Llama Guard 4 12B adalah pengklasifikasi keamanan multimodal bawaan Meta dengan 12 miliar parameter. Model ini dilatih bersama pada teks dan beberapa gambar serta menghasilkan klasifikasi tekstual: safe atau unsafe, dengan kategori bahaya yang dilanggar ketika hasilnya unsafe. Tujuannya adalah mengevaluasi konten dalam prompt atau respons yang dihasilkan, bukan bertindak sebagai asisten percakapan umum.
Klasifikasi prompt dan respons
Model ini dapat mengklasifikasikan bahan sebelum dikirim ke model generatif, setelah model tersebut menghasilkan jawaban, atau pada kedua titik itu. Ini merupakan pertanyaan yang berbeda. Klasifikasi prompt mengevaluasi masukan pengguna, sedangkan klasifikasi respons mengevaluasi apa yang benar-benar ditulis asisten. Dengan demikian, sistem dapat membedakan permintaan berisiko dari respons yang menangani permintaan tersebut secara dapat diterima menurut taksonomi pengklasifikasi.
Berikan konten yang tepat untuk diklasifikasikan bersama peran percakapan dan konteks yang relevan. Jika sasarannya adalah respons, pertahankan pertanyaan yang memberikan makna pada respons tersebut. Untuk masukan campuran teks dan gambar, sertakan gambar yang terkait dengan prompt itu, alih-alih mengklasifikasikan teks yang tidak terkait atau satu gambar yang dipilih sembarang. Hasil pengklasifikasi merupakan informasi bagi aturan aplikasi atau langkah peninjauan; hasil itu sendiri tidak memblokir permintaan atau mengubah berkas.
Empat belas kategori bahaya
Pembuatnya menyelaraskan pengklasifikasi dengan taksonomi bahaya MLCommons dan menambahkan kategori penyalahgunaan interpreter kode khusus teks. Keempat belas label mencakup kejahatan kekerasan, kejahatan tanpa kekerasan, kejahatan terkait seks, eksploitasi seksual anak, pencemaran nama baik, nasihat khusus, privasi, kekayaan intelektual, senjata yang tidak membedakan sasaran, kebencian, bunuh diri dan menyakiti diri, konten seksual, pemilu, serta penyalahgunaan interpreter kode.
Kategori tersebut menggunakan pengenal S1 hingga S14. S14, Code Interpreter Abuse, secara khusus ditujukan untuk kasus penggunaan panggilan alat yang hanya berupa teks. Simpan pengenal taksonomi bersama hasil safe/unsafe agar langkah aplikasi selanjutnya dapat menafsirkan klasifikasi dengan definisi kategori yang sama. Hasil singkat merupakan penilaian kategori, bukan penjelasan lengkap, penetapan hukum, atau jaminan bahwa setiap kemungkinan bahaya telah terdeteksi.
Sebagai contoh format, klasifikasi unsafe dapat diikuti pengenal kategori yang berlaku. Pertahankan teks asli yang dievaluasi, sumber atau posisinya dalam percakapan, serta label yang dikembalikan secara bersama. Keterkaitan itu memungkinkan aplikasi membedakan konten yang diperiksa dari respons yang kemudian ditulis ulang atau prompt terpisah.
Arsitektur dan pelatihan
Llama Guard 4 memiliki arsitektur Transformer padat dengan fusi awal, yang dipangkas dari checkpoint Llama 4 Scout pralatih. Pembuatnya menghapus pakar yang dipilih melalui perutean dan lapisan router serta mempertahankan pakar padat bersama, lalu melakukan pascapelatihan model hasilnya untuk klasifikasi konten. Tidak ada prapelatihan tambahan setelah langkah pemangkasan tersebut. Ini menghasilkan model yang berbeda dari edisi percakapan Scout dengan mixture-of-experts.
Model ini berbagi tokenizer dan encoder visual Llama 4 serta menggabungkan pelatihan klasifikasi khusus teks dan multimodal. Pembuatnya menjelaskan data multibahasa dan pelatihan beberapa gambar, dengan sebagian besar sampel tersebut memuat dua hingga lima gambar dan perpaduan data khusus teks terhadap multimodal sekitar tiga banding satu. Itu merupakan karakteristik pelatihan, bukan batas keras jumlah masukan.
Cakupan multibahasa yang didokumentasikan mengikuti bahasa yang didukung Llama Guard 3, dan kartu model membahas bahasa Inggris bersama bahasa Prancis, Jerman, Hindi, Italia, Portugis, Spanyol, dan Thai. Permintaan klasifikasi harus mempertahankan kata-kata aktual dan konteks visual dalam bahasa yang dievaluasi, alih-alih mengganti konten dengan ringkasan yang tidak terkait.
Menyiapkan hasil klasifikasi yang berguna
Untuk pemeriksaan masukan, berikan pesan pengguna beserta gambar terkait dan mintalah klasifikasi prompt dalam format pembuatnya. Untuk pemeriksaan keluaran, berikan respons aktual asisten bersama pesan sebelumnya yang relevan. Contoh beberapa gambar dapat mempertahankan teks yang menghubungkan gambar agar model mengevaluasi permintaan gabungan, bukan fragmen terpisah tanpa konteks.
Kartu model mendemonstrasikan penerapan templat percakapan yang cocok dan decoding hanya pada klasifikasi yang dihasilkan. Contoh generasi sepuluh tokennya memperlihatkan hasil label singkat; angka tersebut bukan kapasitas jawaban maksimum tersendiri. Jaga agar keluaran yang diminta sesuai dengan tujuan pengklasifikasi, alih-alih memintanya menulis jawaban percakapan biasa.
Keterbatasan khusus
Pembuatnya menyatakan bahwa penilaian dapat dibatasi oleh data pelatihan model, pengetahuan akal sehat, cakupan bahasa, dan cakupan kebijakan. Kategori pencemaran nama baik, kekayaan intelektual, dan pemilu dapat memerlukan pengetahuan faktual terkini yang mungkin tidak dimiliki pengklasifikasi. Karena itu, label kategori harus tetap terkait dengan konten dan informasi yang tersedia untuk evaluasi tersebut.
Kartu model melaporkan pengujian terutama pada prompt dengan beberapa gambar, paling sering tiga, dan menyatakan bahwa perilaku dapat bervariasi pada kumpulan gambar yang jauh lebih besar. Ini menjelaskan cakupan yang diuji, bukan maksimum tiga gambar yang berlaku universal. Model ini juga dapat rentan terhadap konten adversarial atau injeksi prompt yang mengubah perilaku yang dimaksudkan.
Peran pengklasifikasi Llama Guard 4 tidak boleh mewarisi spesifikasi konteks Scout atau kemampuan asisten umumnya hanya karena dipangkas dari Scout. Kartu model yang dibaca tidak memberikan kapasitas konteks keras atau kapasitas token keluaran tersendiri untuk pengklasifikasi ini. Pertahankan bahan yang dievaluasi dan label taksonomi sebagai artefak praktis, serta biarkan aplikasi menentukan tindakan yang terkait dengan hasil tersebut.
", "aboutText": "Llama Guard 4 12B adalah pengklasifikasi keamanan multimodal bawaan Meta dengan 12 miliar parameter. Model ini dilatih bersama pada teks dan beberapa gambar serta menghasilkan klasifikasi tekstual: safe atau unsafe, dengan kategori bahaya yang dilanggar ketika hasilnya unsafe. Tujuannya adalah mengevaluasi konten dalam prompt atau respons yang dihasilkan, bukan bertindak sebagai asisten percakapan umum.\n\nKlasifikasi prompt dan respons\n\nModel ini dapat mengklasifikasikan bahan sebelum dikirim ke model generatif, setelah model tersebut menghasilkan jawaban, atau pada kedua titik itu. Ini merupakan pertanyaan yang berbeda. Klasifikasi prompt mengevaluasi masukan pengguna, sedangkan klasifikasi respons mengevaluasi apa yang benar-benar ditulis asisten. Dengan demikian, sistem dapat membedakan permintaan berisiko dari respons yang menangani permintaan tersebut secara dapat diterima menurut taksonomi pengklasifikasi.\n\nBerikan konten yang tepat untuk diklasifikasikan bersama peran percakapan dan konteks yang relevan. Jika sasarannya adalah respons, pertahankan pertanyaan yang memberikan makna pada respons tersebut. Untuk masukan campuran teks dan gambar, sertakan gambar yang terkait dengan prompt itu, alih-alih mengklasifikasikan teks yang tidak terkait atau satu gambar yang dipilih sembarang. Hasil pengklasifikasi merupakan informasi bagi aturan aplikasi atau langkah peninjauan; hasil itu sendiri tidak memblokir permintaan atau mengubah berkas.\n\nEmpat belas kategori bahaya\n\nPembuatnya menyelaraskan pengklasifikasi dengan taksonomi bahaya MLCommons dan menambahkan kategori penyalahgunaan interpreter kode khusus teks. Keempat belas label mencakup kejahatan kekerasan, kejahatan tanpa kekerasan, kejahatan terkait seks, eksploitasi seksual anak, pencemaran nama baik, nasihat khusus, privasi, kekayaan intelektual, senjata yang tidak membedakan sasaran, kebencian, bunuh diri dan menyakiti diri, konten seksual, pemilu, serta penyalahgunaan interpreter kode.\n\nKategori tersebut menggunakan pengenal S1 hingga S14. S14, Code Interpreter Abuse, secara khusus ditujukan untuk kasus penggunaan panggilan alat yang hanya berupa teks. Simpan pengenal taksonomi bersama hasil safe/unsafe agar langkah aplikasi selanjutnya dapat menafsirkan klasifikasi dengan definisi kategori yang sama. Hasil singkat merupakan penilaian kategori, bukan penjelasan lengkap, penetapan hukum, atau jaminan bahwa setiap kemungkinan bahaya telah terdeteksi.\n\nSebagai contoh format, klasifikasi unsafe dapat diikuti pengenal kategori yang berlaku. Pertahankan teks asli yang dievaluasi, sumber atau posisinya dalam percakapan, serta label yang dikembalikan secara bersama. Keterkaitan itu memungkinkan aplikasi membedakan konten yang diperiksa dari respons yang kemudian ditulis ulang atau prompt terpisah.\n\nArsitektur dan pelatihan\n\nLlama Guard 4 memiliki arsitektur Transformer padat dengan fusi awal, yang dipangkas dari checkpoint Llama 4 Scout pralatih. Pembuatnya menghapus pakar yang dipilih melalui perutean dan lapisan router serta mempertahankan pakar padat bersama, lalu melakukan pascapelatihan model hasilnya untuk klasifikasi konten. Tidak ada prapelatihan tambahan setelah langkah pemangkasan tersebut. Ini menghasilkan model yang berbeda dari edisi percakapan Scout dengan mixture-of-experts.\n\nModel ini berbagi tokenizer dan encoder visual Llama 4 serta menggabungkan pelatihan klasifikasi khusus teks dan multimodal. Pembuatnya menjelaskan data multibahasa dan pelatihan beberapa gambar, dengan sebagian besar sampel tersebut memuat dua hingga lima gambar dan perpaduan data khusus teks terhadap multimodal sekitar tiga banding satu. Itu merupakan karakteristik pelatihan, bukan batas keras jumlah masukan.\n\nCakupan multibahasa yang didokumentasikan mengikuti bahasa yang didukung Llama Guard 3, dan kartu model membahas bahasa Inggris bersama bahasa Prancis, Jerman, Hindi, Italia, Portugis, Spanyol, dan Thai. Permintaan klasifikasi harus mempertahankan kata-kata aktual dan konteks visual dalam bahasa yang dievaluasi, alih-alih mengganti konten dengan ringkasan yang tidak terkait.\n\nMenyiapkan hasil klasifikasi yang berguna\n\nUntuk pemeriksaan masukan, berikan pesan pengguna beserta gambar terkait dan mintalah klasifikasi prompt dalam format pembuatnya. Untuk pemeriksaan keluaran, berikan respons aktual asisten bersama pesan sebelumnya yang relevan. Contoh beberapa gambar dapat mempertahankan teks yang menghubungkan gambar agar model mengevaluasi permintaan gabungan, bukan fragmen terpisah tanpa konteks.\n\nKartu model mendemonstrasikan penerapan templat percakapan yang cocok dan decoding hanya pada klasifikasi yang dihasilkan. Contoh generasi sepuluh tokennya memperlihatkan hasil label singkat; angka tersebut bukan kapasitas jawaban maksimum tersendiri. Jaga agar keluaran yang diminta sesuai dengan tujuan pengklasifikasi, alih-alih memintanya menulis jawaban percakapan biasa.\n\nKeterbatasan khusus\n\nPembuatnya menyatakan bahwa penilaian dapat dibatasi oleh data pelatihan model, pengetahuan akal sehat, cakupan bahasa, dan cakupan kebijakan. Kategori pencemaran nama baik, kekayaan intelektual, dan pemilu dapat memerlukan pengetahuan faktual terkini yang mungkin tidak dimiliki pengklasifikasi. Karena itu, label kategori harus tetap terkait dengan konten dan informasi yang tersedia untuk evaluasi tersebut.\n\nKartu model melaporkan pengujian terutama pada prompt dengan beberapa gambar, paling sering tiga, dan menyatakan bahwa perilaku dapat bervariasi pada kumpulan gambar yang jauh lebih besar. Ini menjelaskan cakupan yang diuji, bukan maksimum tiga gambar yang berlaku universal. Model ini juga dapat rentan terhadap konten adversarial atau injeksi prompt yang mengubah perilaku yang dimaksudkan.\n\nPeran pengklasifikasi Llama Guard 4 tidak boleh mewarisi spesifikasi konteks Scout atau kemampuan asisten umumnya hanya karena dipangkas dari Scout. Kartu model yang dibaca tidak memberikan kapasitas konteks keras atau kapasitas token keluaran tersendiri untuk pengklasifikasi ini. Pertahankan bahan yang dievaluasi dan label taksonomi sebagai artefak praktis, serta biarkan aplikasi menentukan tindakan yang terkait dengan hasil tersebut.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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-4-12bLlama Guard 4 12B adalah pengklasifikasi konten multimodal Meta untuk prompt dan respons yang dihasilkan. Model ini menganalisis teks bersama satu gambar atau lebih dan mengembalikan label safe/unsafe beserta kategori bahaya yang berlaku, menggunakan arsitektur padat yang dipangkas dari Llama 4 Scout.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Llama Guard 4 12B adalah pengklasifikasi keamanan multimodal bawaan Meta dengan 12 miliar parameter. Model ini dilatih bersama pada teks dan beberapa gambar serta menghasilkan klasifikasi tekstual: safe atau unsafe, dengan kategori bahaya yang dilanggar ketika hasilnya unsafe. Tujuannya adalah mengevaluasi konten dalam prompt atau respons yang dihasilkan, bukan bertindak sebagai asisten percakapan umum.
Klasifikasi prompt dan respons
Model ini dapat mengklasifikasikan bahan sebelum dikirim ke model generatif, setelah model tersebut menghasilkan jawaban, atau pada kedua titik itu. Ini merupakan pertanyaan yang berbeda. Klasifikasi prompt mengevaluasi masukan pengguna, sedangkan klasifikasi respons mengevaluasi apa yang benar-benar ditulis asisten. Dengan demikian, sistem dapat membedakan permintaan berisiko dari respons yang menangani permintaan tersebut secara dapat diterima menurut taksonomi pengklasifikasi.
Berikan konten yang tepat untuk diklasifikasikan bersama peran percakapan dan konteks yang relevan. Jika sasarannya adalah respons, pertahankan pertanyaan yang memberikan makna pada respons tersebut. Untuk masukan campuran teks dan gambar, sertakan gambar yang terkait dengan prompt itu, alih-alih mengklasifikasikan teks yang tidak terkait atau satu gambar yang dipilih sembarang. Hasil pengklasifikasi merupakan informasi bagi aturan aplikasi atau langkah peninjauan; hasil itu sendiri tidak memblokir permintaan atau mengubah berkas.
Empat belas kategori bahaya
Pembuatnya menyelaraskan pengklasifikasi dengan taksonomi bahaya MLCommons dan menambahkan kategori penyalahgunaan interpreter kode khusus teks. Keempat belas label mencakup kejahatan kekerasan, kejahatan tanpa kekerasan, kejahatan terkait seks, eksploitasi seksual anak, pencemaran nama baik, nasihat khusus, privasi, kekayaan intelektual, senjata yang tidak membedakan sasaran, kebencian, bunuh diri dan menyakiti diri, konten seksual, pemilu, serta penyalahgunaan interpreter kode.
Kategori tersebut menggunakan pengenal S1 hingga S14. S14, Code Interpreter Abuse, secara khusus ditujukan untuk kasus penggunaan panggilan alat yang hanya berupa teks. Simpan pengenal taksonomi bersama hasil safe/unsafe agar langkah aplikasi selanjutnya dapat menafsirkan klasifikasi dengan definisi kategori yang sama. Hasil singkat merupakan penilaian kategori, bukan penjelasan lengkap, penetapan hukum, atau jaminan bahwa setiap kemungkinan bahaya telah terdeteksi.
Sebagai contoh format, klasifikasi unsafe dapat diikuti pengenal kategori yang berlaku. Pertahankan teks asli yang dievaluasi, sumber atau posisinya dalam percakapan, serta label yang dikembalikan secara bersama. Keterkaitan itu memungkinkan aplikasi membedakan konten yang diperiksa dari respons yang kemudian ditulis ulang atau prompt terpisah.
Arsitektur dan pelatihan
Llama Guard 4 memiliki arsitektur Transformer padat dengan fusi awal, yang dipangkas dari checkpoint Llama 4 Scout pralatih. Pembuatnya menghapus pakar yang dipilih melalui perutean dan lapisan router serta mempertahankan pakar padat bersama, lalu melakukan pascapelatihan model hasilnya untuk klasifikasi konten. Tidak ada prapelatihan tambahan setelah langkah pemangkasan tersebut. Ini menghasilkan model yang berbeda dari edisi percakapan Scout dengan mixture-of-experts.
Model ini berbagi tokenizer dan encoder visual Llama 4 serta menggabungkan pelatihan klasifikasi khusus teks dan multimodal. Pembuatnya menjelaskan data multibahasa dan pelatihan beberapa gambar, dengan sebagian besar sampel tersebut memuat dua hingga lima gambar dan perpaduan data khusus teks terhadap multimodal sekitar tiga banding satu. Itu merupakan karakteristik pelatihan, bukan batas keras jumlah masukan.
Cakupan multibahasa yang didokumentasikan mengikuti bahasa yang didukung Llama Guard 3, dan kartu model membahas bahasa Inggris bersama bahasa Prancis, Jerman, Hindi, Italia, Portugis, Spanyol, dan Thai. Permintaan klasifikasi harus mempertahankan kata-kata aktual dan konteks visual dalam bahasa yang dievaluasi, alih-alih mengganti konten dengan ringkasan yang tidak terkait.
Menyiapkan hasil klasifikasi yang berguna
Untuk pemeriksaan masukan, berikan pesan pengguna beserta gambar terkait dan mintalah klasifikasi prompt dalam format pembuatnya. Untuk pemeriksaan keluaran, berikan respons aktual asisten bersama pesan sebelumnya yang relevan. Contoh beberapa gambar dapat mempertahankan teks yang menghubungkan gambar agar model mengevaluasi permintaan gabungan, bukan fragmen terpisah tanpa konteks.
Kartu model mendemonstrasikan penerapan templat percakapan yang cocok dan decoding hanya pada klasifikasi yang dihasilkan. Contoh generasi sepuluh tokennya memperlihatkan hasil label singkat; angka tersebut bukan kapasitas jawaban maksimum tersendiri. Jaga agar keluaran yang diminta sesuai dengan tujuan pengklasifikasi, alih-alih memintanya menulis jawaban percakapan biasa.
Keterbatasan khusus
Pembuatnya menyatakan bahwa penilaian dapat dibatasi oleh data pelatihan model, pengetahuan akal sehat, cakupan bahasa, dan cakupan kebijakan. Kategori pencemaran nama baik, kekayaan intelektual, dan pemilu dapat memerlukan pengetahuan faktual terkini yang mungkin tidak dimiliki pengklasifikasi. Karena itu, label kategori harus tetap terkait dengan konten dan informasi yang tersedia untuk evaluasi tersebut.
Kartu model melaporkan pengujian terutama pada prompt dengan beberapa gambar, paling sering tiga, dan menyatakan bahwa perilaku dapat bervariasi pada kumpulan gambar yang jauh lebih besar. Ini menjelaskan cakupan yang diuji, bukan maksimum tiga gambar yang berlaku universal. Model ini juga dapat rentan terhadap konten adversarial atau injeksi prompt yang mengubah perilaku yang dimaksudkan.
Peran pengklasifikasi Llama Guard 4 tidak boleh mewarisi spesifikasi konteks Scout atau kemampuan asisten umumnya hanya karena dipangkas dari Scout. Kartu model yang dibaca tidak memberikan kapasitas konteks keras atau kapasitas token keluaran tersendiri untuk pengklasifikasi ini. Pertahankan bahan yang dievaluasi dan label taksonomi sebagai artefak praktis, serta biarkan aplikasi menentukan tindakan yang terkait dengan hasil tersebut.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Keluaran · Token keluaran $0.00036 / 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 $0.00036 / 1K token Keluaran · Token keluaran $0.00036 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 meta-llama/llama-guard-4-12b
Gunakan jalur metode yang ditampilkan di atas.
meta-llama/llama-guard-4-12bLlama Guard 4 12B adalah pengklasifikasi konten multimodal Meta untuk prompt dan respons yang dihasilkan. Model ini menganalisis teks bersama satu gambar atau lebih dan mengembalikan label safe/unsafe beserta kategori bahaya yang berlaku, menggunakan arsitektur padat yang dipangkas dari Llama 4 Scout.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Llama Guard 4 12B adalah pengklasifikasi keamanan multimodal bawaan Meta dengan 12 miliar parameter. Model ini dilatih bersama pada teks dan beberapa gambar serta menghasilkan klasifikasi tekstual: safe atau unsafe, dengan kategori bahaya yang dilanggar ketika hasilnya unsafe. Tujuannya adalah mengevaluasi konten dalam prompt atau respons yang dihasilkan, bukan bertindak sebagai asisten percakapan umum.
Klasifikasi prompt dan respons
Model ini dapat mengklasifikasikan bahan sebelum dikirim ke model generatif, setelah model tersebut menghasilkan jawaban, atau pada kedua titik itu. Ini merupakan pertanyaan yang berbeda. Klasifikasi prompt mengevaluasi masukan pengguna, sedangkan klasifikasi respons mengevaluasi apa yang benar-benar ditulis asisten. Dengan demikian, sistem dapat membedakan permintaan berisiko dari respons yang menangani permintaan tersebut secara dapat diterima menurut taksonomi pengklasifikasi.
Berikan konten yang tepat untuk diklasifikasikan bersama peran percakapan dan konteks yang relevan. Jika sasarannya adalah respons, pertahankan pertanyaan yang memberikan makna pada respons tersebut. Untuk masukan campuran teks dan gambar, sertakan gambar yang terkait dengan prompt itu, alih-alih mengklasifikasikan teks yang tidak terkait atau satu gambar yang dipilih sembarang. Hasil pengklasifikasi merupakan informasi bagi aturan aplikasi atau langkah peninjauan; hasil itu sendiri tidak memblokir permintaan atau mengubah berkas.
Empat belas kategori bahaya
Pembuatnya menyelaraskan pengklasifikasi dengan taksonomi bahaya MLCommons dan menambahkan kategori penyalahgunaan interpreter kode khusus teks. Keempat belas label mencakup kejahatan kekerasan, kejahatan tanpa kekerasan, kejahatan terkait seks, eksploitasi seksual anak, pencemaran nama baik, nasihat khusus, privasi, kekayaan intelektual, senjata yang tidak membedakan sasaran, kebencian, bunuh diri dan menyakiti diri, konten seksual, pemilu, serta penyalahgunaan interpreter kode.
Kategori tersebut menggunakan pengenal S1 hingga S14. S14, Code Interpreter Abuse, secara khusus ditujukan untuk kasus penggunaan panggilan alat yang hanya berupa teks. Simpan pengenal taksonomi bersama hasil safe/unsafe agar langkah aplikasi selanjutnya dapat menafsirkan klasifikasi dengan definisi kategori yang sama. Hasil singkat merupakan penilaian kategori, bukan penjelasan lengkap, penetapan hukum, atau jaminan bahwa setiap kemungkinan bahaya telah terdeteksi.
Sebagai contoh format, klasifikasi unsafe dapat diikuti pengenal kategori yang berlaku. Pertahankan teks asli yang dievaluasi, sumber atau posisinya dalam percakapan, serta label yang dikembalikan secara bersama. Keterkaitan itu memungkinkan aplikasi membedakan konten yang diperiksa dari respons yang kemudian ditulis ulang atau prompt terpisah.
Arsitektur dan pelatihan
Llama Guard 4 memiliki arsitektur Transformer padat dengan fusi awal, yang dipangkas dari checkpoint Llama 4 Scout pralatih. Pembuatnya menghapus pakar yang dipilih melalui perutean dan lapisan router serta mempertahankan pakar padat bersama, lalu melakukan pascapelatihan model hasilnya untuk klasifikasi konten. Tidak ada prapelatihan tambahan setelah langkah pemangkasan tersebut. Ini menghasilkan model yang berbeda dari edisi percakapan Scout dengan mixture-of-experts.
Model ini berbagi tokenizer dan encoder visual Llama 4 serta menggabungkan pelatihan klasifikasi khusus teks dan multimodal. Pembuatnya menjelaskan data multibahasa dan pelatihan beberapa gambar, dengan sebagian besar sampel tersebut memuat dua hingga lima gambar dan perpaduan data khusus teks terhadap multimodal sekitar tiga banding satu. Itu merupakan karakteristik pelatihan, bukan batas keras jumlah masukan.
Cakupan multibahasa yang didokumentasikan mengikuti bahasa yang didukung Llama Guard 3, dan kartu model membahas bahasa Inggris bersama bahasa Prancis, Jerman, Hindi, Italia, Portugis, Spanyol, dan Thai. Permintaan klasifikasi harus mempertahankan kata-kata aktual dan konteks visual dalam bahasa yang dievaluasi, alih-alih mengganti konten dengan ringkasan yang tidak terkait.
Menyiapkan hasil klasifikasi yang berguna
Untuk pemeriksaan masukan, berikan pesan pengguna beserta gambar terkait dan mintalah klasifikasi prompt dalam format pembuatnya. Untuk pemeriksaan keluaran, berikan respons aktual asisten bersama pesan sebelumnya yang relevan. Contoh beberapa gambar dapat mempertahankan teks yang menghubungkan gambar agar model mengevaluasi permintaan gabungan, bukan fragmen terpisah tanpa konteks.
Kartu model mendemonstrasikan penerapan templat percakapan yang cocok dan decoding hanya pada klasifikasi yang dihasilkan. Contoh generasi sepuluh tokennya memperlihatkan hasil label singkat; angka tersebut bukan kapasitas jawaban maksimum tersendiri. Jaga agar keluaran yang diminta sesuai dengan tujuan pengklasifikasi, alih-alih memintanya menulis jawaban percakapan biasa.
Keterbatasan khusus
Pembuatnya menyatakan bahwa penilaian dapat dibatasi oleh data pelatihan model, pengetahuan akal sehat, cakupan bahasa, dan cakupan kebijakan. Kategori pencemaran nama baik, kekayaan intelektual, dan pemilu dapat memerlukan pengetahuan faktual terkini yang mungkin tidak dimiliki pengklasifikasi. Karena itu, label kategori harus tetap terkait dengan konten dan informasi yang tersedia untuk evaluasi tersebut.
Kartu model melaporkan pengujian terutama pada prompt dengan beberapa gambar, paling sering tiga, dan menyatakan bahwa perilaku dapat bervariasi pada kumpulan gambar yang jauh lebih besar. Ini menjelaskan cakupan yang diuji, bukan maksimum tiga gambar yang berlaku universal. Model ini juga dapat rentan terhadap konten adversarial atau injeksi prompt yang mengubah perilaku yang dimaksudkan.
Peran pengklasifikasi Llama Guard 4 tidak boleh mewarisi spesifikasi konteks Scout atau kemampuan asisten umumnya hanya karena dipangkas dari Scout. Kartu model yang dibaca tidak memberikan kapasitas konteks keras atau kapasitas token keluaran tersendiri untuk pengklasifikasi ini. Pertahankan bahan yang dievaluasi dan label taksonomi sebagai artefak praktis, serta biarkan aplikasi menentukan tindakan yang terkait dengan hasil tersebut.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Keluaran · Token keluaran $0.00036 / 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 $0.00036 / 1K token Keluaran · Token keluaran $0.00036 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 meta-llama/llama-guard-4-12b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.