Gemma 4 26B A4B ITは、Google DeepMindが公開するオープンなGemma 4ファミリーの指示調整済み混合エキスパート版です。公式のアーキテクチャ表では、総パラメーター数が252億、アクティブなパラメーター数が38億とされています。A4Bは、アクティブなパラメーター数を丸めた規模を表す名称です。用途には、推論、コーディング、エージェントのワークフロー、マルチモーダル理解が含まれます。事前学習版およびDenseな31Bモデルとは別の版です。
混合エキスパート設計では、推論の各ステップで一部のパラメーターを有効にします。公開されたアーキテクチャ表では、128個のうち8個のアクティブなエキスパートに、1個の共有エキスパートを加えています。Googleは、Denseモデルと比べた推論効率を重視する版と位置付けています。30層のアーキテクチャ、1,024トークンのスライディングウィンドウ、グローバル・アテンション、256Kのコンテキスト、視覚エンコーダーを組み合わせています。これらの値は開発元モデルの構成を説明するものであり、特定のアプリケーションの遅延やハードウェア構成を保証するものではありません。
256Kトークンのコンテキストにより、大量のテキストと視覚的な根拠を組み合わせた課題に対応できます。1つのプロンプト内で画像とテキストを交互に配置でき、メーカーは、最良の結果を得るために関連するテキストより先に画像を置くことを推奨しています。視覚的な課題には、物体検出、文書ページの解釈、画面やインターフェースの理解、グラフ、多言語OCR、手書き文字の読み取り、位置の指示などがあります。出力はテキストで、抽出した内容、説明、コード、または提案するツール操作を返します。
思考の設定を切り替えることで、回答前に推論させることも、直接回答させることもできます。Gemma 4は、userとassistantに加えてネイティブのsystemロールを導入しています。Googleのプロンプト形式では、systemプロンプトに<|think|>制御トークンを入れると思考が有効になり、思考用のチャネルと最終回答が分離されます。公式に説明されているプロセッサーは、このテンプレートを処理できます。複数ターンの会話では、過去の最終回答を履歴に残し、過去の思考は除外します。ただしツール呼び出しのターンについては、メーカーが思考を保持するよう指定しています。
ネイティブのFunction Callingは構造化されたツール利用に対応し、Googleの公開時の説明には構造化JSON出力も記載されています。課題、利用可能な関数、期待する結果を定義してください。要求された操作はアプリケーションが実行し、その出力を次のステップに返します。コーディングでは生成、補完、修正を依頼でき、視覚アシスタントは返されたテキストを使ってグラフや画面を説明できます。関数呼び出しを指示することと、接続先で操作が実際に実行されたことは区別してください。
可変の画像解像度は、視覚トークンの予算で制御します。公式に記載された選択肢は70、140、280、560、1,120トークンです。少ない予算は分類やキャプションに適し、多い予算は追加の計算を使ってOCR、文書解析、小さな文字の詳細を保持します。画像を用意する前に、場面全体が必要なのか、文字を正確に読み取る必要があるのかを決めてください。抽出が目的なら、ページ全体のあらゆる細部を確認するよう漠然と頼むより、ラベルを鮮明に切り出した画像の方が役立つことがあります。
Googleがこのファミリー向けに推奨するサンプリング設定は、temperature 1.0、top-p 0.95、top-k 64です。モデルカードでは、140を超える言語での学習と、初期状態で対応する35を超える言語を区別しています。回答言語を指定し、分野固有の名称、フィールド名、数式を保持することを依頼内容に明記してください。256Kはコンテキストの仕様です。引用元のモデルカードは、この版に共通して適用できる独立した最大出力値を示していません。
文書とコードを組み合わせた課題では、該当するページ画像、文章で書いた要件、ソースの抜粋を渡してください。例えば「ラベルを読み、この画面が仕様とどう異なるかを説明し、提供したコードに対する範囲を絞った修正を提案してください」と依頼できます。グラフでは、見えている数値と推測した傾向を分けて回答するよう求めてください。Gemmaのモデルカードは、曖昧な言葉、非常に複雑な課題、誤った事実や古い事実の記述に関する限界を挙げています。学習済みの知識だけに頼らず、結果に使用しなければならない信頼できる事実を添付してください。
Ailootでは、/v1/chat/completionsでこの正確なモデルIDを選択し、messagesに課題を指定します。各メッセージにはroleとそのcontentを含め、関連する指示と資料をまとめてください。完全なJSONレスポンスを取得するか、streamを有効にした場合はすべてのSSEセグメントを受け取り、文章の結果とともにusageを保持してください。
", "aboutText": "Gemma 4 26B A4B ITは、Google DeepMindが公開するオープンなGemma 4ファミリーの指示調整済み混合エキスパート版です。公式のアーキテクチャ表では、総パラメーター数が252億、アクティブなパラメーター数が38億とされています。A4Bは、アクティブなパラメーター数を丸めた規模を表す名称です。用途には、推論、コーディング、エージェントのワークフロー、マルチモーダル理解が含まれます。事前学習版およびDenseな31Bモデルとは別の版です。\n\n混合エキスパート設計では、推論の各ステップで一部のパラメーターを有効にします。公開されたアーキテクチャ表では、128個のうち8個のアクティブなエキスパートに、1個の共有エキスパートを加えています。Googleは、Denseモデルと比べた推論効率を重視する版と位置付けています。30層のアーキテクチャ、1,024トークンのスライディングウィンドウ、グローバル・アテンション、256Kのコンテキスト、視覚エンコーダーを組み合わせています。これらの値は開発元モデルの構成を説明するものであり、特定のアプリケーションの遅延やハードウェア構成を保証するものではありません。\n\n256Kトークンのコンテキストにより、大量のテキストと視覚的な根拠を組み合わせた課題に対応できます。1つのプロンプト内で画像とテキストを交互に配置でき、メーカーは、最良の結果を得るために関連するテキストより先に画像を置くことを推奨しています。視覚的な課題には、物体検出、文書ページの解釈、画面やインターフェースの理解、グラフ、多言語OCR、手書き文字の読み取り、位置の指示などがあります。出力はテキストで、抽出した内容、説明、コード、または提案するツール操作を返します。\n\n思考の設定を切り替えることで、回答前に推論させることも、直接回答させることもできます。Gemma 4は、userとassistantに加えてネイティブのsystemロールを導入しています。Googleのプロンプト形式では、systemプロンプトに<|think|>制御トークンを入れると思考が有効になり、思考用のチャネルと最終回答が分離されます。公式に説明されているプロセッサーは、このテンプレートを処理できます。複数ターンの会話では、過去の最終回答を履歴に残し、過去の思考は除外します。ただしツール呼び出しのターンについては、メーカーが思考を保持するよう指定しています。\n\nネイティブのFunction Callingは構造化されたツール利用に対応し、Googleの公開時の説明には構造化JSON出力も記載されています。課題、利用可能な関数、期待する結果を定義してください。要求された操作はアプリケーションが実行し、その出力を次のステップに返します。コーディングでは生成、補完、修正を依頼でき、視覚アシスタントは返されたテキストを使ってグラフや画面を説明できます。関数呼び出しを指示することと、接続先で操作が実際に実行されたことは区別してください。\n\n可変の画像解像度は、視覚トークンの予算で制御します。公式に記載された選択肢は70、140、280、560、1,120トークンです。少ない予算は分類やキャプションに適し、多い予算は追加の計算を使ってOCR、文書解析、小さな文字の詳細を保持します。画像を用意する前に、場面全体が必要なのか、文字を正確に読み取る必要があるのかを決めてください。抽出が目的なら、ページ全体のあらゆる細部を確認するよう漠然と頼むより、ラベルを鮮明に切り出した画像の方が役立つことがあります。\n\nGoogleがこのファミリー向けに推奨するサンプリング設定は、temperature 1.0、top-p 0.95、top-k 64です。モデルカードでは、140を超える言語での学習と、初期状態で対応する35を超える言語を区別しています。回答言語を指定し、分野固有の名称、フィールド名、数式を保持することを依頼内容に明記してください。256Kはコンテキストの仕様です。引用元のモデルカードは、この版に共通して適用できる独立した最大出力値を示していません。\n\n文書とコードを組み合わせた課題では、該当するページ画像、文章で書いた要件、ソースの抜粋を渡してください。例えば「ラベルを読み、この画面が仕様とどう異なるかを説明し、提供したコードに対する範囲を絞った修正を提案してください」と依頼できます。グラフでは、見えている数値と推測した傾向を分けて回答するよう求めてください。Gemmaのモデルカードは、曖昧な言葉、非常に複雑な課題、誤った事実や古い事実の記述に関する限界を挙げています。学習済みの知識だけに頼らず、結果に使用しなければならない信頼できる事実を添付してください。\n\nAilootでは、/v1/chat/completionsでこの正確なモデルIDを選択し、messagesに課題を指定します。各メッセージにはroleとそのcontentを含め、関連する指示と資料をまとめてください。完全なJSONレスポンスを取得するか、streamを有効にした場合はすべてのSSEセグメントを受け取り、文章の結果とともにusageを保持してください。", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "be445cdeab4c5b89b5deb27cd129f019beed0a2a67d5b55522031c27576a115a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ja", "methods": [ { "html": "google/gemma-4-26b-a4b-it:freeGemma 4 26B A4B ITは、テキストと視覚情報の推論に対応するGoogleの指示調整済み混合エキスパートモデルです。256Kのコンテキスト、画像理解、設定可能な思考、ネイティブの関数呼び出しを備え、テキストで出力します。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Gemma 4 26B A4B ITは、Google DeepMindが公開するオープンなGemma 4ファミリーの指示調整済み混合エキスパート版です。公式のアーキテクチャ表では、総パラメーター数が252億、アクティブなパラメーター数が38億とされています。A4Bは、アクティブなパラメーター数を丸めた規模を表す名称です。用途には、推論、コーディング、エージェントのワークフロー、マルチモーダル理解が含まれます。事前学習版およびDenseな31Bモデルとは別の版です。
混合エキスパート設計では、推論の各ステップで一部のパラメーターを有効にします。公開されたアーキテクチャ表では、128個のうち8個のアクティブなエキスパートに、1個の共有エキスパートを加えています。Googleは、Denseモデルと比べた推論効率を重視する版と位置付けています。30層のアーキテクチャ、1,024トークンのスライディングウィンドウ、グローバル・アテンション、256Kのコンテキスト、視覚エンコーダーを組み合わせています。これらの値は開発元モデルの構成を説明するものであり、特定のアプリケーションの遅延やハードウェア構成を保証するものではありません。
256Kトークンのコンテキストにより、大量のテキストと視覚的な根拠を組み合わせた課題に対応できます。1つのプロンプト内で画像とテキストを交互に配置でき、メーカーは、最良の結果を得るために関連するテキストより先に画像を置くことを推奨しています。視覚的な課題には、物体検出、文書ページの解釈、画面やインターフェースの理解、グラフ、多言語OCR、手書き文字の読み取り、位置の指示などがあります。出力はテキストで、抽出した内容、説明、コード、または提案するツール操作を返します。
思考の設定を切り替えることで、回答前に推論させることも、直接回答させることもできます。Gemma 4は、userとassistantに加えてネイティブのsystemロールを導入しています。Googleのプロンプト形式では、systemプロンプトに<|think|>制御トークンを入れると思考が有効になり、思考用のチャネルと最終回答が分離されます。公式に説明されているプロセッサーは、このテンプレートを処理できます。複数ターンの会話では、過去の最終回答を履歴に残し、過去の思考は除外します。ただしツール呼び出しのターンについては、メーカーが思考を保持するよう指定しています。
ネイティブのFunction Callingは構造化されたツール利用に対応し、Googleの公開時の説明には構造化JSON出力も記載されています。課題、利用可能な関数、期待する結果を定義してください。要求された操作はアプリケーションが実行し、その出力を次のステップに返します。コーディングでは生成、補完、修正を依頼でき、視覚アシスタントは返されたテキストを使ってグラフや画面を説明できます。関数呼び出しを指示することと、接続先で操作が実際に実行されたことは区別してください。
可変の画像解像度は、視覚トークンの予算で制御します。公式に記載された選択肢は70、140、280、560、1,120トークンです。少ない予算は分類やキャプションに適し、多い予算は追加の計算を使ってOCR、文書解析、小さな文字の詳細を保持します。画像を用意する前に、場面全体が必要なのか、文字を正確に読み取る必要があるのかを決めてください。抽出が目的なら、ページ全体のあらゆる細部を確認するよう漠然と頼むより、ラベルを鮮明に切り出した画像の方が役立つことがあります。
Googleがこのファミリー向けに推奨するサンプリング設定は、temperature 1.0、top-p 0.95、top-k 64です。モデルカードでは、140を超える言語での学習と、初期状態で対応する35を超える言語を区別しています。回答言語を指定し、分野固有の名称、フィールド名、数式を保持することを依頼内容に明記してください。256Kはコンテキストの仕様です。引用元のモデルカードは、この版に共通して適用できる独立した最大出力値を示していません。
文書とコードを組み合わせた課題では、該当するページ画像、文章で書いた要件、ソースの抜粋を渡してください。例えば「ラベルを読み、この画面が仕様とどう異なるかを説明し、提供したコードに対する範囲を絞った修正を提案してください」と依頼できます。グラフでは、見えている数値と推測した傾向を分けて回答するよう求めてください。Gemmaのモデルカードは、曖昧な言葉、非常に複雑な課題、誤った事実や古い事実の記述に関する限界を挙げています。学習済みの知識だけに頼らず、結果に使用しなければならない信頼できる事実を添付してください。
Ailootでは、/v1/chat/completionsでこの正確なモデルIDを選択し、messagesに課題を指定します。各メッセージにはroleとそのcontentを含め、関連する指示と資料をまとめてください。完全なJSONレスポンスを取得するか、streamを有効にした場合はすべてのSSEセグメントを受け取り、文章の結果とともにusageを保持してください。
POST /v1/chat/completionstext, imagetext| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 google/gemma-4-26b-a4b-it:free 条件: この Ailoot ルーティングセレクターをそのまま使用してください。 | デフォルト— |
フィールドmessages | 種類array | 要件必須 | 値と制限 条件: | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 条件: | デフォルトfalse |
text_input · 必須: messages
image_with_text · 必須: messages with actual image content blocks
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages |
パラメータoptional | 仕様stream |
パラメータmaterial_types | 仕様text, image |
パラメータconditions | 仕様この Ailoot ルーティングセレクターをそのまま使用してください。, 選択した具体的なモデルが画像認識に対応している場合、このプロトコルで画像内容を送信できます。プロトコルが受け付けることは、すべてのモデルが画像を扱えることの証明にはなりません。 |
メソッドのエイリアス: /chat/completions
ライフサイクル: synchronous_or_streamed
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
| 設定 | 料金表 | 料金 |
|---|---|---|
| 設定基本トークン料金 | 料金表基本料金 | 料金 入力 · 入力トークン $0 / 1K トークン 出力 · 出力トークン $0 / 1K トークン 入力 · キャッシュ読み取り — / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-it:free", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべてのコンテンツブロック、ツール呼び出し ID、返された思考署名、すべての SSE 差分、完全な使用量情報を保持してください。最初のテキスト断片だけでは結果全体になりません。
元の X-Client-Request-ID、レスポンス、ヘッダーを保持してください。結果が不明、または result_pending_check の場合、作成をもう一度行うことは許可されません。
| フィールド | 種類 |
|---|---|
フィールドchoices[] | 種類object |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、モデルセレクター、型、または入力の表現形式が無効です。 | 次の手順別のリクエストを準備する前に、返された検証の詳細を確認してください。 |
レスポンス | 条件元のリクエストまたは結果が不明、あるいは確認が必要です。 | 次の手順元の識別子とヘッダーを保持し、サポートされているステータス情報やライブラリレコードだけを読み取ってください。作成リクエストを再送しないでください。 |
Ailoot Ultra google/gemma-4-26b-a4b-it:free
/chat/completions