Llama Guard 4 12B è il classificatore di sicurezza nativamente multimodale di Meta con 12 miliardi di parametri. È addestrato congiuntamente su testo e più immagini e genera una classificazione testuale: safe o unsafe, con le categorie di rischio violate quando il risultato è unsafe. Il suo scopo è valutare il contenuto di un prompt o di una risposta generata anziché agire come assistente chat generalista.
Classificazione di prompt e risposte
Il modello può classificare materiale prima che venga inviato a un modello generativo, dopo che quel modello produce una risposta o in entrambi i punti. Sono domande diverse. La classificazione del prompt valuta l'input dell'utente, mentre quella della risposta valuta ciò che un assistente ha effettivamente scritto. Un sistema può quindi distinguere una richiesta rischiosa da una risposta che la gestisce in modo accettabile secondo la tassonomia del classificatore.
Fornisci il contenuto esatto da classificare con i ruoli della conversazione e il contesto pertinente. Se l'obiettivo è una risposta, conserva la domanda che le dà significato. Per un input misto di testo e immagini, includi le immagini associate a quel prompt anziché classificare testo non correlato o un'immagine scelta arbitrariamente. Il risultato del classificatore è un'informazione per la regola o il passaggio di revisione dell'applicazione; non blocca da solo una richiesta né modifica un file.
Quattordici categorie di rischio
Il produttore allinea il classificatore alla tassonomia dei rischi MLCommons e aggiunge una categoria dell'interprete di codice esclusivamente testuale. Le quattordici etichette coprono reati violenti, reati non violenti, reati sessuali, sfruttamento sessuale dei minori, diffamazione, consulenza specialistica, privacy, proprietà intellettuale, armi indiscriminate, odio, suicidio e autolesionismo, contenuti sessuali, elezioni e abuso dell'interprete di codice.
Le categorie usano gli identificatori da S1 a S14. S14, Code Interpreter Abuse, è specificamente destinato ai casi d'uso di chiamate agli strumenti esclusivamente testuali. Mantieni l'identificatore della tassonomia insieme al risultato safe/unsafe, così che una fase applicativa successiva possa interpretare la classificazione secondo le stesse definizioni delle categorie. Un risultato breve è un giudizio di categoria, non una spiegazione completa, una determinazione legale o una garanzia che ogni danno possibile sia stato rilevato.
Come formato esemplificativo, una classificazione unsafe può essere seguita dall'identificatore di categoria applicabile. Conserva insieme il testo originale valutato, la sua fonte o posizione nella conversazione e le etichette restituite. Tale associazione permette a un'applicazione di distinguere il contenuto esaminato da una risposta riscritta successiva o da un prompt separato.
Architettura e addestramento
Llama Guard 4 ha un'architettura Transformer densa a fusione precoce, ottenuta tramite potatura da un checkpoint preaddestrato Llama 4 Scout. Il produttore rimuove gli esperti instradati e i livelli router e mantiene l'esperto denso condiviso, poi esegue il post-addestramento del modello risultante per la classificazione dei contenuti. Non effettua ulteriore preaddestramento dopo quel passaggio di potatura. Questo crea un modello diverso dall'edizione chat mixture-of-experts di Scout.
Il modello condivide il tokenizer e l'encoder visivo di Llama 4 e combina addestramento alla classificazione esclusivamente testuale e multimodale. Il produttore descrive dati multilingue e addestramento con più immagini, con la maggior parte di tali campioni contenente da due a cinque immagini e un rapporto approssimativo di tre a uno tra dati esclusivamente testuali e multimodali. Sono caratteristiche dell'addestramento, non limiti rigidi sul numero di input.
L'ambito multilingue documentato segue le lingue supportate da Llama Guard 3 e la scheda tratta l'inglese insieme a francese, tedesco, hindi, italiano, portoghese, spagnolo e thailandese. Una richiesta di classificazione deve mantenere la formulazione effettiva e il contesto visivo nella lingua valutata anziché sostituire il contenuto con un riepilogo non correlato.
Preparare un risultato di classificazione utile
Per una verifica dell'input, fornisci il messaggio dell'utente e le immagini associate e chiedi la classificazione del prompt nel formato del produttore. Per una verifica dell'output, fornisci la risposta effettiva dell'assistente insieme al messaggio precedente pertinente. Un esempio con più immagini può mantenere il testo che le collega, così che il modello valuti la richiesta combinata anziché frammenti indipendenti senza contesto.
La scheda del modello mostra l'applicazione del template di conversazione corrispondente e la decodifica della sola classificazione generata. Il suo esempio di generazione di dieci token illustra un risultato breve con etichetta; quel numero non è una capacità massima separata di risposta. Mantieni l'output richiesto allineato allo scopo del classificatore anziché chiedergli di scrivere una normale risposta conversazionale.
Limitazioni specifiche
Il produttore afferma che i giudizi possono essere limitati dai dati di addestramento del modello, dalle conoscenze di senso comune, dalla copertura linguistica e dalla copertura delle policy. Le categorie di diffamazione, proprietà intellettuale ed elezioni possono richiedere conoscenze fattuali e aggiornate che il classificatore potrebbe non possedere. L'etichetta di categoria deve quindi mantenere il proprio rapporto con il contenuto e le informazioni disponibili per quella valutazione.
La scheda riporta test soprattutto su prompt con poche immagini, più spesso tre, e segnala che il comportamento può variare con una raccolta molto più ampia. Questo descrive l'ambito testato anziché un massimo universale di tre immagini. Il modello può anche essere vulnerabile a contenuti avversariali o di prompt injection che ne modificano il comportamento previsto.
Il ruolo di classificatore di Llama Guard 4 non deve ereditare le specifiche di contesto di Scout o le capacità di assistente generale soltanto perché è stato ottenuto tramite potatura da Scout. La scheda letta non fornisce una capacità rigida separata di contesto o token di output per questo classificatore. Conserva il materiale valutato e le etichette della tassonomia come artefatto pratico e lascia che l'applicazione decida l'azione associata a quel risultato.
", "aboutText": "Llama Guard 4 12B è il classificatore di sicurezza nativamente multimodale di Meta con 12 miliardi di parametri. È addestrato congiuntamente su testo e più immagini e genera una classificazione testuale: safe o unsafe, con le categorie di rischio violate quando il risultato è unsafe. Il suo scopo è valutare il contenuto di un prompt o di una risposta generata anziché agire come assistente chat generalista.\n\nClassificazione di prompt e risposte\n\nIl modello può classificare materiale prima che venga inviato a un modello generativo, dopo che quel modello produce una risposta o in entrambi i punti. Sono domande diverse. La classificazione del prompt valuta l'input dell'utente, mentre quella della risposta valuta ciò che un assistente ha effettivamente scritto. Un sistema può quindi distinguere una richiesta rischiosa da una risposta che la gestisce in modo accettabile secondo la tassonomia del classificatore.\n\nFornisci il contenuto esatto da classificare con i ruoli della conversazione e il contesto pertinente. Se l'obiettivo è una risposta, conserva la domanda che le dà significato. Per un input misto di testo e immagini, includi le immagini associate a quel prompt anziché classificare testo non correlato o un'immagine scelta arbitrariamente. Il risultato del classificatore è un'informazione per la regola o il passaggio di revisione dell'applicazione; non blocca da solo una richiesta né modifica un file.\n\nQuattordici categorie di rischio\n\nIl produttore allinea il classificatore alla tassonomia dei rischi MLCommons e aggiunge una categoria dell'interprete di codice esclusivamente testuale. Le quattordici etichette coprono reati violenti, reati non violenti, reati sessuali, sfruttamento sessuale dei minori, diffamazione, consulenza specialistica, privacy, proprietà intellettuale, armi indiscriminate, odio, suicidio e autolesionismo, contenuti sessuali, elezioni e abuso dell'interprete di codice.\n\nLe categorie usano gli identificatori da S1 a S14. S14, Code Interpreter Abuse, è specificamente destinato ai casi d'uso di chiamate agli strumenti esclusivamente testuali. Mantieni l'identificatore della tassonomia insieme al risultato safe/unsafe, così che una fase applicativa successiva possa interpretare la classificazione secondo le stesse definizioni delle categorie. Un risultato breve è un giudizio di categoria, non una spiegazione completa, una determinazione legale o una garanzia che ogni danno possibile sia stato rilevato.\n\nCome formato esemplificativo, una classificazione unsafe può essere seguita dall'identificatore di categoria applicabile. Conserva insieme il testo originale valutato, la sua fonte o posizione nella conversazione e le etichette restituite. Tale associazione permette a un'applicazione di distinguere il contenuto esaminato da una risposta riscritta successiva o da un prompt separato.\n\nArchitettura e addestramento\n\nLlama Guard 4 ha un'architettura Transformer densa a fusione precoce, ottenuta tramite potatura da un checkpoint preaddestrato Llama 4 Scout. Il produttore rimuove gli esperti instradati e i livelli router e mantiene l'esperto denso condiviso, poi esegue il post-addestramento del modello risultante per la classificazione dei contenuti. Non effettua ulteriore preaddestramento dopo quel passaggio di potatura. Questo crea un modello diverso dall'edizione chat mixture-of-experts di Scout.\n\nIl modello condivide il tokenizer e l'encoder visivo di Llama 4 e combina addestramento alla classificazione esclusivamente testuale e multimodale. Il produttore descrive dati multilingue e addestramento con più immagini, con la maggior parte di tali campioni contenente da due a cinque immagini e un rapporto approssimativo di tre a uno tra dati esclusivamente testuali e multimodali. Sono caratteristiche dell'addestramento, non limiti rigidi sul numero di input.\n\nL'ambito multilingue documentato segue le lingue supportate da Llama Guard 3 e la scheda tratta l'inglese insieme a francese, tedesco, hindi, italiano, portoghese, spagnolo e thailandese. Una richiesta di classificazione deve mantenere la formulazione effettiva e il contesto visivo nella lingua valutata anziché sostituire il contenuto con un riepilogo non correlato.\n\nPreparare un risultato di classificazione utile\n\nPer una verifica dell'input, fornisci il messaggio dell'utente e le immagini associate e chiedi la classificazione del prompt nel formato del produttore. Per una verifica dell'output, fornisci la risposta effettiva dell'assistente insieme al messaggio precedente pertinente. Un esempio con più immagini può mantenere il testo che le collega, così che il modello valuti la richiesta combinata anziché frammenti indipendenti senza contesto.\n\nLa scheda del modello mostra l'applicazione del template di conversazione corrispondente e la decodifica della sola classificazione generata. Il suo esempio di generazione di dieci token illustra un risultato breve con etichetta; quel numero non è una capacità massima separata di risposta. Mantieni l'output richiesto allineato allo scopo del classificatore anziché chiedergli di scrivere una normale risposta conversazionale.\n\nLimitazioni specifiche\n\nIl produttore afferma che i giudizi possono essere limitati dai dati di addestramento del modello, dalle conoscenze di senso comune, dalla copertura linguistica e dalla copertura delle policy. Le categorie di diffamazione, proprietà intellettuale ed elezioni possono richiedere conoscenze fattuali e aggiornate che il classificatore potrebbe non possedere. L'etichetta di categoria deve quindi mantenere il proprio rapporto con il contenuto e le informazioni disponibili per quella valutazione.\n\nLa scheda riporta test soprattutto su prompt con poche immagini, più spesso tre, e segnala che il comportamento può variare con una raccolta molto più ampia. Questo descrive l'ambito testato anziché un massimo universale di tre immagini. Il modello può anche essere vulnerabile a contenuti avversariali o di prompt injection che ne modificano il comportamento previsto.\n\nIl ruolo di classificatore di Llama Guard 4 non deve ereditare le specifiche di contesto di Scout o le capacità di assistente generale soltanto perché è stato ottenuto tramite potatura da Scout. La scheda letta non fornisce una capacità rigida separata di contesto o token di output per questo classificatore. Conserva il materiale valutato e le etichette della tassonomia come artefatto pratico e lascia che l'applicazione decida l'azione associata a quel risultato.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B è il classificatore multimodale di contenuti di Meta per prompt e risposte generate. Analizza testo con una o più immagini e restituisce un'etichetta safe/unsafe più le categorie di rischio applicabili, usando un'architettura densa ottenuta tramite potatura da Llama 4 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 Guard 4 12B è il classificatore di sicurezza nativamente multimodale di Meta con 12 miliardi di parametri. È addestrato congiuntamente su testo e più immagini e genera una classificazione testuale: safe o unsafe, con le categorie di rischio violate quando il risultato è unsafe. Il suo scopo è valutare il contenuto di un prompt o di una risposta generata anziché agire come assistente chat generalista.
Classificazione di prompt e risposte
Il modello può classificare materiale prima che venga inviato a un modello generativo, dopo che quel modello produce una risposta o in entrambi i punti. Sono domande diverse. La classificazione del prompt valuta l'input dell'utente, mentre quella della risposta valuta ciò che un assistente ha effettivamente scritto. Un sistema può quindi distinguere una richiesta rischiosa da una risposta che la gestisce in modo accettabile secondo la tassonomia del classificatore.
Fornisci il contenuto esatto da classificare con i ruoli della conversazione e il contesto pertinente. Se l'obiettivo è una risposta, conserva la domanda che le dà significato. Per un input misto di testo e immagini, includi le immagini associate a quel prompt anziché classificare testo non correlato o un'immagine scelta arbitrariamente. Il risultato del classificatore è un'informazione per la regola o il passaggio di revisione dell'applicazione; non blocca da solo una richiesta né modifica un file.
Quattordici categorie di rischio
Il produttore allinea il classificatore alla tassonomia dei rischi MLCommons e aggiunge una categoria dell'interprete di codice esclusivamente testuale. Le quattordici etichette coprono reati violenti, reati non violenti, reati sessuali, sfruttamento sessuale dei minori, diffamazione, consulenza specialistica, privacy, proprietà intellettuale, armi indiscriminate, odio, suicidio e autolesionismo, contenuti sessuali, elezioni e abuso dell'interprete di codice.
Le categorie usano gli identificatori da S1 a S14. S14, Code Interpreter Abuse, è specificamente destinato ai casi d'uso di chiamate agli strumenti esclusivamente testuali. Mantieni l'identificatore della tassonomia insieme al risultato safe/unsafe, così che una fase applicativa successiva possa interpretare la classificazione secondo le stesse definizioni delle categorie. Un risultato breve è un giudizio di categoria, non una spiegazione completa, una determinazione legale o una garanzia che ogni danno possibile sia stato rilevato.
Come formato esemplificativo, una classificazione unsafe può essere seguita dall'identificatore di categoria applicabile. Conserva insieme il testo originale valutato, la sua fonte o posizione nella conversazione e le etichette restituite. Tale associazione permette a un'applicazione di distinguere il contenuto esaminato da una risposta riscritta successiva o da un prompt separato.
Architettura e addestramento
Llama Guard 4 ha un'architettura Transformer densa a fusione precoce, ottenuta tramite potatura da un checkpoint preaddestrato Llama 4 Scout. Il produttore rimuove gli esperti instradati e i livelli router e mantiene l'esperto denso condiviso, poi esegue il post-addestramento del modello risultante per la classificazione dei contenuti. Non effettua ulteriore preaddestramento dopo quel passaggio di potatura. Questo crea un modello diverso dall'edizione chat mixture-of-experts di Scout.
Il modello condivide il tokenizer e l'encoder visivo di Llama 4 e combina addestramento alla classificazione esclusivamente testuale e multimodale. Il produttore descrive dati multilingue e addestramento con più immagini, con la maggior parte di tali campioni contenente da due a cinque immagini e un rapporto approssimativo di tre a uno tra dati esclusivamente testuali e multimodali. Sono caratteristiche dell'addestramento, non limiti rigidi sul numero di input.
L'ambito multilingue documentato segue le lingue supportate da Llama Guard 3 e la scheda tratta l'inglese insieme a francese, tedesco, hindi, italiano, portoghese, spagnolo e thailandese. Una richiesta di classificazione deve mantenere la formulazione effettiva e il contesto visivo nella lingua valutata anziché sostituire il contenuto con un riepilogo non correlato.
Preparare un risultato di classificazione utile
Per una verifica dell'input, fornisci il messaggio dell'utente e le immagini associate e chiedi la classificazione del prompt nel formato del produttore. Per una verifica dell'output, fornisci la risposta effettiva dell'assistente insieme al messaggio precedente pertinente. Un esempio con più immagini può mantenere il testo che le collega, così che il modello valuti la richiesta combinata anziché frammenti indipendenti senza contesto.
La scheda del modello mostra l'applicazione del template di conversazione corrispondente e la decodifica della sola classificazione generata. Il suo esempio di generazione di dieci token illustra un risultato breve con etichetta; quel numero non è una capacità massima separata di risposta. Mantieni l'output richiesto allineato allo scopo del classificatore anziché chiedergli di scrivere una normale risposta conversazionale.
Limitazioni specifiche
Il produttore afferma che i giudizi possono essere limitati dai dati di addestramento del modello, dalle conoscenze di senso comune, dalla copertura linguistica e dalla copertura delle policy. Le categorie di diffamazione, proprietà intellettuale ed elezioni possono richiedere conoscenze fattuali e aggiornate che il classificatore potrebbe non possedere. L'etichetta di categoria deve quindi mantenere il proprio rapporto con il contenuto e le informazioni disponibili per quella valutazione.
La scheda riporta test soprattutto su prompt con poche immagini, più spesso tre, e segnala che il comportamento può variare con una raccolta molto più ampia. Questo descrive l'ambito testato anziché un massimo universale di tre immagini. Il modello può anche essere vulnerabile a contenuti avversariali o di prompt injection che ne modificano il comportamento previsto.
Il ruolo di classificatore di Llama Guard 4 non deve ereditare le specifiche di contesto di Scout o le capacità di assistente generale soltanto perché è stato ottenuto tramite potatura da Scout. La scheda letta non fornisce una capacità rigida separata di contesto o token di output per questo classificatore. Conserva il materiale valutato e le etichette della tassonomia come artefatto pratico e lascia che l'applicazione decida l'azione associata a quel risultato.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Output · Token in output $0.00036 / 1K token Input · Lettura dalla cache — / 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 $0.00036 / 1K token Output · Token in output $0.00036 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-guard-4-12b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 meta-llama/llama-guard-4-12b
Usa i percorsi dei metodi indicati sopra.
meta-llama/llama-guard-4-12bLlama Guard 4 12B è il classificatore multimodale di contenuti di Meta per prompt e risposte generate. Analizza testo con una o più immagini e restituisce un'etichetta safe/unsafe più le categorie di rischio applicabili, usando un'architettura densa ottenuta tramite potatura da Llama 4 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 Guard 4 12B è il classificatore di sicurezza nativamente multimodale di Meta con 12 miliardi di parametri. È addestrato congiuntamente su testo e più immagini e genera una classificazione testuale: safe o unsafe, con le categorie di rischio violate quando il risultato è unsafe. Il suo scopo è valutare il contenuto di un prompt o di una risposta generata anziché agire come assistente chat generalista.
Classificazione di prompt e risposte
Il modello può classificare materiale prima che venga inviato a un modello generativo, dopo che quel modello produce una risposta o in entrambi i punti. Sono domande diverse. La classificazione del prompt valuta l'input dell'utente, mentre quella della risposta valuta ciò che un assistente ha effettivamente scritto. Un sistema può quindi distinguere una richiesta rischiosa da una risposta che la gestisce in modo accettabile secondo la tassonomia del classificatore.
Fornisci il contenuto esatto da classificare con i ruoli della conversazione e il contesto pertinente. Se l'obiettivo è una risposta, conserva la domanda che le dà significato. Per un input misto di testo e immagini, includi le immagini associate a quel prompt anziché classificare testo non correlato o un'immagine scelta arbitrariamente. Il risultato del classificatore è un'informazione per la regola o il passaggio di revisione dell'applicazione; non blocca da solo una richiesta né modifica un file.
Quattordici categorie di rischio
Il produttore allinea il classificatore alla tassonomia dei rischi MLCommons e aggiunge una categoria dell'interprete di codice esclusivamente testuale. Le quattordici etichette coprono reati violenti, reati non violenti, reati sessuali, sfruttamento sessuale dei minori, diffamazione, consulenza specialistica, privacy, proprietà intellettuale, armi indiscriminate, odio, suicidio e autolesionismo, contenuti sessuali, elezioni e abuso dell'interprete di codice.
Le categorie usano gli identificatori da S1 a S14. S14, Code Interpreter Abuse, è specificamente destinato ai casi d'uso di chiamate agli strumenti esclusivamente testuali. Mantieni l'identificatore della tassonomia insieme al risultato safe/unsafe, così che una fase applicativa successiva possa interpretare la classificazione secondo le stesse definizioni delle categorie. Un risultato breve è un giudizio di categoria, non una spiegazione completa, una determinazione legale o una garanzia che ogni danno possibile sia stato rilevato.
Come formato esemplificativo, una classificazione unsafe può essere seguita dall'identificatore di categoria applicabile. Conserva insieme il testo originale valutato, la sua fonte o posizione nella conversazione e le etichette restituite. Tale associazione permette a un'applicazione di distinguere il contenuto esaminato da una risposta riscritta successiva o da un prompt separato.
Architettura e addestramento
Llama Guard 4 ha un'architettura Transformer densa a fusione precoce, ottenuta tramite potatura da un checkpoint preaddestrato Llama 4 Scout. Il produttore rimuove gli esperti instradati e i livelli router e mantiene l'esperto denso condiviso, poi esegue il post-addestramento del modello risultante per la classificazione dei contenuti. Non effettua ulteriore preaddestramento dopo quel passaggio di potatura. Questo crea un modello diverso dall'edizione chat mixture-of-experts di Scout.
Il modello condivide il tokenizer e l'encoder visivo di Llama 4 e combina addestramento alla classificazione esclusivamente testuale e multimodale. Il produttore descrive dati multilingue e addestramento con più immagini, con la maggior parte di tali campioni contenente da due a cinque immagini e un rapporto approssimativo di tre a uno tra dati esclusivamente testuali e multimodali. Sono caratteristiche dell'addestramento, non limiti rigidi sul numero di input.
L'ambito multilingue documentato segue le lingue supportate da Llama Guard 3 e la scheda tratta l'inglese insieme a francese, tedesco, hindi, italiano, portoghese, spagnolo e thailandese. Una richiesta di classificazione deve mantenere la formulazione effettiva e il contesto visivo nella lingua valutata anziché sostituire il contenuto con un riepilogo non correlato.
Preparare un risultato di classificazione utile
Per una verifica dell'input, fornisci il messaggio dell'utente e le immagini associate e chiedi la classificazione del prompt nel formato del produttore. Per una verifica dell'output, fornisci la risposta effettiva dell'assistente insieme al messaggio precedente pertinente. Un esempio con più immagini può mantenere il testo che le collega, così che il modello valuti la richiesta combinata anziché frammenti indipendenti senza contesto.
La scheda del modello mostra l'applicazione del template di conversazione corrispondente e la decodifica della sola classificazione generata. Il suo esempio di generazione di dieci token illustra un risultato breve con etichetta; quel numero non è una capacità massima separata di risposta. Mantieni l'output richiesto allineato allo scopo del classificatore anziché chiedergli di scrivere una normale risposta conversazionale.
Limitazioni specifiche
Il produttore afferma che i giudizi possono essere limitati dai dati di addestramento del modello, dalle conoscenze di senso comune, dalla copertura linguistica e dalla copertura delle policy. Le categorie di diffamazione, proprietà intellettuale ed elezioni possono richiedere conoscenze fattuali e aggiornate che il classificatore potrebbe non possedere. L'etichetta di categoria deve quindi mantenere il proprio rapporto con il contenuto e le informazioni disponibili per quella valutazione.
La scheda riporta test soprattutto su prompt con poche immagini, più spesso tre, e segnala che il comportamento può variare con una raccolta molto più ampia. Questo descrive l'ambito testato anziché un massimo universale di tre immagini. Il modello può anche essere vulnerabile a contenuti avversariali o di prompt injection che ne modificano il comportamento previsto.
Il ruolo di classificatore di Llama Guard 4 non deve ereditare le specifiche di contesto di Scout o le capacità di assistente generale soltanto perché è stato ottenuto tramite potatura da Scout. La scheda letta non fornisce una capacità rigida separata di contesto o token di output per questo classificatore. Conserva il materiale valutato e le etichette della tassonomia come artefatto pratico e lascia che l'applicazione decida l'azione associata a quel risultato.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Output · Token in output $0.00036 / 1K token Input · Lettura dalla cache — / 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 $0.00036 / 1K token Output · Token in output $0.00036 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 meta-llama/llama-guard-4-12b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.