dense partagé, puis postentraîne le modèle obtenu pour la classification de contenu. Il n’effectue pas de préentraînement supplémentaire après cet élagage. Cela crée un modèle différent de l’édition de clavardage à mélange d’experts de Scout.
Le modèle partage le segmenteur en jetons 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 multi-image, dont la plupart des exemples contiennent deux à cinq images, avec un mélange approximatif de trois données textuelles pour une donnée multimodale. 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 traite de l’anglais ainsi que du français, de l’allemand, de l’hindi, de l’italien, du portugais, de l’espagnol et du thaï. Une demande de classification devrait préserver la formulation réelle et le contexte visuel dans la langue évaluée plutôt que de remplacer le contenu par un résumé sans rapport.
Préparer un résultat de classification utile
Pour une vérification d’entrée, fournissez le message de l’utilisateur et les images associées et demandez la classification de l’instruction dans le format du fabricant. Pour une vérification de sortie, fournissez la réponse réelle de l’assistant avec le message antérieur pertinent. Un exemple multi-image peut conserver le texte reliant les images pour que le modèle évalue la demande combinée plutôt que des fragments indépendants sans contexte.
La fiche montre l’application du gabarit de conversation correspondant et le décodage de la seule classification générée. Son exemple de génération à dix jetons illustre un court résultat d’étiquette; ce nombre n’est pas une capacité maximale distincte de réponse. Gardez la sortie demandée alignée sur la fonction 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 du modèle, les connaissances de sens commun, la couverture linguistique et la couverture des politiques. Les catégories de diffamation, de propriété intellectuelle et d’élections peuvent exiger des connaissances factuelles actuelles que le classificateur ne possède pas. L’étiquette de catégorie devrait donc rester liée au contenu et à l’information disponible pour cette évaluation.
La fiche rapporte des tests portant surtout sur des instructions avec quelques images, le plus souvent trois, et note que le comportement peut varier avec une collection beaucoup plus grande. Cela décrit le périmètre testé plutôt qu’un maximum universel de trois images. Le modèle peut aussi être sensible à du contenu adversarial ou à des injections d’instructions qui modifient son comportement prévu.
Le rôle de classificateur de Llama Guard 4 ne doit pas hériter de la spécification de contexte ou des capacités d’assistant généraliste de Scout simplement parce qu’il en a été élagué. La fiche consultée ne donne pas de capacité stricte distincte de contexte ou de jetons de sortie pour ce classificateur. Conservez le matériel évalué 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 enfreintes lorsque le résultat est unsafe. Il vise l’évaluation du contenu d’une instruction ou d’une réponse générée plutôt que le rôle d’assistant de clavardage généraliste.\n\nClassification des instructions et des réponses\n\nLe modèle peut classifier du contenu avant son envoi à un modèle génératif, après la production d’une réponse par ce modèle ou aux deux moments. Ce sont des questions différentes. La classification des instructions évalue l’entrée de l’utilisateur, tandis que celle des réponses évalue ce qu’un assistant a réellement écrit. Un système peut donc distinguer une demande risquée d’une réponse qui traite la demande de façon acceptable selon la taxonomie du classificateur.\n\nFournissez le contenu exact à classifier avec les rôles conversationnels et le contexte pertinent. Si la cible est une réponse, conservez la question qui donne son sens à la réponse. Pour une entrée mixte texte et image, incluez les images associées à cette instruction plutôt que de classifier du texte sans rapport ou une image choisie arbitrairement. Le résultat du classificateur est de l’information destinée à la règle ou à l’étape de révision de l’application; il ne bloque pas lui-même 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, le contenu sexuel, les élections et l’abus de l’interpréteur de code.\n\nLes catégories utilisent les identifiants S1 à S14. S14, Code Interpreter Abuse, vise précisément les cas d’utilisation 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 court résultat est un jugement de catégorie, et non une explication complète, une détermination juridique ou une garantie que tous les préjudices possibles ont été détectés.\n\nDans un format illustratif, une classification unsafe peut être suivie de l’identifiant de catégorie applicable. Conservez 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 reformulée ultérieure ou d’une instruction distincte.\n\nArchitecture et entraînement\n\nLlama Guard 4 possède une architecture Transformer dense à fusion précoce, élaguée d’un point de contrôle Llama 4 Scout préentraîné. Le fabricant retire les experts routés et les couches de routage et conserve l’expert dense partagé, puis postentraîne le modèle obtenu pour la classification de contenu. Il n’effectue pas de préentraînement supplémentaire après cet élagage. Cela crée un modèle différent de l’édition de clavardage à mélange d’experts de Scout.\n\nLe modèle partage le segmenteur en jetons 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 multi-image, dont la plupart des exemples contiennent deux à cinq images, avec un mélange approximatif de trois données textuelles pour une donnée multimodale. 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 traite de l’anglais ainsi que du français, de l’allemand, de l’hindi, de l’italien, du portugais, de l’espagnol et du thaï. Une demande de classification devrait préserver la formulation réelle et le contexte visuel dans la langue évaluée plutôt que de remplacer le contenu par un résumé sans rapport.\n\nPréparer un résultat de classification utile\n\nPour une vérification d’entrée, fournissez le message de l’utilisateur et les images associées et demandez la classification de l’instruction dans le format du fabricant. Pour une vérification de sortie, fournissez la réponse réelle de l’assistant avec le message antérieur pertinent. Un exemple multi-image peut conserver le texte reliant les images pour que le modèle évalue la demande combinée plutôt que des fragments indépendants sans contexte.\n\nLa fiche montre l’application du gabarit de conversation correspondant et le décodage de la seule classification générée. Son exemple de génération à dix jetons illustre un court résultat d’étiquette; ce nombre n’est pas une capacité maximale distincte de réponse. Gardez la sortie demandée alignée sur la fonction 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 du modèle, les connaissances de sens commun, la couverture linguistique et la couverture des politiques. Les catégories de diffamation, de propriété intellectuelle et d’élections peuvent exiger des connaissances factuelles actuelles que le classificateur ne possède pas. L’étiquette de catégorie devrait donc rester liée au contenu et à l’information disponible pour cette évaluation.\n\nLa fiche rapporte des tests portant surtout sur des instructions avec quelques images, le plus souvent trois, et note que le comportement peut varier avec une collection beaucoup plus grande. Cela décrit le périmètre testé plutôt qu’un maximum universel de trois images. Le modèle peut aussi être sensible à du contenu adversarial ou à des injections d’instructions qui modifient son comportement prévu.\n\nLe rôle de classificateur de Llama Guard 4 ne doit pas hériter de la spécification de contexte ou des capacités d’assistant généraliste de Scout simplement parce qu’il en a été élagué. La fiche consultée ne donne pas de capacité stricte distincte de contexte ou de jetons de sortie pour ce classificateur. Conservez le matériel évalué 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 instructions 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, à l’aide d’une architecture dense élaguée 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 enfreintes lorsque le résultat est unsafe. Il vise l’évaluation du contenu d’une instruction ou d’une réponse générée plutôt que le rôle d’assistant de clavardage généraliste.
Classification des instructions et des réponses
Le modèle peut classifier du contenu avant son envoi à un modèle génératif, après la production d’une réponse par ce modèle ou aux deux moments. Ce sont des questions différentes. La classification des instructions évalue l’entrée de l’utilisateur, tandis que celle des réponses évalue ce qu’un assistant a réellement écrit. Un système peut donc distinguer une demande risquée d’une réponse qui traite la demande de façon acceptable selon la taxonomie du classificateur.
Fournissez le contenu exact à classifier avec les rôles conversationnels et le contexte pertinent. Si la cible est une réponse, conservez la question qui donne son sens à la réponse. Pour une entrée mixte texte et image, incluez les images associées à cette instruction plutôt que de classifier du texte sans rapport ou une image choisie arbitrairement. Le résultat du classificateur est de l’information destinée à la règle ou à l’étape de révision de l’application; il ne bloque pas lui-même 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, le contenu sexuel, les élections et l’abus de l’interpréteur de code.
Les catégories utilisent les identifiants S1 à S14. S14, Code Interpreter Abuse, vise précisément les cas d’utilisation 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 court résultat est un jugement de catégorie, et non une explication complète, une détermination juridique ou une garantie que tous les préjudices possibles ont été détectés.
Dans un format illustratif, une classification unsafe peut être suivie de l’identifiant de catégorie applicable. Conservez 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 reformulée ultérieure ou d’une instruction distincte.
Architecture et entraînement
Llama Guard 4 possède une architecture Transformer dense à fusion précoce, élaguée d’un point de contrôle Llama 4 Scout préentraîné. Le fabricant retire les experts routés et les couches de routage et conserve l’expert dense partagé, puis postentraîne le modèle obtenu pour la classification de contenu. Il n’effectue pas de préentraînement supplémentaire après cet élagage. Cela crée un modèle différent de l’édition de clavardage à mélange d’experts de Scout.
Le modèle partage le segmenteur en jetons 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 multi-image, dont la plupart des exemples contiennent deux à cinq images, avec un mélange approximatif de trois données textuelles pour une donnée multimodale. 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 traite de l’anglais ainsi que du français, de l’allemand, de l’hindi, de l’italien, du portugais, de l’espagnol et du thaï. Une demande de classification devrait préserver la formulation réelle et le contexte visuel dans la langue évaluée plutôt que de remplacer le contenu par un résumé sans rapport.
Préparer un résultat de classification utile
Pour une vérification d’entrée, fournissez le message de l’utilisateur et les images associées et demandez la classification de l’instruction dans le format du fabricant. Pour une vérification de sortie, fournissez la réponse réelle de l’assistant avec le message antérieur pertinent. Un exemple multi-image peut conserver le texte reliant les images pour que le modèle évalue la demande combinée plutôt que des fragments indépendants sans contexte.
La fiche montre l’application du gabarit de conversation correspondant et le décodage de la seule classification générée. Son exemple de génération à dix jetons illustre un court résultat d’étiquette; ce nombre n’est pas une capacité maximale distincte de réponse. Gardez la sortie demandée alignée sur la fonction 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 du modèle, les connaissances de sens commun, la couverture linguistique et la couverture des politiques. Les catégories de diffamation, de propriété intellectuelle et d’élections peuvent exiger des connaissances factuelles actuelles que le classificateur ne possède pas. L’étiquette de catégorie devrait donc rester liée au contenu et à l’information disponible pour cette évaluation.
La fiche rapporte des tests portant surtout sur des instructions avec quelques images, le plus souvent trois, et note que le comportement peut varier avec une collection beaucoup plus grande. Cela décrit le périmètre testé plutôt qu’un maximum universel de trois images. Le modèle peut aussi être sensible à du contenu adversarial ou à des injections d’instructions qui modifient son comportement prévu.
Le rôle de classificateur de Llama Guard 4 ne doit pas hériter de la spécification de contexte ou des capacités d’assistant généraliste de Scout simplement parce qu’il en a été élagué. La fiche consultée ne donne pas de capacité stricte distincte de contexte ou de jetons de sortie pour ce classificateur. Conservez le matériel évalué 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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 instructions 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, à l’aide d’une architecture dense élaguée 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 enfreintes lorsque le résultat est unsafe. Il vise l’évaluation du contenu d’une instruction ou d’une réponse générée plutôt que le rôle d’assistant de clavardage généraliste.
Classification des instructions et des réponses
Le modèle peut classifier du contenu avant son envoi à un modèle génératif, après la production d’une réponse par ce modèle ou aux deux moments. Ce sont des questions différentes. La classification des instructions évalue l’entrée de l’utilisateur, tandis que celle des réponses évalue ce qu’un assistant a réellement écrit. Un système peut donc distinguer une demande risquée d’une réponse qui traite la demande de façon acceptable selon la taxonomie du classificateur.
Fournissez le contenu exact à classifier avec les rôles conversationnels et le contexte pertinent. Si la cible est une réponse, conservez la question qui donne son sens à la réponse. Pour une entrée mixte texte et image, incluez les images associées à cette instruction plutôt que de classifier du texte sans rapport ou une image choisie arbitrairement. Le résultat du classificateur est de l’information destinée à la règle ou à l’étape de révision de l’application; il ne bloque pas lui-même 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, le contenu sexuel, les élections et l’abus de l’interpréteur de code.
Les catégories utilisent les identifiants S1 à S14. S14, Code Interpreter Abuse, vise précisément les cas d’utilisation 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 court résultat est un jugement de catégorie, et non une explication complète, une détermination juridique ou une garantie que tous les préjudices possibles ont été détectés.
Dans un format illustratif, une classification unsafe peut être suivie de l’identifiant de catégorie applicable. Conservez 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 reformulée ultérieure ou d’une instruction distincte.
Architecture et entraînement
Llama Guard 4 possède une architecture Transformer dense à fusion précoce, élaguée d’un point de contrôle Llama 4 Scout préentraîné. Le fabricant retire les experts routés et les couches de routage et conserve l’expert dense partagé, puis postentraîne le modèle obtenu pour la classification de contenu. Il n’effectue pas de préentraînement supplémentaire après cet élagage. Cela crée un modèle différent de l’édition de clavardage à mélange d’experts de Scout.
Le modèle partage le segmenteur en jetons 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 multi-image, dont la plupart des exemples contiennent deux à cinq images, avec un mélange approximatif de trois données textuelles pour une donnée multimodale. 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 traite de l’anglais ainsi que du français, de l’allemand, de l’hindi, de l’italien, du portugais, de l’espagnol et du thaï. Une demande de classification devrait préserver la formulation réelle et le contexte visuel dans la langue évaluée plutôt que de remplacer le contenu par un résumé sans rapport.
Préparer un résultat de classification utile
Pour une vérification d’entrée, fournissez le message de l’utilisateur et les images associées et demandez la classification de l’instruction dans le format du fabricant. Pour une vérification de sortie, fournissez la réponse réelle de l’assistant avec le message antérieur pertinent. Un exemple multi-image peut conserver le texte reliant les images pour que le modèle évalue la demande combinée plutôt que des fragments indépendants sans contexte.
La fiche montre l’application du gabarit de conversation correspondant et le décodage de la seule classification générée. Son exemple de génération à dix jetons illustre un court résultat d’étiquette; ce nombre n’est pas une capacité maximale distincte de réponse. Gardez la sortie demandée alignée sur la fonction 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 du modèle, les connaissances de sens commun, la couverture linguistique et la couverture des politiques. Les catégories de diffamation, de propriété intellectuelle et d’élections peuvent exiger des connaissances factuelles actuelles que le classificateur ne possède pas. L’étiquette de catégorie devrait donc rester liée au contenu et à l’information disponible pour cette évaluation.
La fiche rapporte des tests portant surtout sur des instructions avec quelques images, le plus souvent trois, et note que le comportement peut varier avec une collection beaucoup plus grande. Cela décrit le périmètre testé plutôt qu’un maximum universel de trois images. Le modèle peut aussi être sensible à du contenu adversarial ou à des injections d’instructions qui modifient son comportement prévu.
Le rôle de classificateur de Llama Guard 4 ne doit pas hériter de la spécification de contexte ou des capacités d’assistant généraliste de Scout simplement parce qu’il en a été élagué. La fiche consultée ne donne pas de capacité stricte distincte de contexte ou de jetons de sortie pour ce classificateur. Conservez le matériel évalué 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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.