A Llama 4 Maverick Instruct a Meta natívan multimodális modellje asszisztensjellegű beszélgetéshez és vizuális következtetéshez. Többnyelvű szöveget és képeket fogad, és többnyelvű szöveget vagy kódot generál. Szakértői keverékarchitektúrája korai fúziót használ, a vizuális és szöveges információt a modellen belül egyesítve ahelyett, hogy a képet külön szöveges asszisztens által adott, független képaláírásként kezelné.
Modellinformáció és kontextus
A gyártó a Maverickhez 128 szakértőt, 17 milliárd aktív paramétert és összesen 400 milliárd paramétert sorol fel. Ezek különböznek a Scout 16 szakértős, összesen 109 milliárd paraméteres konfigurációjától, bár mindkettő 17 milliárdos aktív méretcímkét visel. Az Instruct név az asszisztensi ellenőrzőpontot azonosítja, nem az előtanított Maverick modellt.
A modellkártya egymillió tokenes kontextusablakot dokumentál a Maverickhez. A kontextust a releváns szövegrészek, képek, beszélgetés és kért válasz együttes megőrzésére használja. Egy nagy forrásgyűjteményhez is meghatározott kérdés és eredmény szükséges. Címkézze a forrásdokumentumokat és képeket, és minden kinyert megállapításhoz kérje az alátámasztó helyet minden anyag válogatás nélküli összefoglalása helyett.
A támogatott nyelvek az arab, angol, francia, német, hindi, indonéz, olasz, portugál, spanyol, tagalog, thai és vietnámi. A gyártó megkülönbözteti ezt a tizenkét támogatott nyelvet az előtanításban használt, körülbelül kétszáz nyelvből álló szélesebb gyűjteménytől. Egy nyelv jelenlétét a tanításban nem szabad minden nyelvre azonos képességígéretté alakítani.
Csevegési, képi és kódfeladatok
A kártya tervezett vizuális felhasználásai közé tartozik a felismerés, a képi következtetés, a képaláírás és a képpel kapcsolatos általános kérdések megválaszolása. Fényképnél kérje a modelltől a feladathoz releváns tárgyak vagy kapcsolat azonosítását. Diagramnál kérjen összehasonlítást megnevezett adatsorok között a tengelyek és mértékegységek megőrzésével. Ábránál kérdezze meg, mely címkézett kapcsolat támaszt alá egy megadott követelményt.
Több kép összehasonlításához azonosítsa minden kép szerepét, és ugyanazokat a szempontokat kérje mindegyiknél. Adjon meg például egy eredeti tervet és egy átdolgozást, majd kérje a látható egyezéseket, különbségeket és a képek által nem igazolt részleteket. A megfigyeléseket tartsa külön a kísérőszövegtől függő következtetésektől. Így a kimenet könnyebben ellenőrizhető a tényleges forrás alapján.
A gyártó legfeljebb öt bemeneti képpel végzett képértelmezési tesztelésről számol be. Ez a dokumentált tesztelt kör, nem feltétlen szigorú képszámmaximum. Őrizze meg a kérdéshez szükséges részleteket és a képek sorrendjét. Sok független kép hozzáadása önmagában nem határozza meg, mit kell összehasonlítani.
Kódolási feladathoz adja meg a követelményt, a releváns forrást és az elvárt viselkedést. A javasolt megvalósítást a feltételezéseitől és példáitól külön kérje. Képernyőkép adhat vizuális követelményeket, míg a szöveges feltétel olyan viselkedést határoz meg, amelyet a kép nem mutathat. A generált kód szöveges anyag; futtatásához, renderelt felület ellenőrzéséhez vagy kódtárra alkalmazásához a csatlakoztatott környezet szükséges.
Beszélgetés-előkészítés és tanítás
A modellkártya a megfelelő feldolgozót és csevegési sablont mutatja be két képpel és egy írásos összehasonlító kérdéssel. Tartsa egyértelműen a beszélgetési szerepeket és a kép-szöveg társítást. Rendszerutasítás meghatározhatja a célközönséget, hangnemet és válaszszerkezetet, míg a felhasználói üzenet a tényleges feladatot és bizonyítékot adja meg. A gyártó az utótanítás után a rendszerprompt általi irányíthatóság és társalgási formázás javulását írja le.
A Maverick előtanítása körülbelül 22 billió tokennyi multimodális adaton történt, a megadott előtanítási adathatár 2024. augusztus. Ez statikus tanításiadat-határ, nem élő hozzáférés az aktuális információkhoz. Ha egy kérdés újabb vagy privát anyagtól függ, azt forráskontextusként vagy külön csatlakoztatott visszakeresési műveleten keresztül adja meg.
A kiadás BF16- és külön kvantált FP8-súlyokat tartalmaz. E pontossági választások nem hoznak létre másik bemeneti modalitást, és nem adják át a Scout tízmillió tokenes kontextusát a Mavericknek. Ismételt feladat vagy származtatott telepítés összehasonlításakor őrizze meg a pontos Instruct ellenőrzőpontot és konfigurációját.
Az eredmény gyakorlati megtervezése
Dokumentumképes feladat külön mezőkként kérheti a forrásazonosítót, a látható állítást, a kinyert értéket és az értelmezést. Egy társalgási magyarázat megőrizheti az eredeti kifejezéseket, és a prózát az olvasó támogatott nyelvéhez igazíthatja. Egy kódolási kérés visszaadhatja az átdolgozott részletet és a tervezett viselkedését megkülönböztető példákat.
Az anyag megadása előtt határozza meg a végső eredmény felhasználását. Egy rövid képaláírás, egy összehasonlító táblázat és egy javasolt program különböző feladatokat old meg akkor is, ha ugyanazokat a képeket használja. A modell vizuális és nyelvi képességei adják az értelmezést és szöveget; a külső visszakeresés, végrehajtás vagy fájlelőállítás alkalmazáskomponensekből származik.
Konkrét határok
Az itt dokumentált bemenetek szöveg és képek, szöveges és kódkimenettel. Hang- vagy videóértelmezést, beszédgenerálást és a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit nem szabad e Maverick kiadásnak tulajdonítani. A Llama Guard is külön tanított osztályozó, nem egy Maverick-válasz automatikus osztályozási kimenete.
A kártya 256 tokenes generálási példája példabeállítás, és az elolvasott források a modell kontextusspecifikációján túl nem állapítanak meg külön szigorú kimenetitoken-maximumot. Tegye egyértelművé a Maverick azonosságát, a támogatott nyelvi kört és a forráshoz kötött végső anyagot ahelyett, hogy másik Llama-kiadás korlátait vagy módjait venné át.
", "aboutText": "A Llama 4 Maverick Instruct a Meta natívan multimodális modellje asszisztensjellegű beszélgetéshez és vizuális következtetéshez. Többnyelvű szöveget és képeket fogad, és többnyelvű szöveget vagy kódot generál. Szakértői keverékarchitektúrája korai fúziót használ, a vizuális és szöveges információt a modellen belül egyesítve ahelyett, hogy a képet külön szöveges asszisztens által adott, független képaláírásként kezelné.\n\nModellinformáció és kontextus\n\nA gyártó a Maverickhez 128 szakértőt, 17 milliárd aktív paramétert és összesen 400 milliárd paramétert sorol fel. Ezek különböznek a Scout 16 szakértős, összesen 109 milliárd paraméteres konfigurációjától, bár mindkettő 17 milliárdos aktív méretcímkét visel. Az Instruct név az asszisztensi ellenőrzőpontot azonosítja, nem az előtanított Maverick modellt.\n\nA modellkártya egymillió tokenes kontextusablakot dokumentál a Maverickhez. A kontextust a releváns szövegrészek, képek, beszélgetés és kért válasz együttes megőrzésére használja. Egy nagy forrásgyűjteményhez is meghatározott kérdés és eredmény szükséges. Címkézze a forrásdokumentumokat és képeket, és minden kinyert megállapításhoz kérje az alátámasztó helyet minden anyag válogatás nélküli összefoglalása helyett.\n\nA támogatott nyelvek az arab, angol, francia, német, hindi, indonéz, olasz, portugál, spanyol, tagalog, thai és vietnámi. A gyártó megkülönbözteti ezt a tizenkét támogatott nyelvet az előtanításban használt, körülbelül kétszáz nyelvből álló szélesebb gyűjteménytől. Egy nyelv jelenlétét a tanításban nem szabad minden nyelvre azonos képességígéretté alakítani.\n\nCsevegési, képi és kódfeladatok\n\nA kártya tervezett vizuális felhasználásai közé tartozik a felismerés, a képi következtetés, a képaláírás és a képpel kapcsolatos általános kérdések megválaszolása. Fényképnél kérje a modelltől a feladathoz releváns tárgyak vagy kapcsolat azonosítását. Diagramnál kérjen összehasonlítást megnevezett adatsorok között a tengelyek és mértékegységek megőrzésével. Ábránál kérdezze meg, mely címkézett kapcsolat támaszt alá egy megadott követelményt.\n\nTöbb kép összehasonlításához azonosítsa minden kép szerepét, és ugyanazokat a szempontokat kérje mindegyiknél. Adjon meg például egy eredeti tervet és egy átdolgozást, majd kérje a látható egyezéseket, különbségeket és a képek által nem igazolt részleteket. A megfigyeléseket tartsa külön a kísérőszövegtől függő következtetésektől. Így a kimenet könnyebben ellenőrizhető a tényleges forrás alapján.\n\nA gyártó legfeljebb öt bemeneti képpel végzett képértelmezési tesztelésről számol be. Ez a dokumentált tesztelt kör, nem feltétlen szigorú képszámmaximum. Őrizze meg a kérdéshez szükséges részleteket és a képek sorrendjét. Sok független kép hozzáadása önmagában nem határozza meg, mit kell összehasonlítani.\n\nKódolási feladathoz adja meg a követelményt, a releváns forrást és az elvárt viselkedést. A javasolt megvalósítást a feltételezéseitől és példáitól külön kérje. Képernyőkép adhat vizuális követelményeket, míg a szöveges feltétel olyan viselkedést határoz meg, amelyet a kép nem mutathat. A generált kód szöveges anyag; futtatásához, renderelt felület ellenőrzéséhez vagy kódtárra alkalmazásához a csatlakoztatott környezet szükséges.\n\nBeszélgetés-előkészítés és tanítás\n\nA modellkártya a megfelelő feldolgozót és csevegési sablont mutatja be két képpel és egy írásos összehasonlító kérdéssel. Tartsa egyértelműen a beszélgetési szerepeket és a kép-szöveg társítást. Rendszerutasítás meghatározhatja a célközönséget, hangnemet és válaszszerkezetet, míg a felhasználói üzenet a tényleges feladatot és bizonyítékot adja meg. A gyártó az utótanítás után a rendszerprompt általi irányíthatóság és társalgási formázás javulását írja le.\n\nA Maverick előtanítása körülbelül 22 billió tokennyi multimodális adaton történt, a megadott előtanítási adathatár 2024. augusztus. Ez statikus tanításiadat-határ, nem élő hozzáférés az aktuális információkhoz. Ha egy kérdés újabb vagy privát anyagtól függ, azt forráskontextusként vagy külön csatlakoztatott visszakeresési műveleten keresztül adja meg.\n\nA kiadás BF16- és külön kvantált FP8-súlyokat tartalmaz. E pontossági választások nem hoznak létre másik bemeneti modalitást, és nem adják át a Scout tízmillió tokenes kontextusát a Mavericknek. Ismételt feladat vagy származtatott telepítés összehasonlításakor őrizze meg a pontos Instruct ellenőrzőpontot és konfigurációját.\n\nAz eredmény gyakorlati megtervezése\n\nDokumentumképes feladat külön mezőkként kérheti a forrásazonosítót, a látható állítást, a kinyert értéket és az értelmezést. Egy társalgási magyarázat megőrizheti az eredeti kifejezéseket, és a prózát az olvasó támogatott nyelvéhez igazíthatja. Egy kódolási kérés visszaadhatja az átdolgozott részletet és a tervezett viselkedését megkülönböztető példákat.\n\nAz anyag megadása előtt határozza meg a végső eredmény felhasználását. Egy rövid képaláírás, egy összehasonlító táblázat és egy javasolt program különböző feladatokat old meg akkor is, ha ugyanazokat a képeket használja. A modell vizuális és nyelvi képességei adják az értelmezést és szöveget; a külső visszakeresés, végrehajtás vagy fájlelőállítás alkalmazáskomponensekből származik.\n\nKonkrét határok\n\nAz itt dokumentált bemenetek szöveg és képek, szöveges és kódkimenettel. Hang- vagy videóértelmezést, beszédgenerálást és a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit nem szabad e Maverick kiadásnak tulajdonítani. A Llama Guard is külön tanított osztályozó, nem egy Maverick-válasz automatikus osztályozási kimenete.\n\nA kártya 256 tokenes generálási példája példabeállítás, és az elolvasott források a modell kontextusspecifikációján túl nem állapítanak meg külön szigorú kimenetitoken-maximumot. Tegye egyértelművé a Maverick azonosságát, a támogatott nyelvi kört és a forráshoz kötött végső anyagot ahelyett, hogy másik Llama-kiadás korlátait vagy módjait venné át.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickA Llama 4 Maverick a Meta natív szöveges-képi Instruct modellje 128 szakértővel, 17 milliárd aktív és összesen 400 milliárd paraméterrel. A gyártó egymillió tokenes kontextust, többnyelvű szöveges/kódkimenetet, vizuális felismerést, képaláírást és képekkel kapcsolatos kérdéseket dokumentál a Scouttól különálló kiadásban.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama 4 Maverick Instruct a Meta natívan multimodális modellje asszisztensjellegű beszélgetéshez és vizuális következtetéshez. Többnyelvű szöveget és képeket fogad, és többnyelvű szöveget vagy kódot generál. Szakértői keverékarchitektúrája korai fúziót használ, a vizuális és szöveges információt a modellen belül egyesítve ahelyett, hogy a képet külön szöveges asszisztens által adott, független képaláírásként kezelné.
Modellinformáció és kontextus
A gyártó a Maverickhez 128 szakértőt, 17 milliárd aktív paramétert és összesen 400 milliárd paramétert sorol fel. Ezek különböznek a Scout 16 szakértős, összesen 109 milliárd paraméteres konfigurációjától, bár mindkettő 17 milliárdos aktív méretcímkét visel. Az Instruct név az asszisztensi ellenőrzőpontot azonosítja, nem az előtanított Maverick modellt.
A modellkártya egymillió tokenes kontextusablakot dokumentál a Maverickhez. A kontextust a releváns szövegrészek, képek, beszélgetés és kért válasz együttes megőrzésére használja. Egy nagy forrásgyűjteményhez is meghatározott kérdés és eredmény szükséges. Címkézze a forrásdokumentumokat és képeket, és minden kinyert megállapításhoz kérje az alátámasztó helyet minden anyag válogatás nélküli összefoglalása helyett.
A támogatott nyelvek az arab, angol, francia, német, hindi, indonéz, olasz, portugál, spanyol, tagalog, thai és vietnámi. A gyártó megkülönbözteti ezt a tizenkét támogatott nyelvet az előtanításban használt, körülbelül kétszáz nyelvből álló szélesebb gyűjteménytől. Egy nyelv jelenlétét a tanításban nem szabad minden nyelvre azonos képességígéretté alakítani.
Csevegési, képi és kódfeladatok
A kártya tervezett vizuális felhasználásai közé tartozik a felismerés, a képi következtetés, a képaláírás és a képpel kapcsolatos általános kérdések megválaszolása. Fényképnél kérje a modelltől a feladathoz releváns tárgyak vagy kapcsolat azonosítását. Diagramnál kérjen összehasonlítást megnevezett adatsorok között a tengelyek és mértékegységek megőrzésével. Ábránál kérdezze meg, mely címkézett kapcsolat támaszt alá egy megadott követelményt.
Több kép összehasonlításához azonosítsa minden kép szerepét, és ugyanazokat a szempontokat kérje mindegyiknél. Adjon meg például egy eredeti tervet és egy átdolgozást, majd kérje a látható egyezéseket, különbségeket és a képek által nem igazolt részleteket. A megfigyeléseket tartsa külön a kísérőszövegtől függő következtetésektől. Így a kimenet könnyebben ellenőrizhető a tényleges forrás alapján.
A gyártó legfeljebb öt bemeneti képpel végzett képértelmezési tesztelésről számol be. Ez a dokumentált tesztelt kör, nem feltétlen szigorú képszámmaximum. Őrizze meg a kérdéshez szükséges részleteket és a képek sorrendjét. Sok független kép hozzáadása önmagában nem határozza meg, mit kell összehasonlítani.
Kódolási feladathoz adja meg a követelményt, a releváns forrást és az elvárt viselkedést. A javasolt megvalósítást a feltételezéseitől és példáitól külön kérje. Képernyőkép adhat vizuális követelményeket, míg a szöveges feltétel olyan viselkedést határoz meg, amelyet a kép nem mutathat. A generált kód szöveges anyag; futtatásához, renderelt felület ellenőrzéséhez vagy kódtárra alkalmazásához a csatlakoztatott környezet szükséges.
Beszélgetés-előkészítés és tanítás
A modellkártya a megfelelő feldolgozót és csevegési sablont mutatja be két képpel és egy írásos összehasonlító kérdéssel. Tartsa egyértelműen a beszélgetési szerepeket és a kép-szöveg társítást. Rendszerutasítás meghatározhatja a célközönséget, hangnemet és válaszszerkezetet, míg a felhasználói üzenet a tényleges feladatot és bizonyítékot adja meg. A gyártó az utótanítás után a rendszerprompt általi irányíthatóság és társalgási formázás javulását írja le.
A Maverick előtanítása körülbelül 22 billió tokennyi multimodális adaton történt, a megadott előtanítási adathatár 2024. augusztus. Ez statikus tanításiadat-határ, nem élő hozzáférés az aktuális információkhoz. Ha egy kérdés újabb vagy privát anyagtól függ, azt forráskontextusként vagy külön csatlakoztatott visszakeresési műveleten keresztül adja meg.
A kiadás BF16- és külön kvantált FP8-súlyokat tartalmaz. E pontossági választások nem hoznak létre másik bemeneti modalitást, és nem adják át a Scout tízmillió tokenes kontextusát a Mavericknek. Ismételt feladat vagy származtatott telepítés összehasonlításakor őrizze meg a pontos Instruct ellenőrzőpontot és konfigurációját.
Az eredmény gyakorlati megtervezése
Dokumentumképes feladat külön mezőkként kérheti a forrásazonosítót, a látható állítást, a kinyert értéket és az értelmezést. Egy társalgási magyarázat megőrizheti az eredeti kifejezéseket, és a prózát az olvasó támogatott nyelvéhez igazíthatja. Egy kódolási kérés visszaadhatja az átdolgozott részletet és a tervezett viselkedését megkülönböztető példákat.
Az anyag megadása előtt határozza meg a végső eredmény felhasználását. Egy rövid képaláírás, egy összehasonlító táblázat és egy javasolt program különböző feladatokat old meg akkor is, ha ugyanazokat a képeket használja. A modell vizuális és nyelvi képességei adják az értelmezést és szöveget; a külső visszakeresés, végrehajtás vagy fájlelőállítás alkalmazáskomponensekből származik.
Konkrét határok
Az itt dokumentált bemenetek szöveg és képek, szöveges és kódkimenettel. Hang- vagy videóértelmezést, beszédgenerálást és a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit nem szabad e Maverick kiadásnak tulajdonítani. A Llama Guard is külön tanított osztályozó, nem egy Maverick-válasz automatikus osztályozási kimenete.
A kártya 256 tokenes generálási példája példabeállítás, és az elolvasott források a modell kontextusspecifikációján túl nem állapítanak meg külön szigorú kimenetitoken-maximumot. Tegye egyértelművé a Maverick azonosságát, a támogatott nyelvi kört és a forráshoz kötött végső anyagot ahelyett, hogy másik Llama-kiadás korlátait vagy módjait venné át.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok llama-4-maverick | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Szöveges beszélgetés | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
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 |
Paramétercontrol_scope | SzerződésSzöveges beszélgetés; a stream logikai érték, alapértéke false. |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Metódus álnevei: /chat/completions
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 $0.000375 / 1K token Kimenet · Kimeneti tokenek $0.001305 / 1K token Bemenet · Gyorsítótár olvasása $0.0001 / 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 $0.000375 / 1K token Kimenet · Kimeneti tokenek $0.001305 / 1K token Bemenet · Gyorsítótár olvasása $0.0001 / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickA Llama 4 Maverick a Meta natív szöveges-képi Instruct modellje 128 szakértővel, 17 milliárd aktív és összesen 400 milliárd paraméterrel. A gyártó egymillió tokenes kontextust, többnyelvű szöveges/kódkimenetet, vizuális felismerést, képaláírást és képekkel kapcsolatos kérdéseket dokumentál a Scouttól különálló kiadásban.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama 4 Maverick Instruct a Meta natívan multimodális modellje asszisztensjellegű beszélgetéshez és vizuális következtetéshez. Többnyelvű szöveget és képeket fogad, és többnyelvű szöveget vagy kódot generál. Szakértői keverékarchitektúrája korai fúziót használ, a vizuális és szöveges információt a modellen belül egyesítve ahelyett, hogy a képet külön szöveges asszisztens által adott, független képaláírásként kezelné.
Modellinformáció és kontextus
A gyártó a Maverickhez 128 szakértőt, 17 milliárd aktív paramétert és összesen 400 milliárd paramétert sorol fel. Ezek különböznek a Scout 16 szakértős, összesen 109 milliárd paraméteres konfigurációjától, bár mindkettő 17 milliárdos aktív méretcímkét visel. Az Instruct név az asszisztensi ellenőrzőpontot azonosítja, nem az előtanított Maverick modellt.
A modellkártya egymillió tokenes kontextusablakot dokumentál a Maverickhez. A kontextust a releváns szövegrészek, képek, beszélgetés és kért válasz együttes megőrzésére használja. Egy nagy forrásgyűjteményhez is meghatározott kérdés és eredmény szükséges. Címkézze a forrásdokumentumokat és képeket, és minden kinyert megállapításhoz kérje az alátámasztó helyet minden anyag válogatás nélküli összefoglalása helyett.
A támogatott nyelvek az arab, angol, francia, német, hindi, indonéz, olasz, portugál, spanyol, tagalog, thai és vietnámi. A gyártó megkülönbözteti ezt a tizenkét támogatott nyelvet az előtanításban használt, körülbelül kétszáz nyelvből álló szélesebb gyűjteménytől. Egy nyelv jelenlétét a tanításban nem szabad minden nyelvre azonos képességígéretté alakítani.
Csevegési, képi és kódfeladatok
A kártya tervezett vizuális felhasználásai közé tartozik a felismerés, a képi következtetés, a képaláírás és a képpel kapcsolatos általános kérdések megválaszolása. Fényképnél kérje a modelltől a feladathoz releváns tárgyak vagy kapcsolat azonosítását. Diagramnál kérjen összehasonlítást megnevezett adatsorok között a tengelyek és mértékegységek megőrzésével. Ábránál kérdezze meg, mely címkézett kapcsolat támaszt alá egy megadott követelményt.
Több kép összehasonlításához azonosítsa minden kép szerepét, és ugyanazokat a szempontokat kérje mindegyiknél. Adjon meg például egy eredeti tervet és egy átdolgozást, majd kérje a látható egyezéseket, különbségeket és a képek által nem igazolt részleteket. A megfigyeléseket tartsa külön a kísérőszövegtől függő következtetésektől. Így a kimenet könnyebben ellenőrizhető a tényleges forrás alapján.
A gyártó legfeljebb öt bemeneti képpel végzett képértelmezési tesztelésről számol be. Ez a dokumentált tesztelt kör, nem feltétlen szigorú képszámmaximum. Őrizze meg a kérdéshez szükséges részleteket és a képek sorrendjét. Sok független kép hozzáadása önmagában nem határozza meg, mit kell összehasonlítani.
Kódolási feladathoz adja meg a követelményt, a releváns forrást és az elvárt viselkedést. A javasolt megvalósítást a feltételezéseitől és példáitól külön kérje. Képernyőkép adhat vizuális követelményeket, míg a szöveges feltétel olyan viselkedést határoz meg, amelyet a kép nem mutathat. A generált kód szöveges anyag; futtatásához, renderelt felület ellenőrzéséhez vagy kódtárra alkalmazásához a csatlakoztatott környezet szükséges.
Beszélgetés-előkészítés és tanítás
A modellkártya a megfelelő feldolgozót és csevegési sablont mutatja be két képpel és egy írásos összehasonlító kérdéssel. Tartsa egyértelműen a beszélgetési szerepeket és a kép-szöveg társítást. Rendszerutasítás meghatározhatja a célközönséget, hangnemet és válaszszerkezetet, míg a felhasználói üzenet a tényleges feladatot és bizonyítékot adja meg. A gyártó az utótanítás után a rendszerprompt általi irányíthatóság és társalgási formázás javulását írja le.
A Maverick előtanítása körülbelül 22 billió tokennyi multimodális adaton történt, a megadott előtanítási adathatár 2024. augusztus. Ez statikus tanításiadat-határ, nem élő hozzáférés az aktuális információkhoz. Ha egy kérdés újabb vagy privát anyagtól függ, azt forráskontextusként vagy külön csatlakoztatott visszakeresési műveleten keresztül adja meg.
A kiadás BF16- és külön kvantált FP8-súlyokat tartalmaz. E pontossági választások nem hoznak létre másik bemeneti modalitást, és nem adják át a Scout tízmillió tokenes kontextusát a Mavericknek. Ismételt feladat vagy származtatott telepítés összehasonlításakor őrizze meg a pontos Instruct ellenőrzőpontot és konfigurációját.
Az eredmény gyakorlati megtervezése
Dokumentumképes feladat külön mezőkként kérheti a forrásazonosítót, a látható állítást, a kinyert értéket és az értelmezést. Egy társalgási magyarázat megőrizheti az eredeti kifejezéseket, és a prózát az olvasó támogatott nyelvéhez igazíthatja. Egy kódolási kérés visszaadhatja az átdolgozott részletet és a tervezett viselkedését megkülönböztető példákat.
Az anyag megadása előtt határozza meg a végső eredmény felhasználását. Egy rövid képaláírás, egy összehasonlító táblázat és egy javasolt program különböző feladatokat old meg akkor is, ha ugyanazokat a képeket használja. A modell vizuális és nyelvi képességei adják az értelmezést és szöveget; a külső visszakeresés, végrehajtás vagy fájlelőállítás alkalmazáskomponensekből származik.
Konkrét határok
Az itt dokumentált bemenetek szöveg és képek, szöveges és kódkimenettel. Hang- vagy videóértelmezést, beszédgenerálást és a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit nem szabad e Maverick kiadásnak tulajdonítani. A Llama Guard is külön tanított osztályozó, nem egy Maverick-válasz automatikus osztályozási kimenete.
A kártya 256 tokenes generálási példája példabeállítás, és az elolvasott források a modell kontextusspecifikációján túl nem állapítanak meg külön szigorú kimenetitoken-maximumot. Tegye egyértelművé a Maverick azonosságát, a támogatott nyelvi kört és a forráshoz kötött végső anyagot ahelyett, hogy másik Llama-kiadás korlátait vagy módjait venné át.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok llama-4-maverick | 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 $0.000375 / 1K token Kimenet · Kimeneti tokenek $0.001305 / 1K token Bemenet · Gyorsítótár olvasása $0.0001 / 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 $0.000375 / 1K token Kimenet · Kimeneti tokenek $0.001305 / 1K token Bemenet · Gyorsítótár olvasása $0.0001 / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickA Llama 4 Maverick a Meta natív szöveges-képi Instruct modellje 128 szakértővel, 17 milliárd aktív és összesen 400 milliárd paraméterrel. A gyártó egymillió tokenes kontextust, többnyelvű szöveges/kódkimenetet, vizuális felismerést, képaláírást és képekkel kapcsolatos kérdéseket dokumentál a Scouttól különálló kiadásban.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama 4 Maverick Instruct a Meta natívan multimodális modellje asszisztensjellegű beszélgetéshez és vizuális következtetéshez. Többnyelvű szöveget és képeket fogad, és többnyelvű szöveget vagy kódot generál. Szakértői keverékarchitektúrája korai fúziót használ, a vizuális és szöveges információt a modellen belül egyesítve ahelyett, hogy a képet külön szöveges asszisztens által adott, független képaláírásként kezelné.
Modellinformáció és kontextus
A gyártó a Maverickhez 128 szakértőt, 17 milliárd aktív paramétert és összesen 400 milliárd paramétert sorol fel. Ezek különböznek a Scout 16 szakértős, összesen 109 milliárd paraméteres konfigurációjától, bár mindkettő 17 milliárdos aktív méretcímkét visel. Az Instruct név az asszisztensi ellenőrzőpontot azonosítja, nem az előtanított Maverick modellt.
A modellkártya egymillió tokenes kontextusablakot dokumentál a Maverickhez. A kontextust a releváns szövegrészek, képek, beszélgetés és kért válasz együttes megőrzésére használja. Egy nagy forrásgyűjteményhez is meghatározott kérdés és eredmény szükséges. Címkézze a forrásdokumentumokat és képeket, és minden kinyert megállapításhoz kérje az alátámasztó helyet minden anyag válogatás nélküli összefoglalása helyett.
A támogatott nyelvek az arab, angol, francia, német, hindi, indonéz, olasz, portugál, spanyol, tagalog, thai és vietnámi. A gyártó megkülönbözteti ezt a tizenkét támogatott nyelvet az előtanításban használt, körülbelül kétszáz nyelvből álló szélesebb gyűjteménytől. Egy nyelv jelenlétét a tanításban nem szabad minden nyelvre azonos képességígéretté alakítani.
Csevegési, képi és kódfeladatok
A kártya tervezett vizuális felhasználásai közé tartozik a felismerés, a képi következtetés, a képaláírás és a képpel kapcsolatos általános kérdések megválaszolása. Fényképnél kérje a modelltől a feladathoz releváns tárgyak vagy kapcsolat azonosítását. Diagramnál kérjen összehasonlítást megnevezett adatsorok között a tengelyek és mértékegységek megőrzésével. Ábránál kérdezze meg, mely címkézett kapcsolat támaszt alá egy megadott követelményt.
Több kép összehasonlításához azonosítsa minden kép szerepét, és ugyanazokat a szempontokat kérje mindegyiknél. Adjon meg például egy eredeti tervet és egy átdolgozást, majd kérje a látható egyezéseket, különbségeket és a képek által nem igazolt részleteket. A megfigyeléseket tartsa külön a kísérőszövegtől függő következtetésektől. Így a kimenet könnyebben ellenőrizhető a tényleges forrás alapján.
A gyártó legfeljebb öt bemeneti képpel végzett képértelmezési tesztelésről számol be. Ez a dokumentált tesztelt kör, nem feltétlen szigorú képszámmaximum. Őrizze meg a kérdéshez szükséges részleteket és a képek sorrendjét. Sok független kép hozzáadása önmagában nem határozza meg, mit kell összehasonlítani.
Kódolási feladathoz adja meg a követelményt, a releváns forrást és az elvárt viselkedést. A javasolt megvalósítást a feltételezéseitől és példáitól külön kérje. Képernyőkép adhat vizuális követelményeket, míg a szöveges feltétel olyan viselkedést határoz meg, amelyet a kép nem mutathat. A generált kód szöveges anyag; futtatásához, renderelt felület ellenőrzéséhez vagy kódtárra alkalmazásához a csatlakoztatott környezet szükséges.
Beszélgetés-előkészítés és tanítás
A modellkártya a megfelelő feldolgozót és csevegési sablont mutatja be két képpel és egy írásos összehasonlító kérdéssel. Tartsa egyértelműen a beszélgetési szerepeket és a kép-szöveg társítást. Rendszerutasítás meghatározhatja a célközönséget, hangnemet és válaszszerkezetet, míg a felhasználói üzenet a tényleges feladatot és bizonyítékot adja meg. A gyártó az utótanítás után a rendszerprompt általi irányíthatóság és társalgási formázás javulását írja le.
A Maverick előtanítása körülbelül 22 billió tokennyi multimodális adaton történt, a megadott előtanítási adathatár 2024. augusztus. Ez statikus tanításiadat-határ, nem élő hozzáférés az aktuális információkhoz. Ha egy kérdés újabb vagy privát anyagtól függ, azt forráskontextusként vagy külön csatlakoztatott visszakeresési műveleten keresztül adja meg.
A kiadás BF16- és külön kvantált FP8-súlyokat tartalmaz. E pontossági választások nem hoznak létre másik bemeneti modalitást, és nem adják át a Scout tízmillió tokenes kontextusát a Mavericknek. Ismételt feladat vagy származtatott telepítés összehasonlításakor őrizze meg a pontos Instruct ellenőrzőpontot és konfigurációját.
Az eredmény gyakorlati megtervezése
Dokumentumképes feladat külön mezőkként kérheti a forrásazonosítót, a látható állítást, a kinyert értéket és az értelmezést. Egy társalgási magyarázat megőrizheti az eredeti kifejezéseket, és a prózát az olvasó támogatott nyelvéhez igazíthatja. Egy kódolási kérés visszaadhatja az átdolgozott részletet és a tervezett viselkedését megkülönböztető példákat.
Az anyag megadása előtt határozza meg a végső eredmény felhasználását. Egy rövid képaláírás, egy összehasonlító táblázat és egy javasolt program különböző feladatokat old meg akkor is, ha ugyanazokat a képeket használja. A modell vizuális és nyelvi képességei adják az értelmezést és szöveget; a külső visszakeresés, végrehajtás vagy fájlelőállítás alkalmazáskomponensekből származik.
Konkrét határok
Az itt dokumentált bemenetek szöveg és képek, szöveges és kódkimenettel. Hang- vagy videóértelmezést, beszédgenerálást és a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit nem szabad e Maverick kiadásnak tulajdonítani. A Llama Guard is külön tanított osztályozó, nem egy Maverick-válasz automatikus osztályozási kimenete.
A kártya 256 tokenes generálási példája példabeállítás, és az elolvasott források a modell kontextusspecifikációján túl nem állapítanak meg külön szigorú kimenetitoken-maximumot. Tegye egyértelművé a Maverick azonosságát, a támogatott nyelvi kört és a forráshoz kötött végső anyagot ahelyett, hogy másik Llama-kiadás korlátait vagy módjait venné át.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok meta-llama/llama-4-maverick | 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 $0.000375 / 1K token Kimenet · Kimeneti tokenek $0.001305 / 1K token Bemenet · Gyorsítótár olvasása $0.0001 / 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 $0.000375 / 1K token Kimenet · Kimeneti tokenek $0.001305 / 1K token Bemenet · Gyorsítótár olvasása $0.0001 / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickA Llama 4 Maverick a Meta natív szöveges-képi Instruct modellje 128 szakértővel, 17 milliárd aktív és összesen 400 milliárd paraméterrel. A gyártó egymillió tokenes kontextust, többnyelvű szöveges/kódkimenetet, vizuális felismerést, képaláírást és képekkel kapcsolatos kérdéseket dokumentál a Scouttól különálló kiadásban.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama 4 Maverick Instruct a Meta natívan multimodális modellje asszisztensjellegű beszélgetéshez és vizuális következtetéshez. Többnyelvű szöveget és képeket fogad, és többnyelvű szöveget vagy kódot generál. Szakértői keverékarchitektúrája korai fúziót használ, a vizuális és szöveges információt a modellen belül egyesítve ahelyett, hogy a képet külön szöveges asszisztens által adott, független képaláírásként kezelné.
Modellinformáció és kontextus
A gyártó a Maverickhez 128 szakértőt, 17 milliárd aktív paramétert és összesen 400 milliárd paramétert sorol fel. Ezek különböznek a Scout 16 szakértős, összesen 109 milliárd paraméteres konfigurációjától, bár mindkettő 17 milliárdos aktív méretcímkét visel. Az Instruct név az asszisztensi ellenőrzőpontot azonosítja, nem az előtanított Maverick modellt.
A modellkártya egymillió tokenes kontextusablakot dokumentál a Maverickhez. A kontextust a releváns szövegrészek, képek, beszélgetés és kért válasz együttes megőrzésére használja. Egy nagy forrásgyűjteményhez is meghatározott kérdés és eredmény szükséges. Címkézze a forrásdokumentumokat és képeket, és minden kinyert megállapításhoz kérje az alátámasztó helyet minden anyag válogatás nélküli összefoglalása helyett.
A támogatott nyelvek az arab, angol, francia, német, hindi, indonéz, olasz, portugál, spanyol, tagalog, thai és vietnámi. A gyártó megkülönbözteti ezt a tizenkét támogatott nyelvet az előtanításban használt, körülbelül kétszáz nyelvből álló szélesebb gyűjteménytől. Egy nyelv jelenlétét a tanításban nem szabad minden nyelvre azonos képességígéretté alakítani.
Csevegési, képi és kódfeladatok
A kártya tervezett vizuális felhasználásai közé tartozik a felismerés, a képi következtetés, a képaláírás és a képpel kapcsolatos általános kérdések megválaszolása. Fényképnél kérje a modelltől a feladathoz releváns tárgyak vagy kapcsolat azonosítását. Diagramnál kérjen összehasonlítást megnevezett adatsorok között a tengelyek és mértékegységek megőrzésével. Ábránál kérdezze meg, mely címkézett kapcsolat támaszt alá egy megadott követelményt.
Több kép összehasonlításához azonosítsa minden kép szerepét, és ugyanazokat a szempontokat kérje mindegyiknél. Adjon meg például egy eredeti tervet és egy átdolgozást, majd kérje a látható egyezéseket, különbségeket és a képek által nem igazolt részleteket. A megfigyeléseket tartsa külön a kísérőszövegtől függő következtetésektől. Így a kimenet könnyebben ellenőrizhető a tényleges forrás alapján.
A gyártó legfeljebb öt bemeneti képpel végzett képértelmezési tesztelésről számol be. Ez a dokumentált tesztelt kör, nem feltétlen szigorú képszámmaximum. Őrizze meg a kérdéshez szükséges részleteket és a képek sorrendjét. Sok független kép hozzáadása önmagában nem határozza meg, mit kell összehasonlítani.
Kódolási feladathoz adja meg a követelményt, a releváns forrást és az elvárt viselkedést. A javasolt megvalósítást a feltételezéseitől és példáitól külön kérje. Képernyőkép adhat vizuális követelményeket, míg a szöveges feltétel olyan viselkedést határoz meg, amelyet a kép nem mutathat. A generált kód szöveges anyag; futtatásához, renderelt felület ellenőrzéséhez vagy kódtárra alkalmazásához a csatlakoztatott környezet szükséges.
Beszélgetés-előkészítés és tanítás
A modellkártya a megfelelő feldolgozót és csevegési sablont mutatja be két képpel és egy írásos összehasonlító kérdéssel. Tartsa egyértelműen a beszélgetési szerepeket és a kép-szöveg társítást. Rendszerutasítás meghatározhatja a célközönséget, hangnemet és válaszszerkezetet, míg a felhasználói üzenet a tényleges feladatot és bizonyítékot adja meg. A gyártó az utótanítás után a rendszerprompt általi irányíthatóság és társalgási formázás javulását írja le.
A Maverick előtanítása körülbelül 22 billió tokennyi multimodális adaton történt, a megadott előtanítási adathatár 2024. augusztus. Ez statikus tanításiadat-határ, nem élő hozzáférés az aktuális információkhoz. Ha egy kérdés újabb vagy privát anyagtól függ, azt forráskontextusként vagy külön csatlakoztatott visszakeresési műveleten keresztül adja meg.
A kiadás BF16- és külön kvantált FP8-súlyokat tartalmaz. E pontossági választások nem hoznak létre másik bemeneti modalitást, és nem adják át a Scout tízmillió tokenes kontextusát a Mavericknek. Ismételt feladat vagy származtatott telepítés összehasonlításakor őrizze meg a pontos Instruct ellenőrzőpontot és konfigurációját.
Az eredmény gyakorlati megtervezése
Dokumentumképes feladat külön mezőkként kérheti a forrásazonosítót, a látható állítást, a kinyert értéket és az értelmezést. Egy társalgási magyarázat megőrizheti az eredeti kifejezéseket, és a prózát az olvasó támogatott nyelvéhez igazíthatja. Egy kódolási kérés visszaadhatja az átdolgozott részletet és a tervezett viselkedését megkülönböztető példákat.
Az anyag megadása előtt határozza meg a végső eredmény felhasználását. Egy rövid képaláírás, egy összehasonlító táblázat és egy javasolt program különböző feladatokat old meg akkor is, ha ugyanazokat a képeket használja. A modell vizuális és nyelvi képességei adják az értelmezést és szöveget; a külső visszakeresés, végrehajtás vagy fájlelőállítás alkalmazáskomponensekből származik.
Konkrét határok
Az itt dokumentált bemenetek szöveg és képek, szöveges és kódkimenettel. Hang- vagy videóértelmezést, beszédgenerálást és a Muse Spark névvel ellátott következtetési erőfeszítési vezérlőit nem szabad e Maverick kiadásnak tulajdonítani. A Llama Guard is külön tanított osztályozó, nem egy Maverick-válasz automatikus osztályozási kimenete.
A kártya 256 tokenes generálási példája példabeállítás, és az elolvasott források a modell kontextusspecifikációján túl nem állapítanak meg külön szigorú kimenetitoken-maximumot. Tegye egyértelművé a Maverick azonosságát, a támogatott nyelvi kört és a forráshoz kötött végső anyagot ahelyett, hogy másik Llama-kiadás korlátait vagy módjait venné át.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok meta-llama/llama-4-maverick | 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 $0.000375 / 1K token Kimenet · Kimeneti tokenek $0.001305 / 1K token Bemenet · Gyorsítótár olvasása $0.0001 / 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 $0.000375 / 1K token Kimenet · Kimeneti tokenek $0.001305 / 1K token Bemenet · Gyorsítótár olvasása $0.0001 / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Technikai példa angolul
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.