Llama 4 Maverick Instruct è il modello nativamente multimodale di Meta per conversazioni da assistente e ragionamento visivo. Riceve testo multilingue e immagini e genera testo multilingue o codice. La sua architettura mixture-of-experts usa la fusione precoce, combinando informazioni visive e testuali all'interno del modello anziché trattare l'immagine come una didascalia non correlata fornita da un assistente testuale separato.
Informazioni sul modello e contesto
Il produttore indica per Maverick 128 esperti, 17 miliardi di parametri attivi e 400 miliardi di parametri totali. Sono distinti dalla configurazione di Scout con 16 esperti e 109B parametri totali, sebbene entrambi riportino l'etichetta di dimensione attiva 17B. Il nome Instruct identifica il checkpoint orientato all'assistente anziché il modello Maverick preaddestrato.
La scheda del modello documenta per Maverick una finestra di contesto di 1M. Usa il contesto per mantenere insieme i passaggi, le immagini, la conversazione e la risposta richiesta pertinenti. Un'ampia raccolta di fonti richiede comunque una domanda e un artefatto definiti. Etichetta documenti sorgente e immagini e richiedi la posizione che sostiene ogni risultato estratto anziché chiedere un riepilogo indiscriminato di tutto il materiale.
Le lingue supportate sono arabo, inglese, francese, tedesco, hindi, indonesiano, italiano, portoghese, spagnolo, tagalog, thailandese e vietnamita. Il produttore distingue queste dodici lingue supportate dalla raccolta più ampia di circa duecento lingue usate nel preaddestramento. La presenza di una lingua nell'addestramento non va trasformata in una promessa di uguali capacità per ogni lingua.
Compiti di chat, visione e codice
Gli usi visivi previsti dalla scheda comprendono riconoscimento, ragionamento sulle immagini, didascalie e risposte a domande generali su un'immagine. Per una fotografia, chiedi al modello di identificare gli oggetti o la relazione pertinenti al compito. Per un grafico, richiedi un confronto tra serie denominate, mantenendo assi e unità. Per un diagramma, chiedi quale collegamento etichettato sostiene un requisito fornito.
Per un confronto tra più immagini, identifica il ruolo di ciascuna e chiedi gli stessi criteri per tutte. Per esempio, fornisci un design originale e una revisione, poi richiedi corrispondenze visibili, differenze e dettagli che le immagini non dimostrano. Mantieni le osservazioni separate dalle conclusioni che dipendono dal testo di accompagnamento. Questo rende l'output più facile da controllare rispetto alla fonte effettiva.
Il produttore riporta test di comprensione delle immagini con un massimo di cinque immagini in input. È l'ambito testato documentato, non un limite massimo rigido e incondizionato al numero di immagini. Conserva i dettagli necessari alla domanda e l'ordine delle immagini. Aggiungere un gran numero di immagini non correlate non definisce da solo ciò che deve essere confrontato.
Per un compito di programmazione, fornisci il requisito, il sorgente pertinente e il comportamento atteso. Chiedi l'implementazione proposta separatamente dalle sue ipotesi e dagli esempi. Uno screenshot può fornire requisiti visivi, mentre la condizione testuale fornisce il comportamento che lo screenshot non può mostrare. Il codice generato è un artefatto testuale; eseguirlo, esaminare un'interfaccia renderizzata o applicarlo a un repository richiede l'ambiente collegato.
Preparazione della conversazione e addestramento
La scheda del modello mostra il processore e il template chat corrispondenti con due immagini e una domanda scritta di confronto. Mantieni espliciti i ruoli della conversazione e l'associazione tra immagini e testo. Un'istruzione di sistema può definire pubblico, tono e struttura della risposta, mentre il messaggio dell'utente fornisce il compito effettivo e le evidenze. Il produttore descrive miglioramenti dopo l'addestramento nella controllabilità tramite prompt di sistema e nella formattazione conversazionale.
Maverick è preaddestrato su circa 22 mila miliardi di token di dati multimodali, con un limite dichiarato dei dati di preaddestramento ad agosto 2024. È un limite statico dei dati di addestramento anziché un accesso in tempo reale alle informazioni attuali. Quando una domanda dipende da materiale più recente o privato, fornisci tale materiale come contesto sorgente o tramite un'operazione di recupero collegata separatamente.
La versione comprende pesi BF16 e FP8 quantizzati separatamente. Queste scelte di precisione non creano un'altra modalità di input né attribuiscono a Maverick il contesto di 10M di Scout. Conserva il checkpoint Instruct esatto e la sua configurazione quando confronti un compito ripetuto o un'esecuzione derivata.
Progettazione pratica del risultato
Un compito su immagini di documenti può richiedere identificatore della fonte, affermazione visibile, valore estratto e interpretazione come campi separati. Una spiegazione conversazionale può mantenere i termini originali e adattare la prosa alla lingua supportata del lettore. Una richiesta di programmazione può restituire il frammento rivisto ed esempi che ne distinguano il comportamento previsto.
Definisci come verrà usato il risultato finale prima di fornire il materiale. Una didascalia breve, una tabella comparativa e un programma proposto risolvono compiti diversi anche quando condividono le stesse immagini. Le capacità visive e linguistiche del modello forniscono interpretazione e testo; recupero esterno delle informazioni, esecuzione o produzione di file provengono dai componenti applicativi.
Limiti specifici
Gli input documentati qui sono testo e immagini, con output di testo e codice. Comprensione audio o video, generazione vocale e controlli denominati di impegno di ragionamento di Muse Spark non vanno attribuiti a questa edizione Maverick. Anche Llama Guard è un classificatore addestrato separatamente anziché un output automatico di classificazione di una risposta Maverick.
L'esempio di generazione di 256 token della scheda è un'impostazione esemplificativa e le fonti lette non stabiliscono un limite massimo rigido separato di token di output oltre la specifica di contesto del modello. Mantieni espliciti l'identità Maverick, l'ambito delle lingue supportate e l'artefatto finale collegato alle fonti anziché prendere in prestito limiti o modalità da un'altra versione Llama.
", "aboutText": "Llama 4 Maverick Instruct è il modello nativamente multimodale di Meta per conversazioni da assistente e ragionamento visivo. Riceve testo multilingue e immagini e genera testo multilingue o codice. La sua architettura mixture-of-experts usa la fusione precoce, combinando informazioni visive e testuali all'interno del modello anziché trattare l'immagine come una didascalia non correlata fornita da un assistente testuale separato.\n\nInformazioni sul modello e contesto\n\nIl produttore indica per Maverick 128 esperti, 17 miliardi di parametri attivi e 400 miliardi di parametri totali. Sono distinti dalla configurazione di Scout con 16 esperti e 109B parametri totali, sebbene entrambi riportino l'etichetta di dimensione attiva 17B. Il nome Instruct identifica il checkpoint orientato all'assistente anziché il modello Maverick preaddestrato.\n\nLa scheda del modello documenta per Maverick una finestra di contesto di 1M. Usa il contesto per mantenere insieme i passaggi, le immagini, la conversazione e la risposta richiesta pertinenti. Un'ampia raccolta di fonti richiede comunque una domanda e un artefatto definiti. Etichetta documenti sorgente e immagini e richiedi la posizione che sostiene ogni risultato estratto anziché chiedere un riepilogo indiscriminato di tutto il materiale.\n\nLe lingue supportate sono arabo, inglese, francese, tedesco, hindi, indonesiano, italiano, portoghese, spagnolo, tagalog, thailandese e vietnamita. Il produttore distingue queste dodici lingue supportate dalla raccolta più ampia di circa duecento lingue usate nel preaddestramento. La presenza di una lingua nell'addestramento non va trasformata in una promessa di uguali capacità per ogni lingua.\n\nCompiti di chat, visione e codice\n\nGli usi visivi previsti dalla scheda comprendono riconoscimento, ragionamento sulle immagini, didascalie e risposte a domande generali su un'immagine. Per una fotografia, chiedi al modello di identificare gli oggetti o la relazione pertinenti al compito. Per un grafico, richiedi un confronto tra serie denominate, mantenendo assi e unità. Per un diagramma, chiedi quale collegamento etichettato sostiene un requisito fornito.\n\nPer un confronto tra più immagini, identifica il ruolo di ciascuna e chiedi gli stessi criteri per tutte. Per esempio, fornisci un design originale e una revisione, poi richiedi corrispondenze visibili, differenze e dettagli che le immagini non dimostrano. Mantieni le osservazioni separate dalle conclusioni che dipendono dal testo di accompagnamento. Questo rende l'output più facile da controllare rispetto alla fonte effettiva.\n\nIl produttore riporta test di comprensione delle immagini con un massimo di cinque immagini in input. È l'ambito testato documentato, non un limite massimo rigido e incondizionato al numero di immagini. Conserva i dettagli necessari alla domanda e l'ordine delle immagini. Aggiungere un gran numero di immagini non correlate non definisce da solo ciò che deve essere confrontato.\n\nPer un compito di programmazione, fornisci il requisito, il sorgente pertinente e il comportamento atteso. Chiedi l'implementazione proposta separatamente dalle sue ipotesi e dagli esempi. Uno screenshot può fornire requisiti visivi, mentre la condizione testuale fornisce il comportamento che lo screenshot non può mostrare. Il codice generato è un artefatto testuale; eseguirlo, esaminare un'interfaccia renderizzata o applicarlo a un repository richiede l'ambiente collegato.\n\nPreparazione della conversazione e addestramento\n\nLa scheda del modello mostra il processore e il template chat corrispondenti con due immagini e una domanda scritta di confronto. Mantieni espliciti i ruoli della conversazione e l'associazione tra immagini e testo. Un'istruzione di sistema può definire pubblico, tono e struttura della risposta, mentre il messaggio dell'utente fornisce il compito effettivo e le evidenze. Il produttore descrive miglioramenti dopo l'addestramento nella controllabilità tramite prompt di sistema e nella formattazione conversazionale.\n\nMaverick è preaddestrato su circa 22 mila miliardi di token di dati multimodali, con un limite dichiarato dei dati di preaddestramento ad agosto 2024. È un limite statico dei dati di addestramento anziché un accesso in tempo reale alle informazioni attuali. Quando una domanda dipende da materiale più recente o privato, fornisci tale materiale come contesto sorgente o tramite un'operazione di recupero collegata separatamente.\n\nLa versione comprende pesi BF16 e FP8 quantizzati separatamente. Queste scelte di precisione non creano un'altra modalità di input né attribuiscono a Maverick il contesto di 10M di Scout. Conserva il checkpoint Instruct esatto e la sua configurazione quando confronti un compito ripetuto o un'esecuzione derivata.\n\nProgettazione pratica del risultato\n\nUn compito su immagini di documenti può richiedere identificatore della fonte, affermazione visibile, valore estratto e interpretazione come campi separati. Una spiegazione conversazionale può mantenere i termini originali e adattare la prosa alla lingua supportata del lettore. Una richiesta di programmazione può restituire il frammento rivisto ed esempi che ne distinguano il comportamento previsto.\n\nDefinisci come verrà usato il risultato finale prima di fornire il materiale. Una didascalia breve, una tabella comparativa e un programma proposto risolvono compiti diversi anche quando condividono le stesse immagini. Le capacità visive e linguistiche del modello forniscono interpretazione e testo; recupero esterno delle informazioni, esecuzione o produzione di file provengono dai componenti applicativi.\n\nLimiti specifici\n\nGli input documentati qui sono testo e immagini, con output di testo e codice. Comprensione audio o video, generazione vocale e controlli denominati di impegno di ragionamento di Muse Spark non vanno attribuiti a questa edizione Maverick. Anche Llama Guard è un classificatore addestrato separatamente anziché un output automatico di classificazione di una risposta Maverick.\n\nL'esempio di generazione di 256 token della scheda è un'impostazione esemplificativa e le fonti lette non stabiliscono un limite massimo rigido separato di token di output oltre la specifica di contesto del modello. Mantieni espliciti l'identità Maverick, l'ambito delle lingue supportate e l'artefatto finale collegato alle fonti anziché prendere in prestito limiti o modalità da un'altra versione Llama.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick è il modello Instruct nativo di Meta per testo e immagini con 128 esperti, 17B parametri attivi e 400B totali. Il produttore documenta un contesto di 1M, output multilingue di testo e codice, riconoscimento visivo, didascalie e domande sulle immagini in una versione distinta da Scout.
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.
Llama 4 Maverick Instruct è il modello nativamente multimodale di Meta per conversazioni da assistente e ragionamento visivo. Riceve testo multilingue e immagini e genera testo multilingue o codice. La sua architettura mixture-of-experts usa la fusione precoce, combinando informazioni visive e testuali all'interno del modello anziché trattare l'immagine come una didascalia non correlata fornita da un assistente testuale separato.
Informazioni sul modello e contesto
Il produttore indica per Maverick 128 esperti, 17 miliardi di parametri attivi e 400 miliardi di parametri totali. Sono distinti dalla configurazione di Scout con 16 esperti e 109B parametri totali, sebbene entrambi riportino l'etichetta di dimensione attiva 17B. Il nome Instruct identifica il checkpoint orientato all'assistente anziché il modello Maverick preaddestrato.
La scheda del modello documenta per Maverick una finestra di contesto di 1M. Usa il contesto per mantenere insieme i passaggi, le immagini, la conversazione e la risposta richiesta pertinenti. Un'ampia raccolta di fonti richiede comunque una domanda e un artefatto definiti. Etichetta documenti sorgente e immagini e richiedi la posizione che sostiene ogni risultato estratto anziché chiedere un riepilogo indiscriminato di tutto il materiale.
Le lingue supportate sono arabo, inglese, francese, tedesco, hindi, indonesiano, italiano, portoghese, spagnolo, tagalog, thailandese e vietnamita. Il produttore distingue queste dodici lingue supportate dalla raccolta più ampia di circa duecento lingue usate nel preaddestramento. La presenza di una lingua nell'addestramento non va trasformata in una promessa di uguali capacità per ogni lingua.
Compiti di chat, visione e codice
Gli usi visivi previsti dalla scheda comprendono riconoscimento, ragionamento sulle immagini, didascalie e risposte a domande generali su un'immagine. Per una fotografia, chiedi al modello di identificare gli oggetti o la relazione pertinenti al compito. Per un grafico, richiedi un confronto tra serie denominate, mantenendo assi e unità. Per un diagramma, chiedi quale collegamento etichettato sostiene un requisito fornito.
Per un confronto tra più immagini, identifica il ruolo di ciascuna e chiedi gli stessi criteri per tutte. Per esempio, fornisci un design originale e una revisione, poi richiedi corrispondenze visibili, differenze e dettagli che le immagini non dimostrano. Mantieni le osservazioni separate dalle conclusioni che dipendono dal testo di accompagnamento. Questo rende l'output più facile da controllare rispetto alla fonte effettiva.
Il produttore riporta test di comprensione delle immagini con un massimo di cinque immagini in input. È l'ambito testato documentato, non un limite massimo rigido e incondizionato al numero di immagini. Conserva i dettagli necessari alla domanda e l'ordine delle immagini. Aggiungere un gran numero di immagini non correlate non definisce da solo ciò che deve essere confrontato.
Per un compito di programmazione, fornisci il requisito, il sorgente pertinente e il comportamento atteso. Chiedi l'implementazione proposta separatamente dalle sue ipotesi e dagli esempi. Uno screenshot può fornire requisiti visivi, mentre la condizione testuale fornisce il comportamento che lo screenshot non può mostrare. Il codice generato è un artefatto testuale; eseguirlo, esaminare un'interfaccia renderizzata o applicarlo a un repository richiede l'ambiente collegato.
Preparazione della conversazione e addestramento
La scheda del modello mostra il processore e il template chat corrispondenti con due immagini e una domanda scritta di confronto. Mantieni espliciti i ruoli della conversazione e l'associazione tra immagini e testo. Un'istruzione di sistema può definire pubblico, tono e struttura della risposta, mentre il messaggio dell'utente fornisce il compito effettivo e le evidenze. Il produttore descrive miglioramenti dopo l'addestramento nella controllabilità tramite prompt di sistema e nella formattazione conversazionale.
Maverick è preaddestrato su circa 22 mila miliardi di token di dati multimodali, con un limite dichiarato dei dati di preaddestramento ad agosto 2024. È un limite statico dei dati di addestramento anziché un accesso in tempo reale alle informazioni attuali. Quando una domanda dipende da materiale più recente o privato, fornisci tale materiale come contesto sorgente o tramite un'operazione di recupero collegata separatamente.
La versione comprende pesi BF16 e FP8 quantizzati separatamente. Queste scelte di precisione non creano un'altra modalità di input né attribuiscono a Maverick il contesto di 10M di Scout. Conserva il checkpoint Instruct esatto e la sua configurazione quando confronti un compito ripetuto o un'esecuzione derivata.
Progettazione pratica del risultato
Un compito su immagini di documenti può richiedere identificatore della fonte, affermazione visibile, valore estratto e interpretazione come campi separati. Una spiegazione conversazionale può mantenere i termini originali e adattare la prosa alla lingua supportata del lettore. Una richiesta di programmazione può restituire il frammento rivisto ed esempi che ne distinguano il comportamento previsto.
Definisci come verrà usato il risultato finale prima di fornire il materiale. Una didascalia breve, una tabella comparativa e un programma proposto risolvono compiti diversi anche quando condividono le stesse immagini. Le capacità visive e linguistiche del modello forniscono interpretazione e testo; recupero esterno delle informazioni, esecuzione o produzione di file provengono dai componenti applicativi.
Limiti specifici
Gli input documentati qui sono testo e immagini, con output di testo e codice. Comprensione audio o video, generazione vocale e controlli denominati di impegno di ragionamento di Muse Spark non vanno attribuiti a questa edizione Maverick. Anche Llama Guard è un classificatore addestrato separatamente anziché un output automatico di classificazione di una risposta Maverick.
L'esempio di generazione di 256 token della scheda è un'impostazione esemplificativa e le fonti lette non stabiliscono un limite massimo rigido separato di token di output oltre la specifica di contesto del modello. Mantieni espliciti l'identità Maverick, l'ambito delle lingue supportate e l'artefatto finale collegato alle fonti anziché prendere in prestito limiti o modalità da un'altra versione Llama.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti llama-4-maverick | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000375 / 1K token Output · Token in output $0.001305 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000375 / 1K token Output · Token in output $0.001305 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick è il modello Instruct nativo di Meta per testo e immagini con 128 esperti, 17B parametri attivi e 400B totali. Il produttore documenta un contesto di 1M, output multilingue di testo e codice, riconoscimento visivo, didascalie e domande sulle immagini in una versione distinta da Scout.
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.
Llama 4 Maverick Instruct è il modello nativamente multimodale di Meta per conversazioni da assistente e ragionamento visivo. Riceve testo multilingue e immagini e genera testo multilingue o codice. La sua architettura mixture-of-experts usa la fusione precoce, combinando informazioni visive e testuali all'interno del modello anziché trattare l'immagine come una didascalia non correlata fornita da un assistente testuale separato.
Informazioni sul modello e contesto
Il produttore indica per Maverick 128 esperti, 17 miliardi di parametri attivi e 400 miliardi di parametri totali. Sono distinti dalla configurazione di Scout con 16 esperti e 109B parametri totali, sebbene entrambi riportino l'etichetta di dimensione attiva 17B. Il nome Instruct identifica il checkpoint orientato all'assistente anziché il modello Maverick preaddestrato.
La scheda del modello documenta per Maverick una finestra di contesto di 1M. Usa il contesto per mantenere insieme i passaggi, le immagini, la conversazione e la risposta richiesta pertinenti. Un'ampia raccolta di fonti richiede comunque una domanda e un artefatto definiti. Etichetta documenti sorgente e immagini e richiedi la posizione che sostiene ogni risultato estratto anziché chiedere un riepilogo indiscriminato di tutto il materiale.
Le lingue supportate sono arabo, inglese, francese, tedesco, hindi, indonesiano, italiano, portoghese, spagnolo, tagalog, thailandese e vietnamita. Il produttore distingue queste dodici lingue supportate dalla raccolta più ampia di circa duecento lingue usate nel preaddestramento. La presenza di una lingua nell'addestramento non va trasformata in una promessa di uguali capacità per ogni lingua.
Compiti di chat, visione e codice
Gli usi visivi previsti dalla scheda comprendono riconoscimento, ragionamento sulle immagini, didascalie e risposte a domande generali su un'immagine. Per una fotografia, chiedi al modello di identificare gli oggetti o la relazione pertinenti al compito. Per un grafico, richiedi un confronto tra serie denominate, mantenendo assi e unità. Per un diagramma, chiedi quale collegamento etichettato sostiene un requisito fornito.
Per un confronto tra più immagini, identifica il ruolo di ciascuna e chiedi gli stessi criteri per tutte. Per esempio, fornisci un design originale e una revisione, poi richiedi corrispondenze visibili, differenze e dettagli che le immagini non dimostrano. Mantieni le osservazioni separate dalle conclusioni che dipendono dal testo di accompagnamento. Questo rende l'output più facile da controllare rispetto alla fonte effettiva.
Il produttore riporta test di comprensione delle immagini con un massimo di cinque immagini in input. È l'ambito testato documentato, non un limite massimo rigido e incondizionato al numero di immagini. Conserva i dettagli necessari alla domanda e l'ordine delle immagini. Aggiungere un gran numero di immagini non correlate non definisce da solo ciò che deve essere confrontato.
Per un compito di programmazione, fornisci il requisito, il sorgente pertinente e il comportamento atteso. Chiedi l'implementazione proposta separatamente dalle sue ipotesi e dagli esempi. Uno screenshot può fornire requisiti visivi, mentre la condizione testuale fornisce il comportamento che lo screenshot non può mostrare. Il codice generato è un artefatto testuale; eseguirlo, esaminare un'interfaccia renderizzata o applicarlo a un repository richiede l'ambiente collegato.
Preparazione della conversazione e addestramento
La scheda del modello mostra il processore e il template chat corrispondenti con due immagini e una domanda scritta di confronto. Mantieni espliciti i ruoli della conversazione e l'associazione tra immagini e testo. Un'istruzione di sistema può definire pubblico, tono e struttura della risposta, mentre il messaggio dell'utente fornisce il compito effettivo e le evidenze. Il produttore descrive miglioramenti dopo l'addestramento nella controllabilità tramite prompt di sistema e nella formattazione conversazionale.
Maverick è preaddestrato su circa 22 mila miliardi di token di dati multimodali, con un limite dichiarato dei dati di preaddestramento ad agosto 2024. È un limite statico dei dati di addestramento anziché un accesso in tempo reale alle informazioni attuali. Quando una domanda dipende da materiale più recente o privato, fornisci tale materiale come contesto sorgente o tramite un'operazione di recupero collegata separatamente.
La versione comprende pesi BF16 e FP8 quantizzati separatamente. Queste scelte di precisione non creano un'altra modalità di input né attribuiscono a Maverick il contesto di 10M di Scout. Conserva il checkpoint Instruct esatto e la sua configurazione quando confronti un compito ripetuto o un'esecuzione derivata.
Progettazione pratica del risultato
Un compito su immagini di documenti può richiedere identificatore della fonte, affermazione visibile, valore estratto e interpretazione come campi separati. Una spiegazione conversazionale può mantenere i termini originali e adattare la prosa alla lingua supportata del lettore. Una richiesta di programmazione può restituire il frammento rivisto ed esempi che ne distinguano il comportamento previsto.
Definisci come verrà usato il risultato finale prima di fornire il materiale. Una didascalia breve, una tabella comparativa e un programma proposto risolvono compiti diversi anche quando condividono le stesse immagini. Le capacità visive e linguistiche del modello forniscono interpretazione e testo; recupero esterno delle informazioni, esecuzione o produzione di file provengono dai componenti applicativi.
Limiti specifici
Gli input documentati qui sono testo e immagini, con output di testo e codice. Comprensione audio o video, generazione vocale e controlli denominati di impegno di ragionamento di Muse Spark non vanno attribuiti a questa edizione Maverick. Anche Llama Guard è un classificatore addestrato separatamente anziché un output automatico di classificazione di una risposta Maverick.
L'esempio di generazione di 256 token della scheda è un'impostazione esemplificativa e le fonti lette non stabiliscono un limite massimo rigido separato di token di output oltre la specifica di contesto del modello. Mantieni espliciti l'identità Maverick, l'ambito delle lingue supportate e l'artefatto finale collegato alle fonti anziché prendere in prestito limiti o modalità da un'altra versione Llama.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti llama-4-maverick | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000375 / 1K token Output · Token in output $0.001305 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000375 / 1K token Output · Token in output $0.001305 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick è il modello Instruct nativo di Meta per testo e immagini con 128 esperti, 17B parametri attivi e 400B totali. Il produttore documenta un contesto di 1M, output multilingue di testo e codice, riconoscimento visivo, didascalie e domande sulle immagini in una versione distinta da Scout.
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.
Llama 4 Maverick Instruct è il modello nativamente multimodale di Meta per conversazioni da assistente e ragionamento visivo. Riceve testo multilingue e immagini e genera testo multilingue o codice. La sua architettura mixture-of-experts usa la fusione precoce, combinando informazioni visive e testuali all'interno del modello anziché trattare l'immagine come una didascalia non correlata fornita da un assistente testuale separato.
Informazioni sul modello e contesto
Il produttore indica per Maverick 128 esperti, 17 miliardi di parametri attivi e 400 miliardi di parametri totali. Sono distinti dalla configurazione di Scout con 16 esperti e 109B parametri totali, sebbene entrambi riportino l'etichetta di dimensione attiva 17B. Il nome Instruct identifica il checkpoint orientato all'assistente anziché il modello Maverick preaddestrato.
La scheda del modello documenta per Maverick una finestra di contesto di 1M. Usa il contesto per mantenere insieme i passaggi, le immagini, la conversazione e la risposta richiesta pertinenti. Un'ampia raccolta di fonti richiede comunque una domanda e un artefatto definiti. Etichetta documenti sorgente e immagini e richiedi la posizione che sostiene ogni risultato estratto anziché chiedere un riepilogo indiscriminato di tutto il materiale.
Le lingue supportate sono arabo, inglese, francese, tedesco, hindi, indonesiano, italiano, portoghese, spagnolo, tagalog, thailandese e vietnamita. Il produttore distingue queste dodici lingue supportate dalla raccolta più ampia di circa duecento lingue usate nel preaddestramento. La presenza di una lingua nell'addestramento non va trasformata in una promessa di uguali capacità per ogni lingua.
Compiti di chat, visione e codice
Gli usi visivi previsti dalla scheda comprendono riconoscimento, ragionamento sulle immagini, didascalie e risposte a domande generali su un'immagine. Per una fotografia, chiedi al modello di identificare gli oggetti o la relazione pertinenti al compito. Per un grafico, richiedi un confronto tra serie denominate, mantenendo assi e unità. Per un diagramma, chiedi quale collegamento etichettato sostiene un requisito fornito.
Per un confronto tra più immagini, identifica il ruolo di ciascuna e chiedi gli stessi criteri per tutte. Per esempio, fornisci un design originale e una revisione, poi richiedi corrispondenze visibili, differenze e dettagli che le immagini non dimostrano. Mantieni le osservazioni separate dalle conclusioni che dipendono dal testo di accompagnamento. Questo rende l'output più facile da controllare rispetto alla fonte effettiva.
Il produttore riporta test di comprensione delle immagini con un massimo di cinque immagini in input. È l'ambito testato documentato, non un limite massimo rigido e incondizionato al numero di immagini. Conserva i dettagli necessari alla domanda e l'ordine delle immagini. Aggiungere un gran numero di immagini non correlate non definisce da solo ciò che deve essere confrontato.
Per un compito di programmazione, fornisci il requisito, il sorgente pertinente e il comportamento atteso. Chiedi l'implementazione proposta separatamente dalle sue ipotesi e dagli esempi. Uno screenshot può fornire requisiti visivi, mentre la condizione testuale fornisce il comportamento che lo screenshot non può mostrare. Il codice generato è un artefatto testuale; eseguirlo, esaminare un'interfaccia renderizzata o applicarlo a un repository richiede l'ambiente collegato.
Preparazione della conversazione e addestramento
La scheda del modello mostra il processore e il template chat corrispondenti con due immagini e una domanda scritta di confronto. Mantieni espliciti i ruoli della conversazione e l'associazione tra immagini e testo. Un'istruzione di sistema può definire pubblico, tono e struttura della risposta, mentre il messaggio dell'utente fornisce il compito effettivo e le evidenze. Il produttore descrive miglioramenti dopo l'addestramento nella controllabilità tramite prompt di sistema e nella formattazione conversazionale.
Maverick è preaddestrato su circa 22 mila miliardi di token di dati multimodali, con un limite dichiarato dei dati di preaddestramento ad agosto 2024. È un limite statico dei dati di addestramento anziché un accesso in tempo reale alle informazioni attuali. Quando una domanda dipende da materiale più recente o privato, fornisci tale materiale come contesto sorgente o tramite un'operazione di recupero collegata separatamente.
La versione comprende pesi BF16 e FP8 quantizzati separatamente. Queste scelte di precisione non creano un'altra modalità di input né attribuiscono a Maverick il contesto di 10M di Scout. Conserva il checkpoint Instruct esatto e la sua configurazione quando confronti un compito ripetuto o un'esecuzione derivata.
Progettazione pratica del risultato
Un compito su immagini di documenti può richiedere identificatore della fonte, affermazione visibile, valore estratto e interpretazione come campi separati. Una spiegazione conversazionale può mantenere i termini originali e adattare la prosa alla lingua supportata del lettore. Una richiesta di programmazione può restituire il frammento rivisto ed esempi che ne distinguano il comportamento previsto.
Definisci come verrà usato il risultato finale prima di fornire il materiale. Una didascalia breve, una tabella comparativa e un programma proposto risolvono compiti diversi anche quando condividono le stesse immagini. Le capacità visive e linguistiche del modello forniscono interpretazione e testo; recupero esterno delle informazioni, esecuzione o produzione di file provengono dai componenti applicativi.
Limiti specifici
Gli input documentati qui sono testo e immagini, con output di testo e codice. Comprensione audio o video, generazione vocale e controlli denominati di impegno di ragionamento di Muse Spark non vanno attribuiti a questa edizione Maverick. Anche Llama Guard è un classificatore addestrato separatamente anziché un output automatico di classificazione di una risposta Maverick.
L'esempio di generazione di 256 token della scheda è un'impostazione esemplificativa e le fonti lette non stabiliscono un limite massimo rigido separato di token di output oltre la specifica di contesto del modello. Mantieni espliciti l'identità Maverick, l'ambito delle lingue supportate e l'artefatto finale collegato alle fonti anziché prendere in prestito limiti o modalità da un'altra versione Llama.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti meta-llama/llama-4-maverick | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000375 / 1K token Output · Token in output $0.001305 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000375 / 1K token Output · Token in output $0.001305 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick è il modello Instruct nativo di Meta per testo e immagini con 128 esperti, 17B parametri attivi e 400B totali. Il produttore documenta un contesto di 1M, output multilingue di testo e codice, riconoscimento visivo, didascalie e domande sulle immagini in una versione distinta da Scout.
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.
Llama 4 Maverick Instruct è il modello nativamente multimodale di Meta per conversazioni da assistente e ragionamento visivo. Riceve testo multilingue e immagini e genera testo multilingue o codice. La sua architettura mixture-of-experts usa la fusione precoce, combinando informazioni visive e testuali all'interno del modello anziché trattare l'immagine come una didascalia non correlata fornita da un assistente testuale separato.
Informazioni sul modello e contesto
Il produttore indica per Maverick 128 esperti, 17 miliardi di parametri attivi e 400 miliardi di parametri totali. Sono distinti dalla configurazione di Scout con 16 esperti e 109B parametri totali, sebbene entrambi riportino l'etichetta di dimensione attiva 17B. Il nome Instruct identifica il checkpoint orientato all'assistente anziché il modello Maverick preaddestrato.
La scheda del modello documenta per Maverick una finestra di contesto di 1M. Usa il contesto per mantenere insieme i passaggi, le immagini, la conversazione e la risposta richiesta pertinenti. Un'ampia raccolta di fonti richiede comunque una domanda e un artefatto definiti. Etichetta documenti sorgente e immagini e richiedi la posizione che sostiene ogni risultato estratto anziché chiedere un riepilogo indiscriminato di tutto il materiale.
Le lingue supportate sono arabo, inglese, francese, tedesco, hindi, indonesiano, italiano, portoghese, spagnolo, tagalog, thailandese e vietnamita. Il produttore distingue queste dodici lingue supportate dalla raccolta più ampia di circa duecento lingue usate nel preaddestramento. La presenza di una lingua nell'addestramento non va trasformata in una promessa di uguali capacità per ogni lingua.
Compiti di chat, visione e codice
Gli usi visivi previsti dalla scheda comprendono riconoscimento, ragionamento sulle immagini, didascalie e risposte a domande generali su un'immagine. Per una fotografia, chiedi al modello di identificare gli oggetti o la relazione pertinenti al compito. Per un grafico, richiedi un confronto tra serie denominate, mantenendo assi e unità. Per un diagramma, chiedi quale collegamento etichettato sostiene un requisito fornito.
Per un confronto tra più immagini, identifica il ruolo di ciascuna e chiedi gli stessi criteri per tutte. Per esempio, fornisci un design originale e una revisione, poi richiedi corrispondenze visibili, differenze e dettagli che le immagini non dimostrano. Mantieni le osservazioni separate dalle conclusioni che dipendono dal testo di accompagnamento. Questo rende l'output più facile da controllare rispetto alla fonte effettiva.
Il produttore riporta test di comprensione delle immagini con un massimo di cinque immagini in input. È l'ambito testato documentato, non un limite massimo rigido e incondizionato al numero di immagini. Conserva i dettagli necessari alla domanda e l'ordine delle immagini. Aggiungere un gran numero di immagini non correlate non definisce da solo ciò che deve essere confrontato.
Per un compito di programmazione, fornisci il requisito, il sorgente pertinente e il comportamento atteso. Chiedi l'implementazione proposta separatamente dalle sue ipotesi e dagli esempi. Uno screenshot può fornire requisiti visivi, mentre la condizione testuale fornisce il comportamento che lo screenshot non può mostrare. Il codice generato è un artefatto testuale; eseguirlo, esaminare un'interfaccia renderizzata o applicarlo a un repository richiede l'ambiente collegato.
Preparazione della conversazione e addestramento
La scheda del modello mostra il processore e il template chat corrispondenti con due immagini e una domanda scritta di confronto. Mantieni espliciti i ruoli della conversazione e l'associazione tra immagini e testo. Un'istruzione di sistema può definire pubblico, tono e struttura della risposta, mentre il messaggio dell'utente fornisce il compito effettivo e le evidenze. Il produttore descrive miglioramenti dopo l'addestramento nella controllabilità tramite prompt di sistema e nella formattazione conversazionale.
Maverick è preaddestrato su circa 22 mila miliardi di token di dati multimodali, con un limite dichiarato dei dati di preaddestramento ad agosto 2024. È un limite statico dei dati di addestramento anziché un accesso in tempo reale alle informazioni attuali. Quando una domanda dipende da materiale più recente o privato, fornisci tale materiale come contesto sorgente o tramite un'operazione di recupero collegata separatamente.
La versione comprende pesi BF16 e FP8 quantizzati separatamente. Queste scelte di precisione non creano un'altra modalità di input né attribuiscono a Maverick il contesto di 10M di Scout. Conserva il checkpoint Instruct esatto e la sua configurazione quando confronti un compito ripetuto o un'esecuzione derivata.
Progettazione pratica del risultato
Un compito su immagini di documenti può richiedere identificatore della fonte, affermazione visibile, valore estratto e interpretazione come campi separati. Una spiegazione conversazionale può mantenere i termini originali e adattare la prosa alla lingua supportata del lettore. Una richiesta di programmazione può restituire il frammento rivisto ed esempi che ne distinguano il comportamento previsto.
Definisci come verrà usato il risultato finale prima di fornire il materiale. Una didascalia breve, una tabella comparativa e un programma proposto risolvono compiti diversi anche quando condividono le stesse immagini. Le capacità visive e linguistiche del modello forniscono interpretazione e testo; recupero esterno delle informazioni, esecuzione o produzione di file provengono dai componenti applicativi.
Limiti specifici
Gli input documentati qui sono testo e immagini, con output di testo e codice. Comprensione audio o video, generazione vocale e controlli denominati di impegno di ragionamento di Muse Spark non vanno attribuiti a questa edizione Maverick. Anche Llama Guard è un classificatore addestrato separatamente anziché un output automatico di classificazione di una risposta Maverick.
L'esempio di generazione di 256 token della scheda è un'impostazione esemplificativa e le fonti lette non stabiliscono un limite massimo rigido separato di token di output oltre la specifica di contesto del modello. Mantieni espliciti l'identità Maverick, l'ambito delle lingue supportate e l'artefatto finale collegato alle fonti anziché prendere in prestito limiti o modalità da un'altra versione Llama.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti meta-llama/llama-4-maverick | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000375 / 1K token Output · Token in output $0.001305 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.000375 / 1K token Output · Token in output $0.001305 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Esempio tecnico in inglese
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.