A Llama Guard 4 12B a Meta natívan multimodális biztonsági osztályozója, 12 milliárd paraméterrel. Szövegen és több képen együttesen tanították, és szöveges osztályozást generál: safe vagy unsafe, unsafe eredménynél a sértett veszélykategóriákkal együtt. Célja a promptban vagy generált válaszban szereplő tartalom értékelése, nem az általános csevegőasszisztensi működés.
Promptok és válaszok osztályozása
A modell az anyagot a generatív modellnek való elküldés előtt, annak válasza után vagy mindkét ponton osztályozhatja. Ezek különböző kérdések. A promptosztályozás a felhasználói bemenetet értékeli, míg a válaszosztályozás azt, amit az asszisztens ténylegesen írt. Egy rendszer így megkülönböztethet egy kockázatos kérést egy olyan választól, amely az osztályozó taxonómiája szerint elfogadható módon kezeli azt.
Adja meg az osztályozandó pontos tartalmat a beszélgetési szerepekkel és releváns kontextussal együtt. Ha a cél egy válasz, őrizze meg a jelentését meghatározó kérdést. Vegyes szöveges-képi bemenetnél mellékelje az adott prompthoz tartozó képeket ahelyett, hogy független szöveget vagy egy önkényesen kiválasztott képet osztályozna. Az osztályozó eredménye az alkalmazás szabály- vagy ellenőrzési lépéséhez adott információ; önmagában nem blokkol kérést és nem módosít fájlt.
Tizennégy veszélykategória
A gyártó az MLCommons veszélytaxonómiájához igazítja az osztályozót, és egy kizárólag szöveges kódértelmező-kategóriával egészíti ki. A tizennégy címke lefedi az erőszakos bűncselekményeket, az erőszakmentes bűncselekményeket, a szexuális bűncselekményeket, a gyermekek szexuális kizsákmányolását, a rágalmazást, a szaktanácsadást, a magánszférát, a szellemi tulajdont, a válogatás nélküli pusztításra alkalmas fegyvereket, a gyűlöletet, az öngyilkosságot és önsértést, a szexuális tartalmat, a választásokat és a kódértelmezővel való visszaélést.
A kategóriák S1-től S14-ig terjedő azonosítókat használnak. Az S14, Code Interpreter Abuse, kifejezetten kizárólag szöveges eszközhívási esetekre szolgál. Őrizze meg a taxonómiai azonosítót a safe/unsafe eredménnyel együtt, hogy egy későbbi alkalmazáslépés ugyanazon kategóriadefiníciók szerint értelmezhesse az osztályozást. Egy rövid eredmény kategóriabesorolás, nem teljes magyarázat, jogi megállapítás vagy garancia minden lehetséges ártalom észlelésére.
Szemléltető formátumban az unsafe osztályozást az alkalmazható kategóriaazonosító követheti. Tartsa együtt az eredeti értékelt szöveget, annak forrását vagy beszélgetésbeli helyét és a visszaadott címkéket. Ez a kapcsolat lehetővé teszi, hogy az alkalmazás megkülönböztesse a vizsgált tartalmat egy későbbi átírt választól vagy külön prompttól.
Architektúra és tanítás
A Llama Guard 4 sűrű, korai fúziós Transformer-architektúrával rendelkezik, amelyet egy előtanított Llama 4 Scout ellenőrzőpont ritkításával hoztak létre. A gyártó eltávolítja az útválasztott szakértőket és az útválasztó rétegeket, megőrzi a közös sűrű szakértőt, majd tartalomosztályozásra utótanítja az így kapott modellt. A ritkítás után nem végez további előtanítást. Ez eltérő modellt hoz létre a Scout szakértői keverékarchitektúrájú csevegési kiadásától.
A modell közösen használja a Llama 4 tokenizálóját és képi kódolóját, és kizárólag szöveges, valamint multimodális osztályozási tanítást kombinál. A gyártó többnyelvű adatokat és többképes tanítást ír le, az ilyen minták többségében két–öt képpel, és a kizárólag szöveges és multimodális adatok körülbelül három az egyhez arányú keverékével. Ezek tanítási jellemzők, nem szigorú bemenetdarabszám-korlátok.
A dokumentált többnyelvű kör a Llama Guard 3 által támogatott nyelveket követi, és a kártya az angol mellett a franciát, németet, hindit, olaszt, portugált, spanyolt és thait tárgyalja. Egy osztályozási kérésnek meg kell őriznie az értékelt nyelv tényleges megfogalmazását és vizuális kontextusát ahelyett, hogy a tartalmat független összefoglalóval helyettesítené.
Hasznos osztályozási eredmény előkészítése
Bemenetellenőrzéshez adja meg a felhasználó üzenetét és a hozzá tartozó képeket, és kérje a prompt osztályozását a gyártó formátumában. Kimenetellenőrzéshez adja meg az asszisztens tényleges válaszát a releváns korábbi üzenettel együtt. Egy többképes példa megőrizheti a képeket összekapcsoló szöveget, hogy a modell az összetett kérést értékelje, ne egymástól független, kontextus nélküli töredékeket.
A modellkártya a megfelelő beszélgetési sablon alkalmazását és csak a generált osztályozás dekódolását mutatja be. Tíztokenes generálási példája egy rövid címkeeredményt szemléltet; ez a szám nem külön maximális válaszkapacitás. A kért kimenetet igazítsa az osztályozó céljához ahelyett, hogy szokásos társalgási válasz írását kérné tőle.
Konkrét korlátok
A gyártó szerint az ítéleteket korlátozhatják a modell tanítási adatai, hétköznapi tudása, nyelvi lefedettsége és szabályzati lefedettsége. A rágalmazással, szellemi tulajdonnal és választásokkal kapcsolatos kategóriák tényszerű, aktuális tudást igényelhetnek, amellyel az osztályozó nem feltétlenül rendelkezik. A kategóriacímkének ezért meg kell őriznie kapcsolatát a tartalommal és az értékeléshez rendelkezésre álló információval.
A kártya főként néhány, leggyakrabban három képet tartalmazó promptokon végzett tesztelésről számol be, és megjegyzi, hogy sokkal nagyobb képgyűjteménynél a viselkedés eltérhet. Ez a tesztelt kört írja le, nem általános háromképes maximumot. A modell olyan adverszárius vagy promptinjekciós tartalomra is érzékeny lehet, amely megváltoztatja a szándékolt viselkedését.
A Llama Guard 4 osztályozói szerepének nem szabad örökölnie a Scout kontextusspecifikációját vagy általános asszisztensi képességeit pusztán azért, mert a Scoutból ritkították. Az elolvasott kártya nem ad meg külön szigorú kontextus- vagy kimenetitoken-kapacitást ehhez az osztályozóhoz. Gyakorlati eredményként őrizze meg az értékelt anyagot és a taxonómiai címkéket, és az alkalmazásra bízza az eredményhez kapcsolódó művelet meghatározását.
", "aboutText": "A Llama Guard 4 12B a Meta natívan multimodális biztonsági osztályozója, 12 milliárd paraméterrel. Szövegen és több képen együttesen tanították, és szöveges osztályozást generál: safe vagy unsafe, unsafe eredménynél a sértett veszélykategóriákkal együtt. Célja a promptban vagy generált válaszban szereplő tartalom értékelése, nem az általános csevegőasszisztensi működés.\n\nPromptok és válaszok osztályozása\n\nA modell az anyagot a generatív modellnek való elküldés előtt, annak válasza után vagy mindkét ponton osztályozhatja. Ezek különböző kérdések. A promptosztályozás a felhasználói bemenetet értékeli, míg a válaszosztályozás azt, amit az asszisztens ténylegesen írt. Egy rendszer így megkülönböztethet egy kockázatos kérést egy olyan választól, amely az osztályozó taxonómiája szerint elfogadható módon kezeli azt.\n\nAdja meg az osztályozandó pontos tartalmat a beszélgetési szerepekkel és releváns kontextussal együtt. Ha a cél egy válasz, őrizze meg a jelentését meghatározó kérdést. Vegyes szöveges-képi bemenetnél mellékelje az adott prompthoz tartozó képeket ahelyett, hogy független szöveget vagy egy önkényesen kiválasztott képet osztályozna. Az osztályozó eredménye az alkalmazás szabály- vagy ellenőrzési lépéséhez adott információ; önmagában nem blokkol kérést és nem módosít fájlt.\n\nTizennégy veszélykategória\n\nA gyártó az MLCommons veszélytaxonómiájához igazítja az osztályozót, és egy kizárólag szöveges kódértelmező-kategóriával egészíti ki. A tizennégy címke lefedi az erőszakos bűncselekményeket, az erőszakmentes bűncselekményeket, a szexuális bűncselekményeket, a gyermekek szexuális kizsákmányolását, a rágalmazást, a szaktanácsadást, a magánszférát, a szellemi tulajdont, a válogatás nélküli pusztításra alkalmas fegyvereket, a gyűlöletet, az öngyilkosságot és önsértést, a szexuális tartalmat, a választásokat és a kódértelmezővel való visszaélést.\n\nA kategóriák S1-től S14-ig terjedő azonosítókat használnak. Az S14, Code Interpreter Abuse, kifejezetten kizárólag szöveges eszközhívási esetekre szolgál. Őrizze meg a taxonómiai azonosítót a safe/unsafe eredménnyel együtt, hogy egy későbbi alkalmazáslépés ugyanazon kategóriadefiníciók szerint értelmezhesse az osztályozást. Egy rövid eredmény kategóriabesorolás, nem teljes magyarázat, jogi megállapítás vagy garancia minden lehetséges ártalom észlelésére.\n\nSzemléltető formátumban az unsafe osztályozást az alkalmazható kategóriaazonosító követheti. Tartsa együtt az eredeti értékelt szöveget, annak forrását vagy beszélgetésbeli helyét és a visszaadott címkéket. Ez a kapcsolat lehetővé teszi, hogy az alkalmazás megkülönböztesse a vizsgált tartalmat egy későbbi átírt választól vagy külön prompttól.\n\nArchitektúra és tanítás\n\nA Llama Guard 4 sűrű, korai fúziós Transformer-architektúrával rendelkezik, amelyet egy előtanított Llama 4 Scout ellenőrzőpont ritkításával hoztak létre. A gyártó eltávolítja az útválasztott szakértőket és az útválasztó rétegeket, megőrzi a közös sűrű szakértőt, majd tartalomosztályozásra utótanítja az így kapott modellt. A ritkítás után nem végez további előtanítást. Ez eltérő modellt hoz létre a Scout szakértői keverékarchitektúrájú csevegési kiadásától.\n\nA modell közösen használja a Llama 4 tokenizálóját és képi kódolóját, és kizárólag szöveges, valamint multimodális osztályozási tanítást kombinál. A gyártó többnyelvű adatokat és többképes tanítást ír le, az ilyen minták többségében két–öt képpel, és a kizárólag szöveges és multimodális adatok körülbelül három az egyhez arányú keverékével. Ezek tanítási jellemzők, nem szigorú bemenetdarabszám-korlátok.\n\nA dokumentált többnyelvű kör a Llama Guard 3 által támogatott nyelveket követi, és a kártya az angol mellett a franciát, németet, hindit, olaszt, portugált, spanyolt és thait tárgyalja. Egy osztályozási kérésnek meg kell őriznie az értékelt nyelv tényleges megfogalmazását és vizuális kontextusát ahelyett, hogy a tartalmat független összefoglalóval helyettesítené.\n\nHasznos osztályozási eredmény előkészítése\n\nBemenetellenőrzéshez adja meg a felhasználó üzenetét és a hozzá tartozó képeket, és kérje a prompt osztályozását a gyártó formátumában. Kimenetellenőrzéshez adja meg az asszisztens tényleges válaszát a releváns korábbi üzenettel együtt. Egy többképes példa megőrizheti a képeket összekapcsoló szöveget, hogy a modell az összetett kérést értékelje, ne egymástól független, kontextus nélküli töredékeket.\n\nA modellkártya a megfelelő beszélgetési sablon alkalmazását és csak a generált osztályozás dekódolását mutatja be. Tíztokenes generálási példája egy rövid címkeeredményt szemléltet; ez a szám nem külön maximális válaszkapacitás. A kért kimenetet igazítsa az osztályozó céljához ahelyett, hogy szokásos társalgási válasz írását kérné tőle.\n\nKonkrét korlátok\n\nA gyártó szerint az ítéleteket korlátozhatják a modell tanítási adatai, hétköznapi tudása, nyelvi lefedettsége és szabályzati lefedettsége. A rágalmazással, szellemi tulajdonnal és választásokkal kapcsolatos kategóriák tényszerű, aktuális tudást igényelhetnek, amellyel az osztályozó nem feltétlenül rendelkezik. A kategóriacímkének ezért meg kell őriznie kapcsolatát a tartalommal és az értékeléshez rendelkezésre álló információval.\n\nA kártya főként néhány, leggyakrabban három képet tartalmazó promptokon végzett tesztelésről számol be, és megjegyzi, hogy sokkal nagyobb képgyűjteménynél a viselkedés eltérhet. Ez a tesztelt kört írja le, nem általános háromképes maximumot. A modell olyan adverszárius vagy promptinjekciós tartalomra is érzékeny lehet, amely megváltoztatja a szándékolt viselkedését.\n\nA Llama Guard 4 osztályozói szerepének nem szabad örökölnie a Scout kontextusspecifikációját vagy általános asszisztensi képességeit pusztán azért, mert a Scoutból ritkították. Az elolvasott kártya nem ad meg külön szigorú kontextus- vagy kimenetitoken-kapacitást ehhez az osztályozóhoz. Gyakorlati eredményként őrizze meg az értékelt anyagot és a taxonómiai címkéket, és az alkalmazásra bízza az eredményhez kapcsolódó művelet meghatározását.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bA Llama Guard 4 12B a Meta multimodális tartalomosztályozója promptokhoz és generált válaszokhoz. Egy vagy több képpel együtt elemzi a szöveget, és safe/unsafe címkét, valamint az alkalmazható veszélykategóriákat adja vissza, a Llama 4 Scoutból ritkított sűrű architektúrával.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama Guard 4 12B a Meta natívan multimodális biztonsági osztályozója, 12 milliárd paraméterrel. Szövegen és több képen együttesen tanították, és szöveges osztályozást generál: safe vagy unsafe, unsafe eredménynél a sértett veszélykategóriákkal együtt. Célja a promptban vagy generált válaszban szereplő tartalom értékelése, nem az általános csevegőasszisztensi működés.
Promptok és válaszok osztályozása
A modell az anyagot a generatív modellnek való elküldés előtt, annak válasza után vagy mindkét ponton osztályozhatja. Ezek különböző kérdések. A promptosztályozás a felhasználói bemenetet értékeli, míg a válaszosztályozás azt, amit az asszisztens ténylegesen írt. Egy rendszer így megkülönböztethet egy kockázatos kérést egy olyan választól, amely az osztályozó taxonómiája szerint elfogadható módon kezeli azt.
Adja meg az osztályozandó pontos tartalmat a beszélgetési szerepekkel és releváns kontextussal együtt. Ha a cél egy válasz, őrizze meg a jelentését meghatározó kérdést. Vegyes szöveges-képi bemenetnél mellékelje az adott prompthoz tartozó képeket ahelyett, hogy független szöveget vagy egy önkényesen kiválasztott képet osztályozna. Az osztályozó eredménye az alkalmazás szabály- vagy ellenőrzési lépéséhez adott információ; önmagában nem blokkol kérést és nem módosít fájlt.
Tizennégy veszélykategória
A gyártó az MLCommons veszélytaxonómiájához igazítja az osztályozót, és egy kizárólag szöveges kódértelmező-kategóriával egészíti ki. A tizennégy címke lefedi az erőszakos bűncselekményeket, az erőszakmentes bűncselekményeket, a szexuális bűncselekményeket, a gyermekek szexuális kizsákmányolását, a rágalmazást, a szaktanácsadást, a magánszférát, a szellemi tulajdont, a válogatás nélküli pusztításra alkalmas fegyvereket, a gyűlöletet, az öngyilkosságot és önsértést, a szexuális tartalmat, a választásokat és a kódértelmezővel való visszaélést.
A kategóriák S1-től S14-ig terjedő azonosítókat használnak. Az S14, Code Interpreter Abuse, kifejezetten kizárólag szöveges eszközhívási esetekre szolgál. Őrizze meg a taxonómiai azonosítót a safe/unsafe eredménnyel együtt, hogy egy későbbi alkalmazáslépés ugyanazon kategóriadefiníciók szerint értelmezhesse az osztályozást. Egy rövid eredmény kategóriabesorolás, nem teljes magyarázat, jogi megállapítás vagy garancia minden lehetséges ártalom észlelésére.
Szemléltető formátumban az unsafe osztályozást az alkalmazható kategóriaazonosító követheti. Tartsa együtt az eredeti értékelt szöveget, annak forrását vagy beszélgetésbeli helyét és a visszaadott címkéket. Ez a kapcsolat lehetővé teszi, hogy az alkalmazás megkülönböztesse a vizsgált tartalmat egy későbbi átírt választól vagy külön prompttól.
Architektúra és tanítás
A Llama Guard 4 sűrű, korai fúziós Transformer-architektúrával rendelkezik, amelyet egy előtanított Llama 4 Scout ellenőrzőpont ritkításával hoztak létre. A gyártó eltávolítja az útválasztott szakértőket és az útválasztó rétegeket, megőrzi a közös sűrű szakértőt, majd tartalomosztályozásra utótanítja az így kapott modellt. A ritkítás után nem végez további előtanítást. Ez eltérő modellt hoz létre a Scout szakértői keverékarchitektúrájú csevegési kiadásától.
A modell közösen használja a Llama 4 tokenizálóját és képi kódolóját, és kizárólag szöveges, valamint multimodális osztályozási tanítást kombinál. A gyártó többnyelvű adatokat és többképes tanítást ír le, az ilyen minták többségében két–öt képpel, és a kizárólag szöveges és multimodális adatok körülbelül három az egyhez arányú keverékével. Ezek tanítási jellemzők, nem szigorú bemenetdarabszám-korlátok.
A dokumentált többnyelvű kör a Llama Guard 3 által támogatott nyelveket követi, és a kártya az angol mellett a franciát, németet, hindit, olaszt, portugált, spanyolt és thait tárgyalja. Egy osztályozási kérésnek meg kell őriznie az értékelt nyelv tényleges megfogalmazását és vizuális kontextusát ahelyett, hogy a tartalmat független összefoglalóval helyettesítené.
Hasznos osztályozási eredmény előkészítése
Bemenetellenőrzéshez adja meg a felhasználó üzenetét és a hozzá tartozó képeket, és kérje a prompt osztályozását a gyártó formátumában. Kimenetellenőrzéshez adja meg az asszisztens tényleges válaszát a releváns korábbi üzenettel együtt. Egy többképes példa megőrizheti a képeket összekapcsoló szöveget, hogy a modell az összetett kérést értékelje, ne egymástól független, kontextus nélküli töredékeket.
A modellkártya a megfelelő beszélgetési sablon alkalmazását és csak a generált osztályozás dekódolását mutatja be. Tíztokenes generálási példája egy rövid címkeeredményt szemléltet; ez a szám nem külön maximális válaszkapacitás. A kért kimenetet igazítsa az osztályozó céljához ahelyett, hogy szokásos társalgási válasz írását kérné tőle.
Konkrét korlátok
A gyártó szerint az ítéleteket korlátozhatják a modell tanítási adatai, hétköznapi tudása, nyelvi lefedettsége és szabályzati lefedettsége. A rágalmazással, szellemi tulajdonnal és választásokkal kapcsolatos kategóriák tényszerű, aktuális tudást igényelhetnek, amellyel az osztályozó nem feltétlenül rendelkezik. A kategóriacímkének ezért meg kell őriznie kapcsolatát a tartalommal és az értékeléshez rendelkezésre álló információval.
A kártya főként néhány, leggyakrabban három képet tartalmazó promptokon végzett tesztelésről számol be, és megjegyzi, hogy sokkal nagyobb képgyűjteménynél a viselkedés eltérhet. Ez a tesztelt kört írja le, nem általános háromképes maximumot. A modell olyan adverszárius vagy promptinjekciós tartalomra is érzékeny lehet, amely megváltoztatja a szándékolt viselkedését.
A Llama Guard 4 osztályozói szerepének nem szabad örökölnie a Scout kontextusspecifikációját vagy általános asszisztensi képességeit pusztán azért, mert a Scoutból ritkították. Az elolvasott kártya nem ad meg külön szigorú kontextus- vagy kimenetitoken-kapacitást ehhez az osztályozóhoz. Gyakorlati eredményként őrizze meg az értékelt anyagot és a taxonómiai címkéket, és az alkalmazásra bízza az eredményhez kapcsolódó művelet meghatározását.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Kimenet · Kimeneti tokenek $0.00036 / 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 $0.00036 / 1K token Kimenet · Kimeneti tokenek $0.00036 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-guard-4-12b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 meta-llama/llama-guard-4-12b
Használja a fent látható metódusútvonalakat.
meta-llama/llama-guard-4-12bA Llama Guard 4 12B a Meta multimodális tartalomosztályozója promptokhoz és generált válaszokhoz. Egy vagy több képpel együtt elemzi a szöveget, és safe/unsafe címkét, valamint az alkalmazható veszélykategóriákat adja vissza, a Llama 4 Scoutból ritkított sűrű architektúrával.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Llama Guard 4 12B a Meta natívan multimodális biztonsági osztályozója, 12 milliárd paraméterrel. Szövegen és több képen együttesen tanították, és szöveges osztályozást generál: safe vagy unsafe, unsafe eredménynél a sértett veszélykategóriákkal együtt. Célja a promptban vagy generált válaszban szereplő tartalom értékelése, nem az általános csevegőasszisztensi működés.
Promptok és válaszok osztályozása
A modell az anyagot a generatív modellnek való elküldés előtt, annak válasza után vagy mindkét ponton osztályozhatja. Ezek különböző kérdések. A promptosztályozás a felhasználói bemenetet értékeli, míg a válaszosztályozás azt, amit az asszisztens ténylegesen írt. Egy rendszer így megkülönböztethet egy kockázatos kérést egy olyan választól, amely az osztályozó taxonómiája szerint elfogadható módon kezeli azt.
Adja meg az osztályozandó pontos tartalmat a beszélgetési szerepekkel és releváns kontextussal együtt. Ha a cél egy válasz, őrizze meg a jelentését meghatározó kérdést. Vegyes szöveges-képi bemenetnél mellékelje az adott prompthoz tartozó képeket ahelyett, hogy független szöveget vagy egy önkényesen kiválasztott képet osztályozna. Az osztályozó eredménye az alkalmazás szabály- vagy ellenőrzési lépéséhez adott információ; önmagában nem blokkol kérést és nem módosít fájlt.
Tizennégy veszélykategória
A gyártó az MLCommons veszélytaxonómiájához igazítja az osztályozót, és egy kizárólag szöveges kódértelmező-kategóriával egészíti ki. A tizennégy címke lefedi az erőszakos bűncselekményeket, az erőszakmentes bűncselekményeket, a szexuális bűncselekményeket, a gyermekek szexuális kizsákmányolását, a rágalmazást, a szaktanácsadást, a magánszférát, a szellemi tulajdont, a válogatás nélküli pusztításra alkalmas fegyvereket, a gyűlöletet, az öngyilkosságot és önsértést, a szexuális tartalmat, a választásokat és a kódértelmezővel való visszaélést.
A kategóriák S1-től S14-ig terjedő azonosítókat használnak. Az S14, Code Interpreter Abuse, kifejezetten kizárólag szöveges eszközhívási esetekre szolgál. Őrizze meg a taxonómiai azonosítót a safe/unsafe eredménnyel együtt, hogy egy későbbi alkalmazáslépés ugyanazon kategóriadefiníciók szerint értelmezhesse az osztályozást. Egy rövid eredmény kategóriabesorolás, nem teljes magyarázat, jogi megállapítás vagy garancia minden lehetséges ártalom észlelésére.
Szemléltető formátumban az unsafe osztályozást az alkalmazható kategóriaazonosító követheti. Tartsa együtt az eredeti értékelt szöveget, annak forrását vagy beszélgetésbeli helyét és a visszaadott címkéket. Ez a kapcsolat lehetővé teszi, hogy az alkalmazás megkülönböztesse a vizsgált tartalmat egy későbbi átírt választól vagy külön prompttól.
Architektúra és tanítás
A Llama Guard 4 sűrű, korai fúziós Transformer-architektúrával rendelkezik, amelyet egy előtanított Llama 4 Scout ellenőrzőpont ritkításával hoztak létre. A gyártó eltávolítja az útválasztott szakértőket és az útválasztó rétegeket, megőrzi a közös sűrű szakértőt, majd tartalomosztályozásra utótanítja az így kapott modellt. A ritkítás után nem végez további előtanítást. Ez eltérő modellt hoz létre a Scout szakértői keverékarchitektúrájú csevegési kiadásától.
A modell közösen használja a Llama 4 tokenizálóját és képi kódolóját, és kizárólag szöveges, valamint multimodális osztályozási tanítást kombinál. A gyártó többnyelvű adatokat és többképes tanítást ír le, az ilyen minták többségében két–öt képpel, és a kizárólag szöveges és multimodális adatok körülbelül három az egyhez arányú keverékével. Ezek tanítási jellemzők, nem szigorú bemenetdarabszám-korlátok.
A dokumentált többnyelvű kör a Llama Guard 3 által támogatott nyelveket követi, és a kártya az angol mellett a franciát, németet, hindit, olaszt, portugált, spanyolt és thait tárgyalja. Egy osztályozási kérésnek meg kell őriznie az értékelt nyelv tényleges megfogalmazását és vizuális kontextusát ahelyett, hogy a tartalmat független összefoglalóval helyettesítené.
Hasznos osztályozási eredmény előkészítése
Bemenetellenőrzéshez adja meg a felhasználó üzenetét és a hozzá tartozó képeket, és kérje a prompt osztályozását a gyártó formátumában. Kimenetellenőrzéshez adja meg az asszisztens tényleges válaszát a releváns korábbi üzenettel együtt. Egy többképes példa megőrizheti a képeket összekapcsoló szöveget, hogy a modell az összetett kérést értékelje, ne egymástól független, kontextus nélküli töredékeket.
A modellkártya a megfelelő beszélgetési sablon alkalmazását és csak a generált osztályozás dekódolását mutatja be. Tíztokenes generálási példája egy rövid címkeeredményt szemléltet; ez a szám nem külön maximális válaszkapacitás. A kért kimenetet igazítsa az osztályozó céljához ahelyett, hogy szokásos társalgási válasz írását kérné tőle.
Konkrét korlátok
A gyártó szerint az ítéleteket korlátozhatják a modell tanítási adatai, hétköznapi tudása, nyelvi lefedettsége és szabályzati lefedettsége. A rágalmazással, szellemi tulajdonnal és választásokkal kapcsolatos kategóriák tényszerű, aktuális tudást igényelhetnek, amellyel az osztályozó nem feltétlenül rendelkezik. A kategóriacímkének ezért meg kell őriznie kapcsolatát a tartalommal és az értékeléshez rendelkezésre álló információval.
A kártya főként néhány, leggyakrabban három képet tartalmazó promptokon végzett tesztelésről számol be, és megjegyzi, hogy sokkal nagyobb képgyűjteménynél a viselkedés eltérhet. Ez a tesztelt kört írja le, nem általános háromképes maximumot. A modell olyan adverszárius vagy promptinjekciós tartalomra is érzékeny lehet, amely megváltoztatja a szándékolt viselkedését.
A Llama Guard 4 osztályozói szerepének nem szabad örökölnie a Scout kontextusspecifikációját vagy általános asszisztensi képességeit pusztán azért, mert a Scoutból ritkították. Az elolvasott kártya nem ad meg külön szigorú kontextus- vagy kimenetitoken-kapacitást ehhez az osztályozóhoz. Gyakorlati eredményként őrizze meg az értékelt anyagot és a taxonómiai címkéket, és az alkalmazásra bízza az eredményhez kapcsolódó művelet meghatározását.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Kimenet · Kimeneti tokenek $0.00036 / 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 $0.00036 / 1K token Kimenet · Kimeneti tokenek $0.00036 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 meta-llama/llama-guard-4-12b
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.