Gemma 4 26B A4B IT adalah edisi campuran pakar Google DeepMind yang disesuaikan dengan instruksi dalam keluarga Gemma 4 terbuka. Tabel arsitektur resmi mencantumkan 25.2 miliar parameter total dan 3.8 miliar parameter aktif; A4B menamai skala parameter aktif yang dibulatkan. Tujuannya mencakup penalaran, pemrograman, alur kerja agen, dan pemahaman multimodal. Model ini terpisah dari edisi pralatih dan dari model padat 31B.
Desain campuran pakar mengaktifkan sebagian parameter untuk setiap langkah inferensi: delapan pakar aktif dari 128, ditambah satu pakar bersama, dalam tabel arsitektur yang dipublikasikan. Google menempatkan edisi ini pada efisiensi inferensi relatif terhadap model padat. Model ini menggabungkan arsitektur 30 lapis dan jendela geser 1024 token dengan perhatian global, konteks 256K, serta encoder visual. Angka arsitektur ini menjelaskan model produsen, bukan jaminan latensi atau konfigurasi perangkat keras untuk aplikasi tertentu.
Konteks 256K token mendukung tugas yang menggabungkan teks dalam jumlah besar dengan bukti visual. Gambar dan teks dapat disisipkan bergantian dalam satu prompt; pembuat menyarankan penempatan konten gambar sebelum teks terkait untuk hasil terbaik. Tugas visual mencakup deteksi objek, penafsiran halaman dokumen, pemahaman layar dan antarmuka, bagan, OCR multibahasa, tulisan tangan, serta penunjukan. Keluarannya berupa teks: konten hasil ekstraksi, penjelasan, kode, atau usulan tindakan alat.
Pemahaman video memproses urutan bingkai. Kartu model menyebut maksimum 60 detik ketika gambar diproses satu bingkai per detik. Siapkan bagian video yang relevan, pertahankan urutan bingkai, dan berikan pertanyaan tentang rangkaian yang terlihat. Profil visual 26B/31B ini tidak menerima audio; kemampuan ucapan varian Gemma 4 yang lebih kecil dan mendukung audio tidak berlaku di sini. Jika tugas membutuhkan informasi lisan, tambahkan transkripnya sebagai teks.
Pemikiran yang dapat diatur memungkinkan model bernalar sebelum menjawab atau memberikan jawaban langsung. Gemma 4 menambahkan peran system bawaan bersama peran user dan assistant. Format prompt Google mengaktifkan pemikiran dengan token kontrol <|think|> dalam prompt system serta memisahkan saluran pemikiran dari jawaban akhir; prosesor yang didokumentasikan dapat menangani templat tersebut. Untuk percakapan beberapa giliran, simpan jawaban akhir sebelumnya dalam riwayat dan keluarkan pemikiran sebelumnya, kecuali pada giliran pemanggilan alat, ketika pembuat menyatakan pemikiran tersebut harus dipertahankan.
Pemanggilan fungsi bawaan mendukung penggunaan alat terstruktur, dan deskripsi peluncuran Google juga mendokumentasikan keluaran JSON terstruktur. Definisikan tugas, fungsi yang tersedia, serta hasil yang diharapkan; aplikasi menjalankan operasi yang diminta dan mengembalikan keluarannya untuk langkah berikutnya. Tugas pemrograman dapat meminta pembuatan, pelengkapan, atau koreksi, sedangkan asisten visual dapat menggunakan teks yang dikembalikan untuk menjelaskan bagan atau layar. Instruksi panggilan fungsi berbeda dari tindakan terhubung yang benar-benar telah dijalankan.
Resolusi gambar variabel dikendalikan oleh anggaran token visual. Pilihan yang didokumentasikan adalah 70, 140, 280, 560, dan 1120 token. Anggaran lebih rendah sesuai untuk klasifikasi, takarir, atau urutan bingkai; anggaran lebih tinggi mempertahankan lebih banyak detail untuk OCR, penguraian dokumen, serta teks kecil, dengan komputasi tambahan. Tentukan apakah yang diperlukan adalah keseluruhan adegan atau tulisan yang tepat sebelum menyiapkan gambar. Potongan label yang jelas dapat lebih berguna untuk tugas ekstraksi daripada permintaan tanpa batasan untuk memeriksa setiap detail halaman penuh.
Google menyarankan temperature 1.0, top-p 0.95, dan top-k 64 sebagai konfigurasi sampling keluarga ini. Kartu model membedakan pelatihan dalam lebih dari 140 bahasa dari dukungan langsung tanpa penyesuaian dalam lebih dari 35 bahasa. Nyatakan bahasa jawaban dan pertahankan nama domain, nama field, atau rumus secara eksplisit dalam arahan. Angka 256K adalah spesifikasi konteks; kartu model yang dirujuk tidak menetapkan angka keluaran maksimum universal yang terpisah untuk edisi ini.
Untuk tugas dokumen dan kode, berikan gambar halaman yang relevan, persyaratan tertulis, serta potongan sumber: “Baca label, jelaskan perbedaan layar ini dari spesifikasi, dan usulkan koreksi terarah pada kode yang diberikan.” Untuk bagan, mintalah jawaban memisahkan nilai yang terlihat dari tren hasil inferensi. Kartu model Gemma mencatat batas terkait bahasa ambigu, tugas sangat kompleks, serta pernyataan faktual yang salah atau usang, jadi lampirkan fakta otoritatif yang wajib digunakan hasil, alih-alih berharap pengetahuan pelatihan menyediakannya.
", "aboutText": "Gemma 4 26B A4B IT adalah edisi campuran pakar Google DeepMind yang disesuaikan dengan instruksi dalam keluarga Gemma 4 terbuka. Tabel arsitektur resmi mencantumkan 25.2 miliar parameter total dan 3.8 miliar parameter aktif; A4B menamai skala parameter aktif yang dibulatkan. Tujuannya mencakup penalaran, pemrograman, alur kerja agen, dan pemahaman multimodal. Model ini terpisah dari edisi pralatih dan dari model padat 31B.\n\nDesain campuran pakar mengaktifkan sebagian parameter untuk setiap langkah inferensi: delapan pakar aktif dari 128, ditambah satu pakar bersama, dalam tabel arsitektur yang dipublikasikan. Google menempatkan edisi ini pada efisiensi inferensi relatif terhadap model padat. Model ini menggabungkan arsitektur 30 lapis dan jendela geser 1024 token dengan perhatian global, konteks 256K, serta encoder visual. Angka arsitektur ini menjelaskan model produsen, bukan jaminan latensi atau konfigurasi perangkat keras untuk aplikasi tertentu.\n\nKonteks 256K token mendukung tugas yang menggabungkan teks dalam jumlah besar dengan bukti visual. Gambar dan teks dapat disisipkan bergantian dalam satu prompt; pembuat menyarankan penempatan konten gambar sebelum teks terkait untuk hasil terbaik. Tugas visual mencakup deteksi objek, penafsiran halaman dokumen, pemahaman layar dan antarmuka, bagan, OCR multibahasa, tulisan tangan, serta penunjukan. Keluarannya berupa teks: konten hasil ekstraksi, penjelasan, kode, atau usulan tindakan alat.\n\nPemahaman video memproses urutan bingkai. Kartu model menyebut maksimum 60 detik ketika gambar diproses satu bingkai per detik. Siapkan bagian video yang relevan, pertahankan urutan bingkai, dan berikan pertanyaan tentang rangkaian yang terlihat. Profil visual 26B/31B ini tidak menerima audio; kemampuan ucapan varian Gemma 4 yang lebih kecil dan mendukung audio tidak berlaku di sini. Jika tugas membutuhkan informasi lisan, tambahkan transkripnya sebagai teks.\n\nPemikiran yang dapat diatur memungkinkan model bernalar sebelum menjawab atau memberikan jawaban langsung. Gemma 4 menambahkan peran system bawaan bersama peran user dan assistant. Format prompt Google mengaktifkan pemikiran dengan token kontrol <|think|> dalam prompt system serta memisahkan saluran pemikiran dari jawaban akhir; prosesor yang didokumentasikan dapat menangani templat tersebut. Untuk percakapan beberapa giliran, simpan jawaban akhir sebelumnya dalam riwayat dan keluarkan pemikiran sebelumnya, kecuali pada giliran pemanggilan alat, ketika pembuat menyatakan pemikiran tersebut harus dipertahankan.\n\nPemanggilan fungsi bawaan mendukung penggunaan alat terstruktur, dan deskripsi peluncuran Google juga mendokumentasikan keluaran JSON terstruktur. Definisikan tugas, fungsi yang tersedia, serta hasil yang diharapkan; aplikasi menjalankan operasi yang diminta dan mengembalikan keluarannya untuk langkah berikutnya. Tugas pemrograman dapat meminta pembuatan, pelengkapan, atau koreksi, sedangkan asisten visual dapat menggunakan teks yang dikembalikan untuk menjelaskan bagan atau layar. Instruksi panggilan fungsi berbeda dari tindakan terhubung yang benar-benar telah dijalankan.\n\nResolusi gambar variabel dikendalikan oleh anggaran token visual. Pilihan yang didokumentasikan adalah 70, 140, 280, 560, dan 1120 token. Anggaran lebih rendah sesuai untuk klasifikasi, takarir, atau urutan bingkai; anggaran lebih tinggi mempertahankan lebih banyak detail untuk OCR, penguraian dokumen, serta teks kecil, dengan komputasi tambahan. Tentukan apakah yang diperlukan adalah keseluruhan adegan atau tulisan yang tepat sebelum menyiapkan gambar. Potongan label yang jelas dapat lebih berguna untuk tugas ekstraksi daripada permintaan tanpa batasan untuk memeriksa setiap detail halaman penuh.\n\nGoogle menyarankan temperature 1.0, top-p 0.95, dan top-k 64 sebagai konfigurasi sampling keluarga ini. Kartu model membedakan pelatihan dalam lebih dari 140 bahasa dari dukungan langsung tanpa penyesuaian dalam lebih dari 35 bahasa. Nyatakan bahasa jawaban dan pertahankan nama domain, nama field, atau rumus secara eksplisit dalam arahan. Angka 256K adalah spesifikasi konteks; kartu model yang dirujuk tidak menetapkan angka keluaran maksimum universal yang terpisah untuk edisi ini.\n\nUntuk tugas dokumen dan kode, berikan gambar halaman yang relevan, persyaratan tertulis, serta potongan sumber: “Baca label, jelaskan perbedaan layar ini dari spesifikasi, dan usulkan koreksi terarah pada kode yang diberikan.” Untuk bagan, mintalah jawaban memisahkan nilai yang terlihat dari tren hasil inferensi. Kartu model Gemma mencatat batas terkait bahasa ambigu, tugas sangat kompleks, serta pernyataan faktual yang salah atau usang, jadi lampirkan fakta otoritatif yang wajib digunakan hasil, alih-alih berharap pengetahuan pelatihan menyediakannya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.google/gemma-4-26b-a4b-itGemma 4 26B A4B IT adalah model campuran pakar Google yang disesuaikan dengan instruksi untuk penalaran teks dan visual. Model ini menggabungkan konteks 256K, pemahaman gambar dan video berbasis bingkai, pemikiran yang dapat diatur, serta pemanggilan fungsi bawaan dengan keluaran teks.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Gemma 4 26B A4B IT adalah edisi campuran pakar Google DeepMind yang disesuaikan dengan instruksi dalam keluarga Gemma 4 terbuka. Tabel arsitektur resmi mencantumkan 25.2 miliar parameter total dan 3.8 miliar parameter aktif; A4B menamai skala parameter aktif yang dibulatkan. Tujuannya mencakup penalaran, pemrograman, alur kerja agen, dan pemahaman multimodal. Model ini terpisah dari edisi pralatih dan dari model padat 31B.
Desain campuran pakar mengaktifkan sebagian parameter untuk setiap langkah inferensi: delapan pakar aktif dari 128, ditambah satu pakar bersama, dalam tabel arsitektur yang dipublikasikan. Google menempatkan edisi ini pada efisiensi inferensi relatif terhadap model padat. Model ini menggabungkan arsitektur 30 lapis dan jendela geser 1024 token dengan perhatian global, konteks 256K, serta encoder visual. Angka arsitektur ini menjelaskan model produsen, bukan jaminan latensi atau konfigurasi perangkat keras untuk aplikasi tertentu.
Konteks 256K token mendukung tugas yang menggabungkan teks dalam jumlah besar dengan bukti visual. Gambar dan teks dapat disisipkan bergantian dalam satu prompt; pembuat menyarankan penempatan konten gambar sebelum teks terkait untuk hasil terbaik. Tugas visual mencakup deteksi objek, penafsiran halaman dokumen, pemahaman layar dan antarmuka, bagan, OCR multibahasa, tulisan tangan, serta penunjukan. Keluarannya berupa teks: konten hasil ekstraksi, penjelasan, kode, atau usulan tindakan alat.
Pemahaman video memproses urutan bingkai. Kartu model menyebut maksimum 60 detik ketika gambar diproses satu bingkai per detik. Siapkan bagian video yang relevan, pertahankan urutan bingkai, dan berikan pertanyaan tentang rangkaian yang terlihat. Profil visual 26B/31B ini tidak menerima audio; kemampuan ucapan varian Gemma 4 yang lebih kecil dan mendukung audio tidak berlaku di sini. Jika tugas membutuhkan informasi lisan, tambahkan transkripnya sebagai teks.
Pemikiran yang dapat diatur memungkinkan model bernalar sebelum menjawab atau memberikan jawaban langsung. Gemma 4 menambahkan peran system bawaan bersama peran user dan assistant. Format prompt Google mengaktifkan pemikiran dengan token kontrol <|think|> dalam prompt system serta memisahkan saluran pemikiran dari jawaban akhir; prosesor yang didokumentasikan dapat menangani templat tersebut. Untuk percakapan beberapa giliran, simpan jawaban akhir sebelumnya dalam riwayat dan keluarkan pemikiran sebelumnya, kecuali pada giliran pemanggilan alat, ketika pembuat menyatakan pemikiran tersebut harus dipertahankan.
Pemanggilan fungsi bawaan mendukung penggunaan alat terstruktur, dan deskripsi peluncuran Google juga mendokumentasikan keluaran JSON terstruktur. Definisikan tugas, fungsi yang tersedia, serta hasil yang diharapkan; aplikasi menjalankan operasi yang diminta dan mengembalikan keluarannya untuk langkah berikutnya. Tugas pemrograman dapat meminta pembuatan, pelengkapan, atau koreksi, sedangkan asisten visual dapat menggunakan teks yang dikembalikan untuk menjelaskan bagan atau layar. Instruksi panggilan fungsi berbeda dari tindakan terhubung yang benar-benar telah dijalankan.
Resolusi gambar variabel dikendalikan oleh anggaran token visual. Pilihan yang didokumentasikan adalah 70, 140, 280, 560, dan 1120 token. Anggaran lebih rendah sesuai untuk klasifikasi, takarir, atau urutan bingkai; anggaran lebih tinggi mempertahankan lebih banyak detail untuk OCR, penguraian dokumen, serta teks kecil, dengan komputasi tambahan. Tentukan apakah yang diperlukan adalah keseluruhan adegan atau tulisan yang tepat sebelum menyiapkan gambar. Potongan label yang jelas dapat lebih berguna untuk tugas ekstraksi daripada permintaan tanpa batasan untuk memeriksa setiap detail halaman penuh.
Google menyarankan temperature 1.0, top-p 0.95, dan top-k 64 sebagai konfigurasi sampling keluarga ini. Kartu model membedakan pelatihan dalam lebih dari 140 bahasa dari dukungan langsung tanpa penyesuaian dalam lebih dari 35 bahasa. Nyatakan bahasa jawaban dan pertahankan nama domain, nama field, atau rumus secara eksplisit dalam arahan. Angka 256K adalah spesifikasi konteks; kartu model yang dirujuk tidak menetapkan angka keluaran maksimum universal yang terpisah untuk edisi ini.
Untuk tugas dokumen dan kode, berikan gambar halaman yang relevan, persyaratan tertulis, serta potongan sumber: “Baca label, jelaskan perbedaan layar ini dari spesifikasi, dan usulkan koreksi terarah pada kode yang diberikan.” Untuk bagan, mintalah jawaban memisahkan nilai yang terlihat dari tren hasil inferensi. Kartu model Gemma mencatat batas terkait bahasa ambigu, tugas sangat kompleks, serta pernyataan faktual yang salah atau usang, jadi lampirkan fakta otoritatif yang wajib digunakan hasil, alih-alih berharap pengetahuan pelatihan menyediakannya.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan google/gemma-4-26b-a4b-it | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0003 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0003 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-4-26b-a4b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-4-26b-a4b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra google/gemma-4-26b-a4b-it
Gunakan jalur metode yang ditampilkan di atas.
google/gemma-4-26b-a4b-itGemma 4 26B A4B IT adalah model campuran pakar Google yang disesuaikan dengan instruksi untuk penalaran teks dan visual. Model ini menggabungkan konteks 256K, pemahaman gambar dan video berbasis bingkai, pemikiran yang dapat diatur, serta pemanggilan fungsi bawaan dengan keluaran teks.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Gemma 4 26B A4B IT adalah edisi campuran pakar Google DeepMind yang disesuaikan dengan instruksi dalam keluarga Gemma 4 terbuka. Tabel arsitektur resmi mencantumkan 25.2 miliar parameter total dan 3.8 miliar parameter aktif; A4B menamai skala parameter aktif yang dibulatkan. Tujuannya mencakup penalaran, pemrograman, alur kerja agen, dan pemahaman multimodal. Model ini terpisah dari edisi pralatih dan dari model padat 31B.
Desain campuran pakar mengaktifkan sebagian parameter untuk setiap langkah inferensi: delapan pakar aktif dari 128, ditambah satu pakar bersama, dalam tabel arsitektur yang dipublikasikan. Google menempatkan edisi ini pada efisiensi inferensi relatif terhadap model padat. Model ini menggabungkan arsitektur 30 lapis dan jendela geser 1024 token dengan perhatian global, konteks 256K, serta encoder visual. Angka arsitektur ini menjelaskan model produsen, bukan jaminan latensi atau konfigurasi perangkat keras untuk aplikasi tertentu.
Konteks 256K token mendukung tugas yang menggabungkan teks dalam jumlah besar dengan bukti visual. Gambar dan teks dapat disisipkan bergantian dalam satu prompt; pembuat menyarankan penempatan konten gambar sebelum teks terkait untuk hasil terbaik. Tugas visual mencakup deteksi objek, penafsiran halaman dokumen, pemahaman layar dan antarmuka, bagan, OCR multibahasa, tulisan tangan, serta penunjukan. Keluarannya berupa teks: konten hasil ekstraksi, penjelasan, kode, atau usulan tindakan alat.
Pemahaman video memproses urutan bingkai. Kartu model menyebut maksimum 60 detik ketika gambar diproses satu bingkai per detik. Siapkan bagian video yang relevan, pertahankan urutan bingkai, dan berikan pertanyaan tentang rangkaian yang terlihat. Profil visual 26B/31B ini tidak menerima audio; kemampuan ucapan varian Gemma 4 yang lebih kecil dan mendukung audio tidak berlaku di sini. Jika tugas membutuhkan informasi lisan, tambahkan transkripnya sebagai teks.
Pemikiran yang dapat diatur memungkinkan model bernalar sebelum menjawab atau memberikan jawaban langsung. Gemma 4 menambahkan peran system bawaan bersama peran user dan assistant. Format prompt Google mengaktifkan pemikiran dengan token kontrol <|think|> dalam prompt system serta memisahkan saluran pemikiran dari jawaban akhir; prosesor yang didokumentasikan dapat menangani templat tersebut. Untuk percakapan beberapa giliran, simpan jawaban akhir sebelumnya dalam riwayat dan keluarkan pemikiran sebelumnya, kecuali pada giliran pemanggilan alat, ketika pembuat menyatakan pemikiran tersebut harus dipertahankan.
Pemanggilan fungsi bawaan mendukung penggunaan alat terstruktur, dan deskripsi peluncuran Google juga mendokumentasikan keluaran JSON terstruktur. Definisikan tugas, fungsi yang tersedia, serta hasil yang diharapkan; aplikasi menjalankan operasi yang diminta dan mengembalikan keluarannya untuk langkah berikutnya. Tugas pemrograman dapat meminta pembuatan, pelengkapan, atau koreksi, sedangkan asisten visual dapat menggunakan teks yang dikembalikan untuk menjelaskan bagan atau layar. Instruksi panggilan fungsi berbeda dari tindakan terhubung yang benar-benar telah dijalankan.
Resolusi gambar variabel dikendalikan oleh anggaran token visual. Pilihan yang didokumentasikan adalah 70, 140, 280, 560, dan 1120 token. Anggaran lebih rendah sesuai untuk klasifikasi, takarir, atau urutan bingkai; anggaran lebih tinggi mempertahankan lebih banyak detail untuk OCR, penguraian dokumen, serta teks kecil, dengan komputasi tambahan. Tentukan apakah yang diperlukan adalah keseluruhan adegan atau tulisan yang tepat sebelum menyiapkan gambar. Potongan label yang jelas dapat lebih berguna untuk tugas ekstraksi daripada permintaan tanpa batasan untuk memeriksa setiap detail halaman penuh.
Google menyarankan temperature 1.0, top-p 0.95, dan top-k 64 sebagai konfigurasi sampling keluarga ini. Kartu model membedakan pelatihan dalam lebih dari 140 bahasa dari dukungan langsung tanpa penyesuaian dalam lebih dari 35 bahasa. Nyatakan bahasa jawaban dan pertahankan nama domain, nama field, atau rumus secara eksplisit dalam arahan. Angka 256K adalah spesifikasi konteks; kartu model yang dirujuk tidak menetapkan angka keluaran maksimum universal yang terpisah untuk edisi ini.
Untuk tugas dokumen dan kode, berikan gambar halaman yang relevan, persyaratan tertulis, serta potongan sumber: “Baca label, jelaskan perbedaan layar ini dari spesifikasi, dan usulkan koreksi terarah pada kode yang diberikan.” Untuk bagan, mintalah jawaban memisahkan nilai yang terlihat dari tren hasil inferensi. Kartu model Gemma mencatat batas terkait bahasa ambigu, tugas sangat kompleks, serta pernyataan faktual yang salah atau usang, jadi lampirkan fakta otoritatif yang wajib digunakan hasil, alih-alih berharap pengetahuan pelatihan menyediakannya.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan google/gemma-4-26b-a4b-it | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0003 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0003 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-26b-a4b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-26b-a4b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra google/gemma-4-26b-a4b-it
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.