Gemma 4 26B A4B IT è l’edizione di Google DeepMind a miscela di esperti, ottimizzata per seguire le istruzioni, della famiglia aperta Gemma 4. La tabella ufficiale dell’architettura riporta 25.2 miliardi di parametri totali e 3.8 miliardi di parametri attivi; A4B indica la scala arrotondata dei parametri attivi. Le sue finalità comprendono ragionamento, programmazione, flussi di lavoro con agenti e comprensione multimodale. È distinto dall’edizione preaddestrata e dal modello denso 31B.
L’architettura a miscela di esperti attiva un sottoinsieme dei parametri a ogni passaggio di inferenza: nella tabella pubblicata figurano otto esperti attivi su 128, più un esperto condiviso. Google presenta questa edizione in termini di efficienza dell’inferenza rispetto al modello denso. Combina un’architettura a 30 livelli e una finestra scorrevole di 1,024 token con attenzione globale, un contesto di 256K e un encoder visivo. Questi valori architetturali descrivono il modello del produttore, anziché garantire una latenza o una configurazione hardware per una specifica applicazione.
Il contesto di 256K token consente di affrontare attività che combinano testi estesi e prove visive. Immagini e testo possono essere alternati nello stesso prompt; per ottenere i risultati migliori, il produttore raccomanda di collocare le immagini prima del testo a cui si riferiscono. Le attività visive comprendono rilevamento di oggetti, interpretazione di pagine di documenti, comprensione di schermate e interfacce, grafici, OCR multilingue, scrittura a mano e indicazione di punti nell’immagine. L’output è testo: contenuto estratto, una spiegazione, codice o una proposta di azione tramite strumenti.
Il ragionamento configurabile permette al modello di ragionare prima di rispondere oppure di fornire una risposta diretta. Gemma 4 aggiunge un ruolo system nativo ai ruoli user e assistant. Il formato dei prompt di Google abilita il ragionamento tramite il token di controllo <|think|> nel prompt di sistema e separa il canale dei pensieri dalla risposta finale; il processore documentato è in grado di gestire questo modello di prompt. In una conversazione con più turni, conserva nella cronologia le precedenti risposte finali ed escludi i pensieri precedenti, tranne nei turni con chiamate a strumenti, per i quali il produttore indica di conservarli.
Native Function Calling supporta l’uso strutturato degli strumenti; anche la descrizione del lancio di Google documenta un output JSON strutturato. Definisci l’attività, la funzione disponibile e il risultato atteso; l’applicazione esegue l’operazione richiesta e restituisce il suo output per il passaggio successivo. Un’attività di programmazione può richiedere la generazione, il completamento o la correzione di codice, mentre un assistente visivo può usare il testo restituito per spiegare un grafico o una schermata. Un’istruzione di chiamata di funzione è distinta da un’azione collegata che sia stata effettivamente eseguita.
La risoluzione variabile delle immagini è controllata dal budget di token visivi. Le opzioni documentate sono 70, 140, 280, 560 e 1,120 token. I budget più bassi sono adatti alla classificazione o alle didascalie; quelli più alti conservano maggiori dettagli per OCR, analisi dei documenti e testi piccoli, richiedendo calcoli aggiuntivi. Decidi se serve la scena nel suo insieme oppure il testo esatto prima di preparare l’immagine. Un ritaglio nitido di un’etichetta può essere più utile per un’attività di estrazione rispetto a una richiesta generica di esaminare ogni dettaglio di una pagina intera.
Google raccomanda temperature 1.0, top-p 0.95 e top-k 64 come configurazione di campionamento della famiglia. La scheda del modello distingue l’addestramento in più di 140 lingue dal supporto immediato in più di 35 lingue. Indica la lingua della risposta e specifica nel brief i nomi di dominio, i nomi dei campi o le formule da mantenere. Il valore 256K specifica il contesto; la scheda del modello citata non stabilisce per questa edizione un limite massimo universale distinto per l’output.
Per un’attività che unisce documenti e codice, fornisci l’immagine della pagina pertinente, il requisito scritto e il frammento di codice: «Leggi le etichette, spiega in che cosa questa schermata differisce dalla specifica e proponi una correzione mirata al codice fornito». Per un grafico, chiedi di distinguere nella risposta i valori visibili dalla tendenza dedotta. La scheda di Gemma segnala limiti relativi a linguaggio ambiguo, attività molto complesse e affermazioni fattuali errate o obsolete: allega quindi i fatti autorevoli su cui deve basarsi il risultato richiesto, invece di aspettarti che vengano forniti dalle conoscenze apprese durante l’addestramento.
Tramite Ailoot, seleziona questo esatto ID del modello in /v1/chat/completions e fornisci l’attività in messages. Ogni messaggio contiene un role e il relativo content; mantieni insieme l’istruzione pertinente e il materiale di partenza. Raccogli la risposta JSON completa oppure tutti i segmenti SSE quando stream è abilitato e conserva usage insieme al risultato scritto.
", "aboutText": "Gemma 4 26B A4B IT è l’edizione di Google DeepMind a miscela di esperti, ottimizzata per seguire le istruzioni, della famiglia aperta Gemma 4. La tabella ufficiale dell’architettura riporta 25.2 miliardi di parametri totali e 3.8 miliardi di parametri attivi; A4B indica la scala arrotondata dei parametri attivi. Le sue finalità comprendono ragionamento, programmazione, flussi di lavoro con agenti e comprensione multimodale. È distinto dall’edizione preaddestrata e dal modello denso 31B.\n\nL’architettura a miscela di esperti attiva un sottoinsieme dei parametri a ogni passaggio di inferenza: nella tabella pubblicata figurano otto esperti attivi su 128, più un esperto condiviso. Google presenta questa edizione in termini di efficienza dell’inferenza rispetto al modello denso. Combina un’architettura a 30 livelli e una finestra scorrevole di 1,024 token con attenzione globale, un contesto di 256K e un encoder visivo. Questi valori architetturali descrivono il modello del produttore, anziché garantire una latenza o una configurazione hardware per una specifica applicazione.\n\nIl contesto di 256K token consente di affrontare attività che combinano testi estesi e prove visive. Immagini e testo possono essere alternati nello stesso prompt; per ottenere i risultati migliori, il produttore raccomanda di collocare le immagini prima del testo a cui si riferiscono. Le attività visive comprendono rilevamento di oggetti, interpretazione di pagine di documenti, comprensione di schermate e interfacce, grafici, OCR multilingue, scrittura a mano e indicazione di punti nell’immagine. L’output è testo: contenuto estratto, una spiegazione, codice o una proposta di azione tramite strumenti.\n\nIl ragionamento configurabile permette al modello di ragionare prima di rispondere oppure di fornire una risposta diretta. Gemma 4 aggiunge un ruolo system nativo ai ruoli user e assistant. Il formato dei prompt di Google abilita il ragionamento tramite il token di controllo <|think|> nel prompt di sistema e separa il canale dei pensieri dalla risposta finale; il processore documentato è in grado di gestire questo modello di prompt. In una conversazione con più turni, conserva nella cronologia le precedenti risposte finali ed escludi i pensieri precedenti, tranne nei turni con chiamate a strumenti, per i quali il produttore indica di conservarli.\n\nNative Function Calling supporta l’uso strutturato degli strumenti; anche la descrizione del lancio di Google documenta un output JSON strutturato. Definisci l’attività, la funzione disponibile e il risultato atteso; l’applicazione esegue l’operazione richiesta e restituisce il suo output per il passaggio successivo. Un’attività di programmazione può richiedere la generazione, il completamento o la correzione di codice, mentre un assistente visivo può usare il testo restituito per spiegare un grafico o una schermata. Un’istruzione di chiamata di funzione è distinta da un’azione collegata che sia stata effettivamente eseguita.\n\nLa risoluzione variabile delle immagini è controllata dal budget di token visivi. Le opzioni documentate sono 70, 140, 280, 560 e 1,120 token. I budget più bassi sono adatti alla classificazione o alle didascalie; quelli più alti conservano maggiori dettagli per OCR, analisi dei documenti e testi piccoli, richiedendo calcoli aggiuntivi. Decidi se serve la scena nel suo insieme oppure il testo esatto prima di preparare l’immagine. Un ritaglio nitido di un’etichetta può essere più utile per un’attività di estrazione rispetto a una richiesta generica di esaminare ogni dettaglio di una pagina intera.\n\nGoogle raccomanda temperature 1.0, top-p 0.95 e top-k 64 come configurazione di campionamento della famiglia. La scheda del modello distingue l’addestramento in più di 140 lingue dal supporto immediato in più di 35 lingue. Indica la lingua della risposta e specifica nel brief i nomi di dominio, i nomi dei campi o le formule da mantenere. Il valore 256K specifica il contesto; la scheda del modello citata non stabilisce per questa edizione un limite massimo universale distinto per l’output.\n\nPer un’attività che unisce documenti e codice, fornisci l’immagine della pagina pertinente, il requisito scritto e il frammento di codice: «Leggi le etichette, spiega in che cosa questa schermata differisce dalla specifica e proponi una correzione mirata al codice fornito». Per un grafico, chiedi di distinguere nella risposta i valori visibili dalla tendenza dedotta. La scheda di Gemma segnala limiti relativi a linguaggio ambiguo, attività molto complesse e affermazioni fattuali errate o obsolete: allega quindi i fatti autorevoli su cui deve basarsi il risultato richiesto, invece di aspettarti che vengano forniti dalle conoscenze apprese durante l’addestramento.\n\nTramite Ailoot, seleziona questo esatto ID del modello in /v1/chat/completions e fornisci l’attività in messages. Ogni messaggio contiene un role e il relativo content; mantieni insieme l’istruzione pertinente e il materiale di partenza. Raccogli la risposta JSON completa oppure tutti i segmenti SSE quando stream è abilitato e conserva usage insieme al risultato scritto.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7de3184143669aac28a71ff504441bbca4a5f7b35c481fd75d100b2295ff62b6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "google/gemma-4-26b-a4b-it:freeGemma 4 26B A4B IT è il modello di Google a miscela di esperti, ottimizzato per seguire le istruzioni, dedicato al ragionamento testuale e visivo. Combina un contesto di 256K token, comprensione delle immagini, ragionamento configurabile e chiamata nativa di funzioni, con output testuale.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Gemma 4 26B A4B IT è l’edizione di Google DeepMind a miscela di esperti, ottimizzata per seguire le istruzioni, della famiglia aperta Gemma 4. La tabella ufficiale dell’architettura riporta 25.2 miliardi di parametri totali e 3.8 miliardi di parametri attivi; A4B indica la scala arrotondata dei parametri attivi. Le sue finalità comprendono ragionamento, programmazione, flussi di lavoro con agenti e comprensione multimodale. È distinto dall’edizione preaddestrata e dal modello denso 31B.
L’architettura a miscela di esperti attiva un sottoinsieme dei parametri a ogni passaggio di inferenza: nella tabella pubblicata figurano otto esperti attivi su 128, più un esperto condiviso. Google presenta questa edizione in termini di efficienza dell’inferenza rispetto al modello denso. Combina un’architettura a 30 livelli e una finestra scorrevole di 1,024 token con attenzione globale, un contesto di 256K e un encoder visivo. Questi valori architetturali descrivono il modello del produttore, anziché garantire una latenza o una configurazione hardware per una specifica applicazione.
Il contesto di 256K token consente di affrontare attività che combinano testi estesi e prove visive. Immagini e testo possono essere alternati nello stesso prompt; per ottenere i risultati migliori, il produttore raccomanda di collocare le immagini prima del testo a cui si riferiscono. Le attività visive comprendono rilevamento di oggetti, interpretazione di pagine di documenti, comprensione di schermate e interfacce, grafici, OCR multilingue, scrittura a mano e indicazione di punti nell’immagine. L’output è testo: contenuto estratto, una spiegazione, codice o una proposta di azione tramite strumenti.
Il ragionamento configurabile permette al modello di ragionare prima di rispondere oppure di fornire una risposta diretta. Gemma 4 aggiunge un ruolo system nativo ai ruoli user e assistant. Il formato dei prompt di Google abilita il ragionamento tramite il token di controllo <|think|> nel prompt di sistema e separa il canale dei pensieri dalla risposta finale; il processore documentato è in grado di gestire questo modello di prompt. In una conversazione con più turni, conserva nella cronologia le precedenti risposte finali ed escludi i pensieri precedenti, tranne nei turni con chiamate a strumenti, per i quali il produttore indica di conservarli.
Native Function Calling supporta l’uso strutturato degli strumenti; anche la descrizione del lancio di Google documenta un output JSON strutturato. Definisci l’attività, la funzione disponibile e il risultato atteso; l’applicazione esegue l’operazione richiesta e restituisce il suo output per il passaggio successivo. Un’attività di programmazione può richiedere la generazione, il completamento o la correzione di codice, mentre un assistente visivo può usare il testo restituito per spiegare un grafico o una schermata. Un’istruzione di chiamata di funzione è distinta da un’azione collegata che sia stata effettivamente eseguita.
La risoluzione variabile delle immagini è controllata dal budget di token visivi. Le opzioni documentate sono 70, 140, 280, 560 e 1,120 token. I budget più bassi sono adatti alla classificazione o alle didascalie; quelli più alti conservano maggiori dettagli per OCR, analisi dei documenti e testi piccoli, richiedendo calcoli aggiuntivi. Decidi se serve la scena nel suo insieme oppure il testo esatto prima di preparare l’immagine. Un ritaglio nitido di un’etichetta può essere più utile per un’attività di estrazione rispetto a una richiesta generica di esaminare ogni dettaglio di una pagina intera.
Google raccomanda temperature 1.0, top-p 0.95 e top-k 64 come configurazione di campionamento della famiglia. La scheda del modello distingue l’addestramento in più di 140 lingue dal supporto immediato in più di 35 lingue. Indica la lingua della risposta e specifica nel brief i nomi di dominio, i nomi dei campi o le formule da mantenere. Il valore 256K specifica il contesto; la scheda del modello citata non stabilisce per questa edizione un limite massimo universale distinto per l’output.
Per un’attività che unisce documenti e codice, fornisci l’immagine della pagina pertinente, il requisito scritto e il frammento di codice: «Leggi le etichette, spiega in che cosa questa schermata differisce dalla specifica e proponi una correzione mirata al codice fornito». Per un grafico, chiedi di distinguere nella risposta i valori visibili dalla tendenza dedotta. La scheda di Gemma segnala limiti relativi a linguaggio ambiguo, attività molto complesse e affermazioni fattuali errate o obsolete: allega quindi i fatti autorevoli su cui deve basarsi il risultato richiesto, invece di aspettarti che vengano forniti dalle conoscenze apprese durante l’addestramento.
Tramite Ailoot, seleziona questo esatto ID del modello in /v1/chat/completions e fornisci l’attività in messages. Ogni messaggio contiene un role e il relativo content; mantieni insieme l’istruzione pertinente e il materiale di partenza. Raccogli la risposta JSON completa oppure tutti i segmenti SSE quando stream è abilitato e conserva usage insieme al risultato scritto.
POST /v1/chat/completionstext, imagetext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti google/gemma-4-26b-a4b-it:free Condizioni: Usa esattamente questo selettore di instradamento di Ailoot. | Predefinito— |
Campomessages | Tipoarray | RequisitoObbligatorio | Valori e limiti Condizioni: | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti Condizioni: | Predefinitofalse |
text_input · Obbligatorio: messages
image_with_text · Obbligatorio: messages with actual image content blocks
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametrooptional | Contrattostream |
Parametromaterial_types | Contrattotext, image |
Parametroconditions | ContrattoUsa esattamente questo selettore di instradamento di Ailoot., Questo protocollo trasporta contenuti di immagine quando lo specifico modello selezionato supporta la visione. L’accettazione delle richieste da parte del protocollo non dimostra che tutti i modelli possano elaborare immagini. |
Alias del metodo: /chat/completions
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-it:free", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}]}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, gli ID delle chiamate agli strumenti, le firme del ragionamento quando vengono restituite, tutti gli incrementi SSE e i dati completi di consumo. Il primo frammento di testo non è il risultato completo.
Conserva l’X-Client-Request-ID originale, la risposta e le intestazioni. Un esito sconosciuto o result_pending_check non autorizza una seconda creazione.
| Campo | Tipo |
|---|---|
Campochoices[] | Tipoobject |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneUn campo obbligatorio, il selettore del modello, il tipo o la rappresentazione dei dati in ingresso non è valido. | Passaggio successivoEsamina i dettagli di validazione restituiti prima di preparare una richiesta separata. |
Risposta | CondizioneLa richiesta originale o il relativo risultato è sconosciuto o richiede una verifica. | Passaggio successivoConserva gli identificatori e le intestazioni originali; consulta solo i record di stato o della libreria supportati. Non inviare di nuovo la richiesta di creazione. |
Ailoot Ultra google/gemma-4-26b-a4b-it:free
/chat/completions