{ "aboutHtml": "

Gemma 4 31B IT est l’édition dense, ajustée pour suivre des instructions, de la famille ouverte Gemma 4 de Google DeepMind. Google met en avant la qualité du modèle 31B et son adaptation à une tâche, tandis que l’édition distincte 26B A4B utilise un mélange d’experts pour améliorer l’efficacité de l’inférence. Cette fiche concerne l’édition 31B nommée, ajustée pour suivre des instructions, et non ses poids préentraînés ou une version quantifiée dérivée.

Le tableau officiel de l’architecture dense indique 30,7 milliards de paramètres, 60 couches, une fenêtre glissante de 1 024 tokens et un contexte de 256K tokens. La famille combine une attention locale à fenêtre glissante et une attention globale, avec une couche globale en dernier, et utilise un encodeur visuel dédié pour ce modèle. Le profil obtenu reçoit du texte et des images et produit du texte. Ces données décrivent l’architecture du modèle ; elles ne déterminent pas le temps de réponse d’une application et n’impliquent pas la prise en charge audio d’autres tailles de Gemma 4.

Son contexte de 256K tokens permet de réunir un volume important de texte et des éléments visuels dans une tâche. Images et texte peuvent être entrelacés dans un même prompt ; le fabricant recommande de placer le contenu visuel avant le texte associé pour obtenir les meilleurs résultats. Les tâches visuelles comprennent la détection d’objets, l’interprétation de pages de documents, la compréhension d’écrans et d’interfaces, les graphiques, l’OCR multilingue, l’écriture manuscrite et le pointage. La sortie est textuelle : contenu extrait, explication, code ou action d’outil proposée.

Le raisonnement configurable permet au modèle de réfléchir avant de répondre ou de fournir une réponse directe. Gemma 4 ajoute un rôle système natif aux rôles utilisateur et assistant. Le format de prompt de Google active le raisonnement avec le token de contrôle <|think|> dans le prompt système et sépare le canal de réflexion de la réponse finale ; le processeur documenté peut gérer ce gabarit. Dans une conversation à plusieurs tours, conservez les réponses finales précédentes dans l’historique et excluez les réflexions antérieures, sauf dans les tours d’appel d’outil, où le fabricant indique qu’elles doivent être conservées.

Les appels de fonctions natifs permettent une utilisation structurée des outils ; la présentation de lancement de Google documente aussi les sorties JSON structurées. Définissez la tâche, la fonction disponible et le résultat attendu ; l’application exécute l’opération demandée et renvoie sa sortie pour l’étape suivante. Une tâche de code peut demander une génération, une complétion ou une correction, tandis qu’un assistant visuel peut utiliser le texte renvoyé pour expliquer un graphique ou un écran. Une instruction d’appel de fonction se distingue d’une action connectée effectivement exécutée.

La résolution variable des images est contrôlée par le budget de tokens visuels. Les options documentées sont 70, 140, 280, 560 et 1 120 tokens. Les budgets faibles conviennent à la classification ou aux légendes ; les budgets plus élevés préservent davantage de détails pour l’OCR, l’analyse de documents et les petits caractères, au prix de calculs supplémentaires. Déterminez si vous avez besoin de la scène d’ensemble ou du lettrage exact avant de préparer l’image. Un recadrage net d’une étiquette peut être plus utile à une extraction qu’une demande générale d’examiner chaque détail d’une page entière.

Google recommande temperature 1.0, top-p 0.95 et top-k 64 comme configuration d’échantillonnage de la famille. La fiche du modèle distingue un entraînement dans plus de 140 langues d’une prise en charge immédiate de plus de 35 langues. Précisez la langue de réponse et les noms de domaine, noms de champs ou formules à conserver explicitement dans les consignes. Le chiffre 256K décrit le contexte ; la fiche citée n’établit pas de plafond universel distinct pour la sortie de cette édition.

Pour une tâche mêlant document et code, fournissez l’image de la page concernée, l’exigence écrite et l’extrait source : « Lisez les libellés, expliquez en quoi cet écran diffère de la spécification et proposez une correction ciblée du code fourni. » Pour un graphique, demandez de séparer les valeurs visibles de la tendance déduite. La fiche de Gemma signale des limites concernant le langage ambigu, les tâches très complexes et les affirmations factuelles inexactes ou dépassées ; joignez donc les faits faisant autorité que le résultat doit utiliser, sans compter sur les connaissances d’entraînement pour les fournir.

Avec Ailoot, sélectionnez cet identifiant exact de modèle dans /v1/chat/completions et fournissez la tâche dans messages. Chaque message contient un rôle et son contenu ; regroupez l’instruction pertinente et les sources. Recueillez la réponse JSON complète ou tous les segments SSE lorsque stream est activé, et conservez usage avec le résultat écrit.

", "aboutText": "Gemma 4 31B IT est l’édition dense, ajustée pour suivre des instructions, de la famille ouverte Gemma 4 de Google DeepMind. Google met en avant la qualité du modèle 31B et son adaptation à une tâche, tandis que l’édition distincte 26B A4B utilise un mélange d’experts pour améliorer l’efficacité de l’inférence. Cette fiche concerne l’édition 31B nommée, ajustée pour suivre des instructions, et non ses poids préentraînés ou une version quantifiée dérivée.\n\nLe tableau officiel de l’architecture dense indique 30,7 milliards de paramètres, 60 couches, une fenêtre glissante de 1 024 tokens et un contexte de 256K tokens. La famille combine une attention locale à fenêtre glissante et une attention globale, avec une couche globale en dernier, et utilise un encodeur visuel dédié pour ce modèle. Le profil obtenu reçoit du texte et des images et produit du texte. Ces données décrivent l’architecture du modèle ; elles ne déterminent pas le temps de réponse d’une application et n’impliquent pas la prise en charge audio d’autres tailles de Gemma 4.\n\nSon contexte de 256K tokens permet de réunir un volume important de texte et des éléments visuels dans une tâche. Images et texte peuvent être entrelacés dans un même prompt ; le fabricant recommande de placer le contenu visuel avant le texte associé pour obtenir les meilleurs résultats. Les tâches visuelles comprennent la détection d’objets, l’interprétation de pages de documents, la compréhension d’écrans et d’interfaces, les graphiques, l’OCR multilingue, l’écriture manuscrite et le pointage. La sortie est textuelle : contenu extrait, explication, code ou action d’outil proposée.\n\nLe raisonnement configurable permet au modèle de réfléchir avant de répondre ou de fournir une réponse directe. Gemma 4 ajoute un rôle système natif aux rôles utilisateur et assistant. Le format de prompt de Google active le raisonnement avec le token de contrôle <|think|> dans le prompt système et sépare le canal de réflexion de la réponse finale ; le processeur documenté peut gérer ce gabarit. Dans une conversation à plusieurs tours, conservez les réponses finales précédentes dans l’historique et excluez les réflexions antérieures, sauf dans les tours d’appel d’outil, où le fabricant indique qu’elles doivent être conservées.\n\nLes appels de fonctions natifs permettent une utilisation structurée des outils ; la présentation de lancement de Google documente aussi les sorties JSON structurées. Définissez la tâche, la fonction disponible et le résultat attendu ; l’application exécute l’opération demandée et renvoie sa sortie pour l’étape suivante. Une tâche de code peut demander une génération, une complétion ou une correction, tandis qu’un assistant visuel peut utiliser le texte renvoyé pour expliquer un graphique ou un écran. Une instruction d’appel de fonction se distingue d’une action connectée effectivement exécutée.\n\nLa résolution variable des images est contrôlée par le budget de tokens visuels. Les options documentées sont 70, 140, 280, 560 et 1 120 tokens. Les budgets faibles conviennent à la classification ou aux légendes ; les budgets plus élevés préservent davantage de détails pour l’OCR, l’analyse de documents et les petits caractères, au prix de calculs supplémentaires. Déterminez si vous avez besoin de la scène d’ensemble ou du lettrage exact avant de préparer l’image. Un recadrage net d’une étiquette peut être plus utile à une extraction qu’une demande générale d’examiner chaque détail d’une page entière.\n\nGoogle recommande temperature 1.0, top-p 0.95 et top-k 64 comme configuration d’échantillonnage de la famille. La fiche du modèle distingue un entraînement dans plus de 140 langues d’une prise en charge immédiate de plus de 35 langues. Précisez la langue de réponse et les noms de domaine, noms de champs ou formules à conserver explicitement dans les consignes. Le chiffre 256K décrit le contexte ; la fiche citée n’établit pas de plafond universel distinct pour la sortie de cette édition.\n\nPour une tâche mêlant document et code, fournissez l’image de la page concernée, l’exigence écrite et l’extrait source : « Lisez les libellés, expliquez en quoi cet écran diffère de la spécification et proposez une correction ciblée du code fourni. » Pour un graphique, demandez de séparer les valeurs visibles de la tendance déduite. La fiche de Gemma signale des limites concernant le langage ambigu, les tâches très complexes et les affirmations factuelles inexactes ou dépassées ; joignez donc les faits faisant autorité que le résultat doit utiliser, sans compter sur les connaissances d’entraînement pour les fournir.\n\nAvec Ailoot, sélectionnez cet identifiant exact de modèle dans /v1/chat/completions et fournissez la tâche dans messages. Chaque message contient un rôle et son contenu ; regroupez l’instruction pertinente et les sources. Recueillez la réponse JSON complète ou tous les segments SSE lorsque stream est activé, et conservez usage avec le résultat écrit.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "850474583e3a1150edf505a8b5453cb782ec0042849a5388e4baa4b34aeddb96", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "
G

Google: Gemma 4 31B (free)

Google /google/gemma-4-31b-it:free

Premiers pas

Gemma 4 31B IT est le modèle dense de Google ajusté pour suivre des instructions et effectuer des raisonnements textuels et visuels. Son contexte de 256K, son raisonnement configurable, sa compréhension des images et ses appels de fonctions natifs accompagnent les tâches de code, de documents et d’agents, avec une sortie textuelle.

Entrées acceptées
Texte · Images
Résultats
Texte
À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

Gemma 4 31B IT est l’édition dense, ajustée pour suivre des instructions, de la famille ouverte Gemma 4 de Google DeepMind. Google met en avant la qualité du modèle 31B et son adaptation à une tâche, tandis que l’édition distincte 26B A4B utilise un mélange d’experts pour améliorer l’efficacité de l’inférence. Cette fiche concerne l’édition 31B nommée, ajustée pour suivre des instructions, et non ses poids préentraînés ou une version quantifiée dérivée.

Le tableau officiel de l’architecture dense indique 30,7 milliards de paramètres, 60 couches, une fenêtre glissante de 1 024 tokens et un contexte de 256K tokens. La famille combine une attention locale à fenêtre glissante et une attention globale, avec une couche globale en dernier, et utilise un encodeur visuel dédié pour ce modèle. Le profil obtenu reçoit du texte et des images et produit du texte. Ces données décrivent l’architecture du modèle ; elles ne déterminent pas le temps de réponse d’une application et n’impliquent pas la prise en charge audio d’autres tailles de Gemma 4.

Son contexte de 256K tokens permet de réunir un volume important de texte et des éléments visuels dans une tâche. Images et texte peuvent être entrelacés dans un même prompt ; le fabricant recommande de placer le contenu visuel avant le texte associé pour obtenir les meilleurs résultats. Les tâches visuelles comprennent la détection d’objets, l’interprétation de pages de documents, la compréhension d’écrans et d’interfaces, les graphiques, l’OCR multilingue, l’écriture manuscrite et le pointage. La sortie est textuelle : contenu extrait, explication, code ou action d’outil proposée.

Le raisonnement configurable permet au modèle de réfléchir avant de répondre ou de fournir une réponse directe. Gemma 4 ajoute un rôle système natif aux rôles utilisateur et assistant. Le format de prompt de Google active le raisonnement avec le token de contrôle <|think|> dans le prompt système et sépare le canal de réflexion de la réponse finale ; le processeur documenté peut gérer ce gabarit. Dans une conversation à plusieurs tours, conservez les réponses finales précédentes dans l’historique et excluez les réflexions antérieures, sauf dans les tours d’appel d’outil, où le fabricant indique qu’elles doivent être conservées.

Les appels de fonctions natifs permettent une utilisation structurée des outils ; la présentation de lancement de Google documente aussi les sorties JSON structurées. Définissez la tâche, la fonction disponible et le résultat attendu ; l’application exécute l’opération demandée et renvoie sa sortie pour l’étape suivante. Une tâche de code peut demander une génération, une complétion ou une correction, tandis qu’un assistant visuel peut utiliser le texte renvoyé pour expliquer un graphique ou un écran. Une instruction d’appel de fonction se distingue d’une action connectée effectivement exécutée.

La résolution variable des images est contrôlée par le budget de tokens visuels. Les options documentées sont 70, 140, 280, 560 et 1 120 tokens. Les budgets faibles conviennent à la classification ou aux légendes ; les budgets plus élevés préservent davantage de détails pour l’OCR, l’analyse de documents et les petits caractères, au prix de calculs supplémentaires. Déterminez si vous avez besoin de la scène d’ensemble ou du lettrage exact avant de préparer l’image. Un recadrage net d’une étiquette peut être plus utile à une extraction qu’une demande générale d’examiner chaque détail d’une page entière.

Google recommande temperature 1.0, top-p 0.95 et top-k 64 comme configuration d’échantillonnage de la famille. La fiche du modèle distingue un entraînement dans plus de 140 langues d’une prise en charge immédiate de plus de 35 langues. Précisez la langue de réponse et les noms de domaine, noms de champs ou formules à conserver explicitement dans les consignes. Le chiffre 256K décrit le contexte ; la fiche citée n’établit pas de plafond universel distinct pour la sortie de cette édition.

Pour une tâche mêlant document et code, fournissez l’image de la page concernée, l’exigence écrite et l’extrait source : « Lisez les libellés, expliquez en quoi cet écran diffère de la spécification et proposez une correction ciblée du code fourni. » Pour un graphique, demandez de séparer les valeurs visibles de la tendance déduite. La fiche de Gemma signale des limites concernant le langage ambigu, les tâches très complexes et les affirmations factuelles inexactes ou dépassées ; joignez donc les faits faisant autorité que le résultat doit utiliser, sans compter sur les connaissances d’entraînement pour les fournir.

Avec Ailoot, sélectionnez cet identifiant exact de modèle dans /v1/chat/completions et fournissez la tâche dans messages. Chaque message contient un rôle et son contenu ; regroupez l’instruction pertinente et les sources. Recueillez la réponse JSON complète ou tous les segments SSE lorsque stream est activé, et conservez usage avec le résultat écrit.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Types d’entrée
text, image
Types de sortie
text
Format de sortie
JSON or SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
google/gemma-4-31b-it:free
Conditions: Utilisez exactement ce sélecteur de routage Ailoot.
Par défaut—
ChampmessagesTypearrayExigenceObligatoireValeurs et limites
Conditions:
Par défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limites
Conditions:
Par défautfalse
Combinaisons d’éléments d’entrée

text_input · Obligatoire : messages

image_with_text · Obligatoire : messages with actual image content blocks

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages
ParamètreoptionalContratstream
Paramètrematerial_typesContrattext, image
ParamètreconditionsContratUtilisez exactement ce sélecteur de routage Ailoot., Ce protocole transmet les images lorsque le modèle précis sélectionné prend en charge la vision. L’admission par le protocole ne prouve pas que tous les modèles prennent en charge les images.

Alias de méthode : /chat/completions

Cycle de vie : synchronous_or_streamed

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)
Tarification du cache explicite
Non activé Lorsqu’un cache explicite est demandé
Tarifs nuls pour le texte seul
Le cache, les outils et les médias suivent les conditions tarifaires indiquées séparément pour chacun. Pour des entrées et des sorties exclusivement textuelles

Tarifs Ailoot

Prix par configuration

ConfigurationBarème tarifaireCoût
ConfigurationTarifs de base par jetonBarème tarifaireTarif de baseCoût
Entrée · Tokens en entrée $0 / 1K tokens
Sortie · Tokens en sortie $0 / 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 →

Exemples de requêtes

Ailoot Ultra · OpenAI Chat

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-31b-it:free", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}]}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Recevoir et enregistrer les résultats

Ailoot Ultra · OpenAI Chat

JSON or SSE

Conserver tous les résultats terminés

Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.

Conservez chaque bloc de contenu, chaque identifiant d’appel d’outil, la signature de raisonnement lorsqu’elle est renvoyée, tous les deltas SSE et l’intégralité des données de consommation. Le premier fragment de texte ne constitue pas le résultat complet.

Si la réponse d’origine doit être vérifiée

Conservez le X-Client-Request-ID d’origine, la réponse et les en-têtes. Un résultat inconnu ou à l’état result_pending_check n’autorise pas une seconde création.

Champs de la réponse
ChampType
Champchoices[]Typeobject
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionUn champ obligatoire, un sélecteur de modèle, un type ou une représentation des données d’entrée est invalide.Étape suivanteExaminez les détails de validation renvoyés avant de préparer une demande distincte.
RéponseConditionLa demande d’origine ou son résultat est inconnu ou nécessite une vérification.Étape suivanteConservez les identifiants et les en-têtes d’origine ; consultez uniquement les enregistrements d’état ou de la bibliothèque pris en charge. Ne renvoyez pas la demande de création.

Alias

Alias du modèle

Ailoot Ultra google/gemma-4-31b-it:free

Alias des chemins de méthode

/chat/completions

ID d’appel associés

google/gemma-4-31b-it:free

", "method_identity": { "effective_request_model_id": "google/gemma-4-31b-it:free", "fmt": "chat", "http": "POST", "path": "/v1/chat/completions", "request_model_id": "google/gemma-4-31b-it:free", "route_label": "Ultra" }, "method_key": "Ultra|chat|/v1/chat/completions|google%2Fgemma-4-31b-it%3Afree", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "accepted_material_guidance": { "content_type": "application/json", "example_scope": "The preserved text example is one valid request form, not the full protocol input set.", "image_condition": "Image content is carried by this protocol where the exact selected model supports vision. Protocol admission does not establish image capability for every model.", "material_types": [ "text", "image" ], "text_file_material": "Actual UTF-8 text can be inserted in a text content part." }, "all_results": "Retain the complete response and headers, original identifiers, every actual output and all usage/accounting fields. Save each unique owned asset and retain every role pointing to it.", "authentication": { "header": "Authorization", "scheme": "Bearer", "value": "$AILOOT_API_KEY" }, "errors": [ { "condition": "Un champ obligatoire, un sélecteur de modèle, un type ou une représentation des données d’entrée est invalide.", "http_status": 400, "recovery": "Examinez les détails de validation renvoyés avant de préparer une demande distincte.", "type": "invalid_request_error" }, { "condition": "La demande d’origine ou son résultat est inconnu ou nécessite une vérification.", "http_status": null, "recovery": "Conservez les identifiants et les en-têtes d’origine ; consultez uniquement les enregistrements d’état ou de la bibliothèque pris en charge. Ne renvoyez pas la demande de création.", "type": null } ], "lifecycle": { "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/chat/completions" }, "mode": "synchronous_or_streamed", "status": [], "unknown": "Conservez le X-Client-Request-ID d’origine, la réponse et les en-têtes. Un résultat inconnu ou à l’état result_pending_check n’autorise pas une seconde création.", "unknown_no_replay": true }, "material_combinations": [ { "materials": [ "text" ], "mode": "text_input", "required": [ "messages" ] }, { "condition": "Image content is carried by this protocol where the exact selected model supports vision. Protocol admission does not establish image capability for every model.", "materials": [ "text", "image" ], "mode": "image_with_text", "required": [ "messages with actual image content blocks" ] } ], "model_capability_scope": { "all_models_vision_claim": false, "manufacturer_description_preserved": "Retain grounded accepted legacy vision descriptions; a plain text example is not a capability ceiling.", "model_vision": "conditional_on_exact_model_capability", "transport_materials": [ "text", "image" ], "video_audio_inferred": false }, "outputs": { "all_results": "Conservez chaque bloc de contenu, chaque identifiant d’appel d’outil, la signature de raisonnement lorsqu’elle est renvoyée, tous les deltas SSE et l’intégralité des données de consommation. Le premier fragment de texte ne constitue pas le résultat complet.", "every_actual_output": true, "family": "text", "fields": [ { "name": "choices[]", "type": "object" }, { "name": "usage", "type": "object" } ], "format": "JSON or SSE" }, "parameters": [ { "conditions": "Utilisez exactement ce sélecteur de routage Ailoot.", "default_known": false, "enum": [ "google/gemma-4-31b-it:free" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "conditions": "", "default_known": false, "enum_known": false, "items": { "properties": { "content": { "oneOf": [ { "type": "string" }, { "items": { "oneOf": [ { "properties": { "text": { "type": "string" }, "type": { "const": "text" } }, "required": [ "type", "text" ], "type": "object" }, { "properties": { "image_url": { "properties": { "detail": { "type": "string" }, "url": { "type": "string" } }, "required": [ "url" ], "type": "object" }, "type": { "const": "image_url" } }, "required": [ "type", "image_url" ], "type": "object" } ] }, "type": "array" } ] }, "role": { "type": "string" } }, "required": [ "role", "content" ], "type": "object" }, "minItems": 1, "name": "messages", "required": true, "type": "array" }, { "conditions": "", "default": false, "default_known": true, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "request_schema": { "additionalProperties": true, "properties": { "messages": { "items": { "properties": { "content": { "oneOf": [ { "type": "string" }, { "items": { "oneOf": [ { "properties": { "text": { "type": "string" }, "type": { "const": "text" } }, "required": [ "type", "text" ], "type": "object" }, { "properties": { "image_url": { "properties": { "detail": { "type": "string" }, "url": { "type": "string" } }, "required": [ "url" ], "type": "object" }, "type": { "const": "image_url" } }, "required": [ "type", "image_url" ], "type": "object" } ] }, "type": "array" } ] }, "role": { "type": "string" } }, "required": [ "role", "content" ], "type": "object" }, "minItems": 1, "type": "array" }, "model": { "enum": [ "google/gemma-4-31b-it:free" ], "type": "string" }, "stream": { "default": false, "type": "boolean" } }, "required": [ "model", "messages" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": false, "body": { "messages": [ { "content": "Explain how a rainbow forms.", "role": "user" } ], "model": "google/gemma-4-31b-it:free" }, "content_type": "application/json", "example_is_offline_content": true }, "usage": { "meter": "Use the accepted method price and actual recorded usage; the request reserve is an estimate. A billing unit does not add an input capability.", "preserve": "Keep all returned usage, accounting and request identifiers with every actual output.", "settlement": "Retain the original operation; reconcile its result and accounting once." } }, "input": { "conditions": [ "Utilisez exactement ce sélecteur de routage Ailoot.", "Ce protocole transmet les images lorsque le modèle précis sélectionné prend en charge la vision. L’admission par le protocole ne prouve pas que tous les modèles prennent en charge les images." ], "content_type": "application/json", "material_types": [ "text", "image" ], "optional": [ "stream" ], "required": [ "model", "messages" ] }, "lifecycle": { "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/chat/completions" }, "mode": "synchronous_or_streamed", "status": [], "unknown": "Keep the original X-Client-Request-ID, response and headers. An unknown or result_pending_check outcome does not authorize a second creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "output": { "all_results": "Retain every content block, tool-call ID, thinking signature when returned, all SSE deltas and complete usage. A first text fragment is not the whole result.", "every_actual_output": true, "family": "text", "fields": [ { "name": "choices[]", "type": "object" }, { "name": "usage", "type": "object" } ], "format": "JSON or SSE" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"google/gemma-4-31b-it:free\", \"messages\": [{\"role\": \"user\", \"content\": \"Explain how a rainbow forms.\"}]}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "chat", "http": "POST", "in": 0, "input": [ "text", "image" ], "input_conditions": { "image": "Image content is carried by this protocol where the exact selected model supports vision. Protocol admission does not establish image capability for every model." }, "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [ "/chat/completions" ], "out": 0, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Standard rate", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Standard rate", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Standard rate", "when": "When maximum reasoning effort uses the default adjustment" }, { "label": "Explicit cache pricing", "value": "Not enabled", "when": "When explicit cache is requested" }, { "label": "Tarifs nuls pour le texte seul", "value": "Le cache, les outils et les médias suivent les conditions tarifaires indiquées séparément pour chacun.", "when": "Pour des entrées et des sorties exclusivement textuelles" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "google/gemma-4-31b-it:free", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "google/gemma-4-31b-it:free", "nativeProvenance": { "input_facts_canonical_sha256": "cb880d7b99b57d7777668dd505c3fe3ae4d38931221331b03007d2a6975c415a", "input_html_sha256": "3ec1d030d3a2382019903b7d579454fc04046cfe22438e398efa7db2674cd214", "private_audit_sha256": "28d3d018f299f75d018503dda0a123f569eeacbeaf2e38e27dc745aec2c648e2", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr/google-gemma-4-31b-it-u003a-free/", "description": "Gemma 4 31B IT est le modèle dense de Google ajusté pour suivre des instructions et effectuer des raisonnements textuels et visuels. Son contexte de 256K, son raisonnement configurable, sa compréhension des images et ses appels de fonctions natifs accompagnent les tâches de code, de documents et d’agents, avec une sortie textuelle.", "locale": "fr", "md_url": "https://ailoot.ai/models/fr/google-gemma-4-31b-it-u003a-free/index.md", "title": "Google: Gemma 4 31B (free) — Ailoot", "url": "https://ailoot.ai/models/fr/google-gemma-4-31b-it-u003a-free/" }, "rawModel": { "about": "Gemma 4 31B IT est l’édition dense, ajustée pour suivre des instructions, de la famille ouverte Gemma 4 de Google DeepMind. Google met en avant la qualité du modèle 31B et son adaptation à une tâche, tandis que l’édition distincte 26B A4B utilise un mélange d’experts pour améliorer l’efficacité de l’inférence. Cette fiche concerne l’édition 31B nommée, ajustée pour suivre des instructions, et non ses poids préentraînés ou une version quantifiée dérivée.\n\nLe tableau officiel de l’architecture dense indique 30,7 milliards de paramètres, 60 couches, une fenêtre glissante de 1 024 tokens et un contexte de 256K tokens. La famille combine une attention locale à fenêtre glissante et une attention globale, avec une couche globale en dernier, et utilise un encodeur visuel dédié pour ce modèle. Le profil obtenu reçoit du texte et des images et produit du texte. Ces données décrivent l’architecture du modèle ; elles ne déterminent pas le temps de réponse d’une application et n’impliquent pas la prise en charge audio d’autres tailles de Gemma 4.\n\nSon contexte de 256K tokens permet de réunir un volume important de texte et des éléments visuels dans une tâche. Images et texte peuvent être entrelacés dans un même prompt ; le fabricant recommande de placer le contenu visuel avant le texte associé pour obtenir les meilleurs résultats. Les tâches visuelles comprennent la détection d’objets, l’interprétation de pages de documents, la compréhension d’écrans et d’interfaces, les graphiques, l’OCR multilingue, l’écriture manuscrite et le pointage. La sortie est textuelle : contenu extrait, explication, code ou action d’outil proposée.\n\nLe raisonnement configurable permet au modèle de réfléchir avant de répondre ou de fournir une réponse directe. Gemma 4 ajoute un rôle système natif aux rôles utilisateur et assistant. Le format de prompt de Google active le raisonnement avec le token de contrôle <|think|> dans le prompt système et sépare le canal de réflexion de la réponse finale ; le processeur documenté peut gérer ce gabarit. Dans une conversation à plusieurs tours, conservez les réponses finales précédentes dans l’historique et excluez les réflexions antérieures, sauf dans les tours d’appel d’outil, où le fabricant indique qu’elles doivent être conservées.\n\nLes appels de fonctions natifs permettent une utilisation structurée des outils ; la présentation de lancement de Google documente aussi les sorties JSON structurées. Définissez la tâche, la fonction disponible et le résultat attendu ; l’application exécute l’opération demandée et renvoie sa sortie pour l’étape suivante. Une tâche de code peut demander une génération, une complétion ou une correction, tandis qu’un assistant visuel peut utiliser le texte renvoyé pour expliquer un graphique ou un écran. Une instruction d’appel de fonction se distingue d’une action connectée effectivement exécutée.\n\nLa résolution variable des images est contrôlée par le budget de tokens visuels. Les options documentées sont 70, 140, 280, 560 et 1 120 tokens. Les budgets faibles conviennent à la classification ou aux légendes ; les budgets plus élevés préservent davantage de détails pour l’OCR, l’analyse de documents et les petits caractères, au prix de calculs supplémentaires. Déterminez si vous avez besoin de la scène d’ensemble ou du lettrage exact avant de préparer l’image. Un recadrage net d’une étiquette peut être plus utile à une extraction qu’une demande générale d’examiner chaque détail d’une page entière.\n\nGoogle recommande temperature 1.0, top-p 0.95 et top-k 64 comme configuration d’échantillonnage de la famille. La fiche du modèle distingue un entraînement dans plus de 140 langues d’une prise en charge immédiate de plus de 35 langues. Précisez la langue de réponse et les noms de domaine, noms de champs ou formules à conserver explicitement dans les consignes. Le chiffre 256K décrit le contexte ; la fiche citée n’établit pas de plafond universel distinct pour la sortie de cette édition.\n\nPour une tâche mêlant document et code, fournissez l’image de la page concernée, l’exigence écrite et l’extrait source : « Lisez les libellés, expliquez en quoi cet écran diffère de la spécification et proposez une correction ciblée du code fourni. » Pour un graphique, demandez de séparer les valeurs visibles de la tendance déduite. La fiche de Gemma signale des limites concernant le langage ambigu, les tâches très complexes et les affirmations factuelles inexactes ou dépassées ; joignez donc les faits faisant autorité que le résultat doit utiliser, sans compter sur les connaissances d’entraînement pour les fournir.\n\nAvec Ailoot, sélectionnez cet identifiant exact de modèle dans /v1/chat/completions et fournissez la tâche dans messages. Chaque message contient un rôle et son contenu ; regroupez l’instruction pertinente et les sources. Recueillez la réponse JSON complète ou tous les segments SSE lorsque stream est activé, et conservez usage avec le résultat écrit.", "alias_of": null, "aliases": [], "author": "Google", "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "La tarification complète de la configuration figure dans les détails." } ], "ctx": null, "formats": [ "chat" ], "id": "google/gemma-4-31b-it:free", "input": [ "text", "image" ], "kind": "text", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "accepted_material_guidance": { "content_type": "application/json", "example_scope": "The preserved text example is one valid request form, not the full protocol input set.", "image_condition": "Image content is carried by this protocol where the exact selected model supports vision. Protocol admission does not establish image capability for every model.", "material_types": [ "text", "image" ], "text_file_material": "Actual UTF-8 text can be inserted in a text content part." }, "all_results": "Retain the complete response and headers, original identifiers, every actual output and all usage/accounting fields. Save each unique owned asset and retain every role pointing to it.", "authentication": { "header": "Authorization", "scheme": "Bearer", "value": "$AILOOT_API_KEY" }, "errors": [ { "condition": "Un champ obligatoire, un sélecteur de modèle, un type ou une représentation des données d’entrée est invalide.", "http_status": 400, "recovery": "Examinez les détails de validation renvoyés avant de préparer une demande distincte.", "type": "invalid_request_error" }, { "condition": "La demande d’origine ou son résultat est inconnu ou nécessite une vérification.", "http_status": null, "recovery": "Conservez les identifiants et les en-têtes d’origine ; consultez uniquement les enregistrements d’état ou de la bibliothèque pris en charge. Ne renvoyez pas la demande de création.", "type": null } ], "lifecycle": { "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/chat/completions" }, "mode": "synchronous_or_streamed", "status": [], "unknown": "Conservez le X-Client-Request-ID d’origine, la réponse et les en-têtes. Un résultat inconnu ou à l’état result_pending_check n’autorise pas une seconde création.", "unknown_no_replay": true }, "material_combinations": [ { "materials": [ "text" ], "mode": "text_input", "required": [ "messages" ] }, { "condition": "Image content is carried by this protocol where the exact selected model supports vision. Protocol admission does not establish image capability for every model.", "materials": [ "text", "image" ], "mode": "image_with_text", "required": [ "messages with actual image content blocks" ] } ], "model_capability_scope": { "all_models_vision_claim": false, "manufacturer_description_preserved": "Retain grounded accepted legacy vision descriptions; a plain text example is not a capability ceiling.", "model_vision": "conditional_on_exact_model_capability", "transport_materials": [ "text", "image" ], "video_audio_inferred": false }, "outputs": { "all_results": "Conservez chaque bloc de contenu, chaque identifiant d’appel d’outil, la signature de raisonnement lorsqu’elle est renvoyée, tous les deltas SSE et l’intégralité des données de consommation. Le premier fragment de texte ne constitue pas le résultat complet.", "every_actual_output": true, "family": "text", "fields": [ { "name": "choices[]", "type": "object" }, { "name": "usage", "type": "object" } ], "format": "JSON or SSE" }, "parameters": [ { "conditions": "Utilisez exactement ce sélecteur de routage Ailoot.", "default_known": false, "enum": [ "google/gemma-4-31b-it:free" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "conditions": "", "default_known": false, "enum_known": false, "items": { "properties": { "content": { "oneOf": [ { "type": "string" }, { "items": { "oneOf": [ { "properties": { "text": { "type": "string" }, "type": { "const": "text" } }, "required": [ "type", "text" ], "type": "object" }, { "properties": { "image_url": { "properties": { "detail": { "type": "string" }, "url": { "type": "string" } }, "required": [ "url" ], "type": "object" }, "type": { "const": "image_url" } }, "required": [ "type", "image_url" ], "type": "object" } ] }, "type": "array" } ] }, "role": { "type": "string" } }, "required": [ "role", "content" ], "type": "object" }, "minItems": 1, "name": "messages", "required": true, "type": "array" }, { "conditions": "", "default": false, "default_known": true, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "request_schema": { "additionalProperties": true, "properties": { "messages": { "items": { "properties": { "content": { "oneOf": [ { "type": "string" }, { "items": { "oneOf": [ { "properties": { "text": { "type": "string" }, "type": { "const": "text" } }, "required": [ "type", "text" ], "type": "object" }, { "properties": { "image_url": { "properties": { "detail": { "type": "string" }, "url": { "type": "string" } }, "required": [ "url" ], "type": "object" }, "type": { "const": "image_url" } }, "required": [ "type", "image_url" ], "type": "object" } ] }, "type": "array" } ] }, "role": { "type": "string" } }, "required": [ "role", "content" ], "type": "object" }, "minItems": 1, "type": "array" }, "model": { "enum": [ "google/gemma-4-31b-it:free" ], "type": "string" }, "stream": { "default": false, "type": "boolean" } }, "required": [ "model", "messages" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": false, "body": { "messages": [ { "content": "Explain how a rainbow forms.", "role": "user" } ], "model": "google/gemma-4-31b-it:free" }, "content_type": "application/json", "example_is_offline_content": true }, "usage": { "meter": "Use the accepted method price and actual recorded usage; the request reserve is an estimate. A billing unit does not add an input capability.", "preserve": "Keep all returned usage, accounting and request identifiers with every actual output.", "settlement": "Retain the original operation; reconcile its result and accounting once." } }, "input": { "conditions": [ "Utilisez exactement ce sélecteur de routage Ailoot.", "Ce protocole transmet les images lorsque le modèle précis sélectionné prend en charge la vision. L’admission par le protocole ne prouve pas que tous les modèles prennent en charge les images." ], "content_type": "application/json", "material_types": [ "text", "image" ], "optional": [ "stream" ], "required": [ "model", "messages" ] }, "lifecycle": { "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/chat/completions" }, "mode": "synchronous_or_streamed", "status": [], "unknown": "Keep the original X-Client-Request-ID, response and headers. An unknown or result_pending_check outcome does not authorize a second creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "output": { "all_results": "Retain every content block, tool-call ID, thinking signature when returned, all SSE deltas and complete usage. A first text fragment is not the whole result.", "every_actual_output": true, "family": "text", "fields": [ { "name": "choices[]", "type": "object" }, { "name": "usage", "type": "object" } ], "format": "JSON or SSE" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"google/gemma-4-31b-it:free\", \"messages\": [{\"role\": \"user\", \"content\": \"Explain how a rainbow forms.\"}]}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "chat", "http": "POST", "in": 0, "input": [ "text", "image" ], "input_conditions": { "image": "Image content is carried by this protocol where the exact selected model supports vision. Protocol admission does not establish image capability for every model." }, "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [ "/chat/completions" ], "out": 0, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Standard rate", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Standard rate", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Standard rate", "when": "When maximum reasoning effort uses the default adjustment" }, { "label": "Explicit cache pricing", "value": "Not enabled", "when": "When explicit cache is requested" }, { "label": "Tarifs nuls pour le texte seul", "value": "Le cache, les outils et les médias suivent les conditions tarifaires indiquées séparément pour chacun.", "when": "Pour des entrées et des sorties exclusivement textuelles" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "google/gemma-4-31b-it:free", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "google/gemma-4-31b-it:free", "request_model_id": "google/gemma-4-31b-it:free", "route_label": "Ultra" } ], "name": "Google: Gemma 4 31B (free)", "price": { "in": 0, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0, "sort_out": 0, "varies": false }, "short": "Gemma 4 31B IT est le modèle dense de Google ajusté pour suivre des instructions et effectuer des raisonnements textuels et visuels. Son contexte de 256K, son raisonnement configurable, sa compréhension des images et ses appels de fonctions natifs accompagnent les tâches de code, de documents et d’agents, avec une sortie textuelle.", "title": "Google: Gemma 4 31B (free)" }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Gemma 4 31B IT est le modèle dense de Google ajusté pour suivre des instructions et effectuer des raisonnements textuels et visuels. Son contexte de 256K, son raisonnement configurable, sa compréhension des images et ses appels de fonctions natifs accompagnent les tâches de code, de documents et d’agents, avec une sortie textuelle.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "e690f0c5563ca177ef52baeb5bce81d696e3f3458761d2f12a6a9358bfde92a8", "renderer_sha256": "44d2db1deadc475e1793597083716540bae7bbc53606f05f58780fec5f115dd4" }, "sourceRevision": "09554b58be76d6914f5ea5f3aa20f69bd011eeb09c86beb53931863c8e0b490b" }