A Gemma 4 26B A4B IT a Google DeepMind nyílt Gemma 4 családjának utasításokra hangolt, szakértőkeverékes kiadása. A hivatalos architektúratáblázat összesen 25,2 milliárd és 3,8 milliárd aktív paramétert sorol fel; az A4B az aktív paraméterszám kerekített nagyságrendjét jelöli. Rendeltetése gondolkodási, kódolási, ágensmunkafolyamat- és multimodális megértési feladatokra terjed ki. Különbözik az előtanított kiadástól és a sűrű 31B modelltől.
A szakértőkeverékes felépítés minden következtetési lépéshez a paraméterek egy részét aktiválja: a közzétett architektúratáblázat szerint 128 szakértőből nyolc aktív, mellettük pedig egy közös szakértő működik. A Google ezt a kiadást a sűrű modellhez viszonyított következtetési hatékonyság köré pozicionálja. A 30 rétegű architektúrát és az 1 024 tokenes csúszóablakot globális figyelemmel, 256K méretű kontextussal és vizuális kódolóval kapcsolja össze. Ezek az architektúraértékek a fejlesztő modelljét írják le, nem garantált késleltetést vagy hardverkonfigurációt egy adott alkalmazáshoz.
256K tokenes kontextusa olyan feladatot támogat, amely jelentős mennyiségű szöveget kapcsol össze vizuális bizonyítékkal. Egy promptban képek és szöveg váltakozhatnak; a fejlesztő a legjobb eredményhez azt javasolja, hogy a képi tartalom a hozzá kapcsolódó szöveg elé kerüljön. A vizuális feladatok között objektumdetektálás, dokumentumoldalak értelmezése, képernyők és felületek megértése, diagramok, többnyelvű OCR, kézírás és képi rámutatás szerepel. A kimenet szöveg: kinyert tartalom, magyarázat, kód vagy javasolt eszközművelet.
A videómegértés képkockák sorozatát dolgozza fel. A modellkártya legfeljebb 60 másodpercet ad meg, ha a képeket másodpercenként egy képkockával dolgozzák fel. Készítse elő a releváns részletet, őrizze meg a képkockák sorrendjét, és adjon meg kérdést a látható sorozatról. Ez a 26B/31B vizuális profil nem fogad hangot; a kisebb, hangot támogató Gemma 4 változatok beszédképességei itt nem érvényesek. Ha a feladathoz a beszélt információ is szükséges, adja hozzá annak átiratát szövegként.
A konfigurálható gondolkodás lehetővé teszi, hogy a modell válaszadás előtt mérlegeljen vagy közvetlen választ adjon. A Gemma 4 a user és assistant szerepek mellett natív system szerepet is bevezet. A Google promptformátuma a system promptban szereplő <|think|> vezérlőtokennel engedélyezi a gondolkodást, és külön kezeli a gondolkodási csatornát a végső választól; a dokumentált feldolgozó képes kezelni ezt a sablont. Többfordulós beszélgetésnél tartsa meg a korábbi végső válaszokat az előzményekben, a korábbi gondolatokat pedig hagyja ki, kivéve az eszközhívásos fordulókat, amelyeknél a fejlesztő szerint meg kell őrizni őket.
A Native Function Calling strukturált eszközhasználatot támogat, a Google bejelentése pedig strukturált JSON-kimenetet is dokumentál. Határozza meg a feladatot, az elérhető függvényt és az elvárt eredményt; az alkalmazás végrehajtja a kért műveletet, és átadja annak kimenetét a következő lépéshez. Kódolási feladat kérhet generálást, kiegészítést vagy javítást, egy vizuális asszisztens pedig a visszakapott szöveggel magyarázhat el egy diagramot vagy képernyőt. A függvényhívási utasítás különbözik a ténylegesen végrehajtott, csatlakoztatott művelettől.
A változó képfelbontást a vizuális tokenkeret szabályozza. A dokumentált lehetőségek 70, 140, 280, 560 és 1 120 token. Az alacsonyabb keretek osztályozáshoz, képfeliratokhoz vagy képkockasorozatokhoz illenek; a magasabb keretek több részletet őriznek meg OCR-hez, dokumentumfeldolgozáshoz és apró szöveghez, több számítással. A kép előkészítése előtt döntse el, hogy az összképre vagy a pontos feliratra van-e szükség. Egy címke jól olvasható kivágása hasznosabb lehet adatkinyerésnél, mint egy teljes oldal minden részletének megvizsgálására irányuló, pontosítás nélküli kérés.
A Google a család mintavételi konfigurációjához 1.0 temperature, 0.95 top-p és 64 top-k értéket javasol. A modellkártya megkülönbözteti a több mint 140 nyelven végzett tanítást a több mint 35 nyelven nyújtott, külön beállítás nélküli támogatástól. Határozza meg a válasz nyelvét, és a feladatleírásban kifejezetten rögzítse a megőrzendő domainneveket, mezőneveket vagy képleteket. A 256K érték kontextusspecifikáció; az idézett modellkártya ehhez a kiadáshoz nem állapít meg külön, általánosan érvényes maximális kimeneti értéket.
Dokumentumot és kódot egyesítő feladathoz adja meg a releváns oldalképet, az írott követelményt és a forráskódrészletet: „Olvassa el a címkéket, magyarázza el, miben tér el ez a képernyő a specifikációtól, és javasoljon célzott javítást a megadott kódhoz.” Diagramnál kérje a látható értékek és a kikövetkeztetett trend külön kezelését. A Gemma modellkártyája korlátokat jelez a kétértelmű nyelv, a nagyon összetett feladatok, valamint a helytelen vagy elavult tényállítások kapcsán, ezért csatolja azokat a mérvadó tényeket, amelyeket a kért eredménynek használnia kell, ahelyett hogy a tanításból származó ismeretektől várná ezeket.
", "aboutText": "A Gemma 4 26B A4B IT a Google DeepMind nyílt Gemma 4 családjának utasításokra hangolt, szakértőkeverékes kiadása. A hivatalos architektúratáblázat összesen 25,2 milliárd és 3,8 milliárd aktív paramétert sorol fel; az A4B az aktív paraméterszám kerekített nagyságrendjét jelöli. Rendeltetése gondolkodási, kódolási, ágensmunkafolyamat- és multimodális megértési feladatokra terjed ki. Különbözik az előtanított kiadástól és a sűrű 31B modelltől.\n\nA szakértőkeverékes felépítés minden következtetési lépéshez a paraméterek egy részét aktiválja: a közzétett architektúratáblázat szerint 128 szakértőből nyolc aktív, mellettük pedig egy közös szakértő működik. A Google ezt a kiadást a sűrű modellhez viszonyított következtetési hatékonyság köré pozicionálja. A 30 rétegű architektúrát és az 1 024 tokenes csúszóablakot globális figyelemmel, 256K méretű kontextussal és vizuális kódolóval kapcsolja össze. Ezek az architektúraértékek a fejlesztő modelljét írják le, nem garantált késleltetést vagy hardverkonfigurációt egy adott alkalmazáshoz.\n\n256K tokenes kontextusa olyan feladatot támogat, amely jelentős mennyiségű szöveget kapcsol össze vizuális bizonyítékkal. Egy promptban képek és szöveg váltakozhatnak; a fejlesztő a legjobb eredményhez azt javasolja, hogy a képi tartalom a hozzá kapcsolódó szöveg elé kerüljön. A vizuális feladatok között objektumdetektálás, dokumentumoldalak értelmezése, képernyők és felületek megértése, diagramok, többnyelvű OCR, kézírás és képi rámutatás szerepel. A kimenet szöveg: kinyert tartalom, magyarázat, kód vagy javasolt eszközművelet.\n\nA videómegértés képkockák sorozatát dolgozza fel. A modellkártya legfeljebb 60 másodpercet ad meg, ha a képeket másodpercenként egy képkockával dolgozzák fel. Készítse elő a releváns részletet, őrizze meg a képkockák sorrendjét, és adjon meg kérdést a látható sorozatról. Ez a 26B/31B vizuális profil nem fogad hangot; a kisebb, hangot támogató Gemma 4 változatok beszédképességei itt nem érvényesek. Ha a feladathoz a beszélt információ is szükséges, adja hozzá annak átiratát szövegként.\n\nA konfigurálható gondolkodás lehetővé teszi, hogy a modell válaszadás előtt mérlegeljen vagy közvetlen választ adjon. A Gemma 4 a user és assistant szerepek mellett natív system szerepet is bevezet. A Google promptformátuma a system promptban szereplő <|think|> vezérlőtokennel engedélyezi a gondolkodást, és külön kezeli a gondolkodási csatornát a végső választól; a dokumentált feldolgozó képes kezelni ezt a sablont. Többfordulós beszélgetésnél tartsa meg a korábbi végső válaszokat az előzményekben, a korábbi gondolatokat pedig hagyja ki, kivéve az eszközhívásos fordulókat, amelyeknél a fejlesztő szerint meg kell őrizni őket.\n\nA Native Function Calling strukturált eszközhasználatot támogat, a Google bejelentése pedig strukturált JSON-kimenetet is dokumentál. Határozza meg a feladatot, az elérhető függvényt és az elvárt eredményt; az alkalmazás végrehajtja a kért műveletet, és átadja annak kimenetét a következő lépéshez. Kódolási feladat kérhet generálást, kiegészítést vagy javítást, egy vizuális asszisztens pedig a visszakapott szöveggel magyarázhat el egy diagramot vagy képernyőt. A függvényhívási utasítás különbözik a ténylegesen végrehajtott, csatlakoztatott művelettől.\n\nA változó képfelbontást a vizuális tokenkeret szabályozza. A dokumentált lehetőségek 70, 140, 280, 560 és 1 120 token. Az alacsonyabb keretek osztályozáshoz, képfeliratokhoz vagy képkockasorozatokhoz illenek; a magasabb keretek több részletet őriznek meg OCR-hez, dokumentumfeldolgozáshoz és apró szöveghez, több számítással. A kép előkészítése előtt döntse el, hogy az összképre vagy a pontos feliratra van-e szükség. Egy címke jól olvasható kivágása hasznosabb lehet adatkinyerésnél, mint egy teljes oldal minden részletének megvizsgálására irányuló, pontosítás nélküli kérés.\n\nA Google a család mintavételi konfigurációjához 1.0 temperature, 0.95 top-p és 64 top-k értéket javasol. A modellkártya megkülönbözteti a több mint 140 nyelven végzett tanítást a több mint 35 nyelven nyújtott, külön beállítás nélküli támogatástól. Határozza meg a válasz nyelvét, és a feladatleírásban kifejezetten rögzítse a megőrzendő domainneveket, mezőneveket vagy képleteket. A 256K érték kontextusspecifikáció; az idézett modellkártya ehhez a kiadáshoz nem állapít meg külön, általánosan érvényes maximális kimeneti értéket.\n\nDokumentumot és kódot egyesítő feladathoz adja meg a releváns oldalképet, az írott követelményt és a forráskódrészletet: „Olvassa el a címkéket, magyarázza el, miben tér el ez a képernyő a specifikációtól, és javasoljon célzott javítást a megadott kódhoz.” Diagramnál kérje a látható értékek és a kikövetkeztetett trend külön kezelését. A Gemma modellkártyája korlátokat jelez a kétértelmű nyelv, a nagyon összetett feladatok, valamint a helytelen vagy elavult tényállítások kapcsán, ezért csatolja azokat a mérvadó tényeket, amelyeket a kért eredménynek használnia kell, ahelyett hogy a tanításból származó ismeretektől várná ezeket.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.google/gemma-4-26b-a4b-itA Gemma 4 26B A4B IT a Google utasításokra hangolt, szakértőkeverékes modellje szöveges és vizuális következtetéshez. 256K méretű kontextust, kép- és képkockaalapú videómegértést, konfigurálható gondolkodást és natív függvényhívást egyesít szöveges kimenettel.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Gemma 4 26B A4B IT a Google DeepMind nyílt Gemma 4 családjának utasításokra hangolt, szakértőkeverékes kiadása. A hivatalos architektúratáblázat összesen 25,2 milliárd és 3,8 milliárd aktív paramétert sorol fel; az A4B az aktív paraméterszám kerekített nagyságrendjét jelöli. Rendeltetése gondolkodási, kódolási, ágensmunkafolyamat- és multimodális megértési feladatokra terjed ki. Különbözik az előtanított kiadástól és a sűrű 31B modelltől.
A szakértőkeverékes felépítés minden következtetési lépéshez a paraméterek egy részét aktiválja: a közzétett architektúratáblázat szerint 128 szakértőből nyolc aktív, mellettük pedig egy közös szakértő működik. A Google ezt a kiadást a sűrű modellhez viszonyított következtetési hatékonyság köré pozicionálja. A 30 rétegű architektúrát és az 1 024 tokenes csúszóablakot globális figyelemmel, 256K méretű kontextussal és vizuális kódolóval kapcsolja össze. Ezek az architektúraértékek a fejlesztő modelljét írják le, nem garantált késleltetést vagy hardverkonfigurációt egy adott alkalmazáshoz.
256K tokenes kontextusa olyan feladatot támogat, amely jelentős mennyiségű szöveget kapcsol össze vizuális bizonyítékkal. Egy promptban képek és szöveg váltakozhatnak; a fejlesztő a legjobb eredményhez azt javasolja, hogy a képi tartalom a hozzá kapcsolódó szöveg elé kerüljön. A vizuális feladatok között objektumdetektálás, dokumentumoldalak értelmezése, képernyők és felületek megértése, diagramok, többnyelvű OCR, kézírás és képi rámutatás szerepel. A kimenet szöveg: kinyert tartalom, magyarázat, kód vagy javasolt eszközművelet.
A videómegértés képkockák sorozatát dolgozza fel. A modellkártya legfeljebb 60 másodpercet ad meg, ha a képeket másodpercenként egy képkockával dolgozzák fel. Készítse elő a releváns részletet, őrizze meg a képkockák sorrendjét, és adjon meg kérdést a látható sorozatról. Ez a 26B/31B vizuális profil nem fogad hangot; a kisebb, hangot támogató Gemma 4 változatok beszédképességei itt nem érvényesek. Ha a feladathoz a beszélt információ is szükséges, adja hozzá annak átiratát szövegként.
A konfigurálható gondolkodás lehetővé teszi, hogy a modell válaszadás előtt mérlegeljen vagy közvetlen választ adjon. A Gemma 4 a user és assistant szerepek mellett natív system szerepet is bevezet. A Google promptformátuma a system promptban szereplő <|think|> vezérlőtokennel engedélyezi a gondolkodást, és külön kezeli a gondolkodási csatornát a végső választól; a dokumentált feldolgozó képes kezelni ezt a sablont. Többfordulós beszélgetésnél tartsa meg a korábbi végső válaszokat az előzményekben, a korábbi gondolatokat pedig hagyja ki, kivéve az eszközhívásos fordulókat, amelyeknél a fejlesztő szerint meg kell őrizni őket.
A Native Function Calling strukturált eszközhasználatot támogat, a Google bejelentése pedig strukturált JSON-kimenetet is dokumentál. Határozza meg a feladatot, az elérhető függvényt és az elvárt eredményt; az alkalmazás végrehajtja a kért műveletet, és átadja annak kimenetét a következő lépéshez. Kódolási feladat kérhet generálást, kiegészítést vagy javítást, egy vizuális asszisztens pedig a visszakapott szöveggel magyarázhat el egy diagramot vagy képernyőt. A függvényhívási utasítás különbözik a ténylegesen végrehajtott, csatlakoztatott művelettől.
A változó képfelbontást a vizuális tokenkeret szabályozza. A dokumentált lehetőségek 70, 140, 280, 560 és 1 120 token. Az alacsonyabb keretek osztályozáshoz, képfeliratokhoz vagy képkockasorozatokhoz illenek; a magasabb keretek több részletet őriznek meg OCR-hez, dokumentumfeldolgozáshoz és apró szöveghez, több számítással. A kép előkészítése előtt döntse el, hogy az összképre vagy a pontos feliratra van-e szükség. Egy címke jól olvasható kivágása hasznosabb lehet adatkinyerésnél, mint egy teljes oldal minden részletének megvizsgálására irányuló, pontosítás nélküli kérés.
A Google a család mintavételi konfigurációjához 1.0 temperature, 0.95 top-p és 64 top-k értéket javasol. A modellkártya megkülönbözteti a több mint 140 nyelven végzett tanítást a több mint 35 nyelven nyújtott, külön beállítás nélküli támogatástól. Határozza meg a válasz nyelvét, és a feladatleírásban kifejezetten rögzítse a megőrzendő domainneveket, mezőneveket vagy képleteket. A 256K érték kontextusspecifikáció; az idézett modellkártya ehhez a kiadáshoz nem állapít meg külön, általánosan érvényes maximális kimeneti értéket.
Dokumentumot és kódot egyesítő feladathoz adja meg a releváns oldalképet, az írott követelményt és a forráskódrészletet: „Olvassa el a címkéket, magyarázza el, miben tér el ez a képernyő a specifikációtól, és javasoljon célzott javítást a megadott kódhoz.” Diagramnál kérje a látható értékek és a kikövetkeztetett trend külön kezelését. A Gemma modellkártyája korlátokat jelez a kétértelmű nyelv, a nagyon összetett feladatok, valamint a helytelen vagy elavult tényállítások kapcsán, ezért csatolja azokat a mérvadó tényeket, amelyeket a kért eredménynek használnia kell, ahelyett hogy a tanításból származó ismeretektől várná ezeket.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok google/gemma-4-26b-a4b-it | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.0003 / 1K token Kimenet · Kimeneti tokenek $0.0012 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.0003 / 1K token Kimenet · Kimeneti tokenek $0.0012 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-it", "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='google/gemma-4-26b-a4b-it',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='google/gemma-4-26b-a4b-it',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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra google/gemma-4-26b-a4b-it
Használja a fent látható metódusútvonalakat.
google/gemma-4-26b-a4b-itA Gemma 4 26B A4B IT a Google utasításokra hangolt, szakértőkeverékes modellje szöveges és vizuális következtetéshez. 256K méretű kontextust, kép- és képkockaalapú videómegértést, konfigurálható gondolkodást és natív függvényhívást egyesít szöveges kimenettel.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Gemma 4 26B A4B IT a Google DeepMind nyílt Gemma 4 családjának utasításokra hangolt, szakértőkeverékes kiadása. A hivatalos architektúratáblázat összesen 25,2 milliárd és 3,8 milliárd aktív paramétert sorol fel; az A4B az aktív paraméterszám kerekített nagyságrendjét jelöli. Rendeltetése gondolkodási, kódolási, ágensmunkafolyamat- és multimodális megértési feladatokra terjed ki. Különbözik az előtanított kiadástól és a sűrű 31B modelltől.
A szakértőkeverékes felépítés minden következtetési lépéshez a paraméterek egy részét aktiválja: a közzétett architektúratáblázat szerint 128 szakértőből nyolc aktív, mellettük pedig egy közös szakértő működik. A Google ezt a kiadást a sűrű modellhez viszonyított következtetési hatékonyság köré pozicionálja. A 30 rétegű architektúrát és az 1 024 tokenes csúszóablakot globális figyelemmel, 256K méretű kontextussal és vizuális kódolóval kapcsolja össze. Ezek az architektúraértékek a fejlesztő modelljét írják le, nem garantált késleltetést vagy hardverkonfigurációt egy adott alkalmazáshoz.
256K tokenes kontextusa olyan feladatot támogat, amely jelentős mennyiségű szöveget kapcsol össze vizuális bizonyítékkal. Egy promptban képek és szöveg váltakozhatnak; a fejlesztő a legjobb eredményhez azt javasolja, hogy a képi tartalom a hozzá kapcsolódó szöveg elé kerüljön. A vizuális feladatok között objektumdetektálás, dokumentumoldalak értelmezése, képernyők és felületek megértése, diagramok, többnyelvű OCR, kézírás és képi rámutatás szerepel. A kimenet szöveg: kinyert tartalom, magyarázat, kód vagy javasolt eszközművelet.
A videómegértés képkockák sorozatát dolgozza fel. A modellkártya legfeljebb 60 másodpercet ad meg, ha a képeket másodpercenként egy képkockával dolgozzák fel. Készítse elő a releváns részletet, őrizze meg a képkockák sorrendjét, és adjon meg kérdést a látható sorozatról. Ez a 26B/31B vizuális profil nem fogad hangot; a kisebb, hangot támogató Gemma 4 változatok beszédképességei itt nem érvényesek. Ha a feladathoz a beszélt információ is szükséges, adja hozzá annak átiratát szövegként.
A konfigurálható gondolkodás lehetővé teszi, hogy a modell válaszadás előtt mérlegeljen vagy közvetlen választ adjon. A Gemma 4 a user és assistant szerepek mellett natív system szerepet is bevezet. A Google promptformátuma a system promptban szereplő <|think|> vezérlőtokennel engedélyezi a gondolkodást, és külön kezeli a gondolkodási csatornát a végső választól; a dokumentált feldolgozó képes kezelni ezt a sablont. Többfordulós beszélgetésnél tartsa meg a korábbi végső válaszokat az előzményekben, a korábbi gondolatokat pedig hagyja ki, kivéve az eszközhívásos fordulókat, amelyeknél a fejlesztő szerint meg kell őrizni őket.
A Native Function Calling strukturált eszközhasználatot támogat, a Google bejelentése pedig strukturált JSON-kimenetet is dokumentál. Határozza meg a feladatot, az elérhető függvényt és az elvárt eredményt; az alkalmazás végrehajtja a kért műveletet, és átadja annak kimenetét a következő lépéshez. Kódolási feladat kérhet generálást, kiegészítést vagy javítást, egy vizuális asszisztens pedig a visszakapott szöveggel magyarázhat el egy diagramot vagy képernyőt. A függvényhívási utasítás különbözik a ténylegesen végrehajtott, csatlakoztatott művelettől.
A változó képfelbontást a vizuális tokenkeret szabályozza. A dokumentált lehetőségek 70, 140, 280, 560 és 1 120 token. Az alacsonyabb keretek osztályozáshoz, képfeliratokhoz vagy képkockasorozatokhoz illenek; a magasabb keretek több részletet őriznek meg OCR-hez, dokumentumfeldolgozáshoz és apró szöveghez, több számítással. A kép előkészítése előtt döntse el, hogy az összképre vagy a pontos feliratra van-e szükség. Egy címke jól olvasható kivágása hasznosabb lehet adatkinyerésnél, mint egy teljes oldal minden részletének megvizsgálására irányuló, pontosítás nélküli kérés.
A Google a család mintavételi konfigurációjához 1.0 temperature, 0.95 top-p és 64 top-k értéket javasol. A modellkártya megkülönbözteti a több mint 140 nyelven végzett tanítást a több mint 35 nyelven nyújtott, külön beállítás nélküli támogatástól. Határozza meg a válasz nyelvét, és a feladatleírásban kifejezetten rögzítse a megőrzendő domainneveket, mezőneveket vagy képleteket. A 256K érték kontextusspecifikáció; az idézett modellkártya ehhez a kiadáshoz nem állapít meg külön, általánosan érvényes maximális kimeneti értéket.
Dokumentumot és kódot egyesítő feladathoz adja meg a releváns oldalképet, az írott követelményt és a forráskódrészletet: „Olvassa el a címkéket, magyarázza el, miben tér el ez a képernyő a specifikációtól, és javasoljon célzott javítást a megadott kódhoz.” Diagramnál kérje a látható értékek és a kikövetkeztetett trend külön kezelését. A Gemma modellkártyája korlátokat jelez a kétértelmű nyelv, a nagyon összetett feladatok, valamint a helytelen vagy elavult tényállítások kapcsán, ezért csatolja azokat a mérvadó tényeket, amelyeket a kért eredménynek használnia kell, ahelyett hogy a tanításból származó ismeretektől várná ezeket.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok google/gemma-4-26b-a4b-it | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.0003 / 1K token Kimenet · Kimeneti tokenek $0.0012 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.0003 / 1K token Kimenet · Kimeneti tokenek $0.0012 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'google/gemma-4-26b-a4b-it', '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': 'google/gemma-4-26b-a4b-it', '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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra google/gemma-4-26b-a4b-it
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.