Gemma 3 12B IT는 Google이 지시 튜닝한 12B 규모의 비전 언어 모델입니다. 텍스트 생성, 이미지 이해, 다국어 학습을 결합한 Gemma 3 제품군에 속합니다. IT 접미사는 사전 학습 모델이 아니라 지시 이행용 체크포인트를 선택한다는 뜻입니다. 결과는 요청에 담긴 글과 시각 자료를 바탕으로 작성한 설명, 요약, 답변, 초안 또는 코드 등의 텍스트입니다.
12B 모델은 입력과 생성 응답에 제품군의 128K 토큰 컨텍스트를 함께 사용합니다. 출력에는 요청을 처리하고 남은 공간이 쓰이며, 모델 카드가 별도의 독립적인 128K 출력 창을 제공하는 것은 아닙니다. 기본 이미지 뷰는 896×896으로 정규화되며 각각 256개의 시각 토큰으로 표현됩니다. 여러 페이지를 준비할 때는 페이지 식별자를 유지하고 결과를 위한 공간을 확보하세요. 큰 창이 관련 쟁점을 자동으로 골라 줄 것이라 기대하기보다 해당 내용에 대한 구체적인 질문을 하세요.
제작사는 이 규모의 사전 학습에 12조 개의 토큰을 사용했다고 밝힙니다. 학습 자료에는 다국어 웹 문서, 코드, 수학, 이미지가 포함되며, 제품군은 140개가 넘는 언어를 다룹니다. 보고서는 지식 증류와 강화 학습을 적용한 개선된 지시 튜닝 방법을 설명합니다. 이 단계들은 유용성, 수학 및 코드 추론, 지시 이행, 다국어 상호작용을 목표로 합니다. 학습량과 체크포인트 식별자가 다르다는 사실만으로 개별 답변의 품질이 입증되지는 않으므로 출력을 원래 과제와 비교하세요.
아키텍처는 그룹 쿼리 어텐션을 사용하는 디코더 전용 트랜스포머이며, 로컬 어텐션 계층 5개와 전역 계층 1개가 반복됩니다. 로컬 계층은 1,024 토큰 범위를 사용하고 전역 어텐션은 더 긴 컨텍스트를 지원합니다. 4B, 12B, 27B 모델이 공유하는 SigLIP 비전 인코더는 이미지를 언어 모델이 처리할 수 있는 표현으로 변환합니다. SentencePiece 토크나이저는 공백을 보존하고 숫자를 분할하며 바이트 수준 인코딩을 포함합니다. 이는 코드 형식, 숫자 표기, 다국어 텍스트를 온전히 유지해야 할 때 관련이 있습니다.
비전 워크플로에는 Pan and Scan도 포함됩니다. 각 뷰가 고정 해상도 인코더에 들어가기 전에 적응형 비중첩 크롭을 적용해 가로로 길거나 해상도가 높은 원본의 내용을 보존합니다. 뷰를 추가하면 처리하는 자료도 달라집니다. 기술 문서에는 읽기 쉬운 페이지를 제공하고, 필요하면 질문 대상인 표나 도표를 선명하게 보여 주세요. 일부 영역만 시각적으로 읽어도 의미를 잃지 않도록 단위, 기호, 열을 정의하는 주변 내용도 보존하세요.
고유 IT 프롬프트 형식은 user와 model 턴을 사용하며 별도의 system 역할이 없습니다. 실제 대화에 지정된 포매터나 프로세서를 사용하고, 원하는 역할, 응답 규칙, 과제를 첫 user 프롬프트에 넣으세요. 문서 분석 요청의 한 예로 두 절차 설명을 비교하고 일치하는 요구 사항을 표로 반환하며 충돌을 찾도록 할 수 있습니다. 출처에 이름을 붙이고 어떤 요구 사항이 우선하는지 밝힌 뒤, 제공된 사실과 모델의 해석을 구분하도록 요청하세요.
제작사 카드에 명시된 용도에는 요약, 대화 지원, 이미지 데이터 추출, 글쓰기, 학습이 포함됩니다. 다국어 설명에는 대상 독자, 용어, 상세 수준을 지정하세요. 이미지 질문에는 논의할 대상이나 관계를 명시하고 최종 답변을 뒷받침하는 관찰 내용도 요청하세요. 코드에는 실제 함수와 기대 동작을 포함하세요. 결과는 구현을 제안할 수 있지만 실행과 검증은 별도의 애플리케이션이 담당해야 합니다. 보고서는 양자화된 제품군 변형을 별도로 공개하므로 결과를 기록할 때 이 12B IT를 다른 양자화 체크포인트로 알리지 않고 대체해서는 안 됩니다.
제작사는 학습 범위, 사실 오류, 언어적 뉘앙스, 복잡한 개방형 과제에서 생기는 한계를 설명합니다. Google은 그럴듯한 언어 패턴이 일상적인 현실 제약을 놓친 답변을 만들 수도 있다고 경고합니다. 작은 시각적 세부 사항이 사라지거나 잘못 읽힐 수 있으며 긴 입력에도 명확한 우선순위가 필요합니다. 원본 페이지를 보관하고 추출한 라벨과 수량을 확인하며, 구조화된 것처럼 보이는 텍스트도 데이터로 사용하기 전에 검증하세요. 대표적인 질문과 언어로 정확히 12B IT 모델을 평가하세요. 유용한 최종 결과물은 출처에 근거한 답변, 이해에 필요한 추론, 남은 불확실성을 제시하며, 생성된 설명을 완료된 도구 작업이나 실시간 지식 조회인 것처럼 표현하지 않습니다.
", "aboutText": "Gemma 3 12B IT는 Google이 지시 튜닝한 12B 규모의 비전 언어 모델입니다. 텍스트 생성, 이미지 이해, 다국어 학습을 결합한 Gemma 3 제품군에 속합니다. IT 접미사는 사전 학습 모델이 아니라 지시 이행용 체크포인트를 선택한다는 뜻입니다. 결과는 요청에 담긴 글과 시각 자료를 바탕으로 작성한 설명, 요약, 답변, 초안 또는 코드 등의 텍스트입니다.\n\n12B 모델은 입력과 생성 응답에 제품군의 128K 토큰 컨텍스트를 함께 사용합니다. 출력에는 요청을 처리하고 남은 공간이 쓰이며, 모델 카드가 별도의 독립적인 128K 출력 창을 제공하는 것은 아닙니다. 기본 이미지 뷰는 896×896으로 정규화되며 각각 256개의 시각 토큰으로 표현됩니다. 여러 페이지를 준비할 때는 페이지 식별자를 유지하고 결과를 위한 공간을 확보하세요. 큰 창이 관련 쟁점을 자동으로 골라 줄 것이라 기대하기보다 해당 내용에 대한 구체적인 질문을 하세요.\n\n제작사는 이 규모의 사전 학습에 12조 개의 토큰을 사용했다고 밝힙니다. 학습 자료에는 다국어 웹 문서, 코드, 수학, 이미지가 포함되며, 제품군은 140개가 넘는 언어를 다룹니다. 보고서는 지식 증류와 강화 학습을 적용한 개선된 지시 튜닝 방법을 설명합니다. 이 단계들은 유용성, 수학 및 코드 추론, 지시 이행, 다국어 상호작용을 목표로 합니다. 학습량과 체크포인트 식별자가 다르다는 사실만으로 개별 답변의 품질이 입증되지는 않으므로 출력을 원래 과제와 비교하세요.\n\n아키텍처는 그룹 쿼리 어텐션을 사용하는 디코더 전용 트랜스포머이며, 로컬 어텐션 계층 5개와 전역 계층 1개가 반복됩니다. 로컬 계층은 1,024 토큰 범위를 사용하고 전역 어텐션은 더 긴 컨텍스트를 지원합니다. 4B, 12B, 27B 모델이 공유하는 SigLIP 비전 인코더는 이미지를 언어 모델이 처리할 수 있는 표현으로 변환합니다. SentencePiece 토크나이저는 공백을 보존하고 숫자를 분할하며 바이트 수준 인코딩을 포함합니다. 이는 코드 형식, 숫자 표기, 다국어 텍스트를 온전히 유지해야 할 때 관련이 있습니다.\n\n비전 워크플로에는 Pan and Scan도 포함됩니다. 각 뷰가 고정 해상도 인코더에 들어가기 전에 적응형 비중첩 크롭을 적용해 가로로 길거나 해상도가 높은 원본의 내용을 보존합니다. 뷰를 추가하면 처리하는 자료도 달라집니다. 기술 문서에는 읽기 쉬운 페이지를 제공하고, 필요하면 질문 대상인 표나 도표를 선명하게 보여 주세요. 일부 영역만 시각적으로 읽어도 의미를 잃지 않도록 단위, 기호, 열을 정의하는 주변 내용도 보존하세요.\n\n고유 IT 프롬프트 형식은 user와 model 턴을 사용하며 별도의 system 역할이 없습니다. 실제 대화에 지정된 포매터나 프로세서를 사용하고, 원하는 역할, 응답 규칙, 과제를 첫 user 프롬프트에 넣으세요. 문서 분석 요청의 한 예로 두 절차 설명을 비교하고 일치하는 요구 사항을 표로 반환하며 충돌을 찾도록 할 수 있습니다. 출처에 이름을 붙이고 어떤 요구 사항이 우선하는지 밝힌 뒤, 제공된 사실과 모델의 해석을 구분하도록 요청하세요.\n\n제작사 카드에 명시된 용도에는 요약, 대화 지원, 이미지 데이터 추출, 글쓰기, 학습이 포함됩니다. 다국어 설명에는 대상 독자, 용어, 상세 수준을 지정하세요. 이미지 질문에는 논의할 대상이나 관계를 명시하고 최종 답변을 뒷받침하는 관찰 내용도 요청하세요. 코드에는 실제 함수와 기대 동작을 포함하세요. 결과는 구현을 제안할 수 있지만 실행과 검증은 별도의 애플리케이션이 담당해야 합니다. 보고서는 양자화된 제품군 변형을 별도로 공개하므로 결과를 기록할 때 이 12B IT를 다른 양자화 체크포인트로 알리지 않고 대체해서는 안 됩니다.\n\n제작사는 학습 범위, 사실 오류, 언어적 뉘앙스, 복잡한 개방형 과제에서 생기는 한계를 설명합니다. Google은 그럴듯한 언어 패턴이 일상적인 현실 제약을 놓친 답변을 만들 수도 있다고 경고합니다. 작은 시각적 세부 사항이 사라지거나 잘못 읽힐 수 있으며 긴 입력에도 명확한 우선순위가 필요합니다. 원본 페이지를 보관하고 추출한 라벨과 수량을 확인하며, 구조화된 것처럼 보이는 텍스트도 데이터로 사용하기 전에 검증하세요. 대표적인 질문과 언어로 정확히 12B IT 모델을 평가하세요. 유용한 최종 결과물은 출처에 근거한 답변, 이해에 필요한 추론, 남은 불확실성을 제시하며, 생성된 설명을 완료된 도구 작업이나 실시간 지식 조회인 것처럼 표현하지 않습니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.google/gemma-3-12b-itGemma 3 12B IT는 텍스트 생성과 이미지 이해를 위한 별도의 지시 튜닝 Gemma 3 에디션입니다. 128K 컨텍스트를 함께 사용하는 문서 질의, 설명, 다국어 글쓰기에 활용하되, 12B 체크포인트와 고유 대화 형식을 명확히 유지하세요.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Gemma 3 12B IT는 Google이 지시 튜닝한 12B 규모의 비전 언어 모델입니다. 텍스트 생성, 이미지 이해, 다국어 학습을 결합한 Gemma 3 제품군에 속합니다. IT 접미사는 사전 학습 모델이 아니라 지시 이행용 체크포인트를 선택한다는 뜻입니다. 결과는 요청에 담긴 글과 시각 자료를 바탕으로 작성한 설명, 요약, 답변, 초안 또는 코드 등의 텍스트입니다.
12B 모델은 입력과 생성 응답에 제품군의 128K 토큰 컨텍스트를 함께 사용합니다. 출력에는 요청을 처리하고 남은 공간이 쓰이며, 모델 카드가 별도의 독립적인 128K 출력 창을 제공하는 것은 아닙니다. 기본 이미지 뷰는 896×896으로 정규화되며 각각 256개의 시각 토큰으로 표현됩니다. 여러 페이지를 준비할 때는 페이지 식별자를 유지하고 결과를 위한 공간을 확보하세요. 큰 창이 관련 쟁점을 자동으로 골라 줄 것이라 기대하기보다 해당 내용에 대한 구체적인 질문을 하세요.
제작사는 이 규모의 사전 학습에 12조 개의 토큰을 사용했다고 밝힙니다. 학습 자료에는 다국어 웹 문서, 코드, 수학, 이미지가 포함되며, 제품군은 140개가 넘는 언어를 다룹니다. 보고서는 지식 증류와 강화 학습을 적용한 개선된 지시 튜닝 방법을 설명합니다. 이 단계들은 유용성, 수학 및 코드 추론, 지시 이행, 다국어 상호작용을 목표로 합니다. 학습량과 체크포인트 식별자가 다르다는 사실만으로 개별 답변의 품질이 입증되지는 않으므로 출력을 원래 과제와 비교하세요.
아키텍처는 그룹 쿼리 어텐션을 사용하는 디코더 전용 트랜스포머이며, 로컬 어텐션 계층 5개와 전역 계층 1개가 반복됩니다. 로컬 계층은 1,024 토큰 범위를 사용하고 전역 어텐션은 더 긴 컨텍스트를 지원합니다. 4B, 12B, 27B 모델이 공유하는 SigLIP 비전 인코더는 이미지를 언어 모델이 처리할 수 있는 표현으로 변환합니다. SentencePiece 토크나이저는 공백을 보존하고 숫자를 분할하며 바이트 수준 인코딩을 포함합니다. 이는 코드 형식, 숫자 표기, 다국어 텍스트를 온전히 유지해야 할 때 관련이 있습니다.
비전 워크플로에는 Pan and Scan도 포함됩니다. 각 뷰가 고정 해상도 인코더에 들어가기 전에 적응형 비중첩 크롭을 적용해 가로로 길거나 해상도가 높은 원본의 내용을 보존합니다. 뷰를 추가하면 처리하는 자료도 달라집니다. 기술 문서에는 읽기 쉬운 페이지를 제공하고, 필요하면 질문 대상인 표나 도표를 선명하게 보여 주세요. 일부 영역만 시각적으로 읽어도 의미를 잃지 않도록 단위, 기호, 열을 정의하는 주변 내용도 보존하세요.
고유 IT 프롬프트 형식은 user와 model 턴을 사용하며 별도의 system 역할이 없습니다. 실제 대화에 지정된 포매터나 프로세서를 사용하고, 원하는 역할, 응답 규칙, 과제를 첫 user 프롬프트에 넣으세요. 문서 분석 요청의 한 예로 두 절차 설명을 비교하고 일치하는 요구 사항을 표로 반환하며 충돌을 찾도록 할 수 있습니다. 출처에 이름을 붙이고 어떤 요구 사항이 우선하는지 밝힌 뒤, 제공된 사실과 모델의 해석을 구분하도록 요청하세요.
제작사 카드에 명시된 용도에는 요약, 대화 지원, 이미지 데이터 추출, 글쓰기, 학습이 포함됩니다. 다국어 설명에는 대상 독자, 용어, 상세 수준을 지정하세요. 이미지 질문에는 논의할 대상이나 관계를 명시하고 최종 답변을 뒷받침하는 관찰 내용도 요청하세요. 코드에는 실제 함수와 기대 동작을 포함하세요. 결과는 구현을 제안할 수 있지만 실행과 검증은 별도의 애플리케이션이 담당해야 합니다. 보고서는 양자화된 제품군 변형을 별도로 공개하므로 결과를 기록할 때 이 12B IT를 다른 양자화 체크포인트로 알리지 않고 대체해서는 안 됩니다.
제작사는 학습 범위, 사실 오류, 언어적 뉘앙스, 복잡한 개방형 과제에서 생기는 한계를 설명합니다. Google은 그럴듯한 언어 패턴이 일상적인 현실 제약을 놓친 답변을 만들 수도 있다고 경고합니다. 작은 시각적 세부 사항이 사라지거나 잘못 읽힐 수 있으며 긴 입력에도 명확한 우선순위가 필요합니다. 원본 페이지를 보관하고 추출한 라벨과 수량을 확인하며, 구조화된 것처럼 보이는 텍스트도 데이터로 사용하기 전에 검증하세요. 대표적인 질문과 언어로 정확히 12B IT 모델을 평가하세요. 유용한 최종 결과물은 출처에 근거한 답변, 이해에 필요한 추론, 남은 불확실성을 제시하며, 생성된 설명을 완료된 도구 작업이나 실시간 지식 조회인 것처럼 표현하지 않습니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 google/gemma-3-12b-it | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0001 / 1K 토큰 출력 · 출력 토큰 $0.0003 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0001 / 1K 토큰 출력 · 출력 토큰 $0.0003 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-12b-it", "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='google/gemma-3-12b-it',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='google/gemma-3-12b-it',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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra google/gemma-3-12b-it
위에 표시된 메서드 경로를 사용하세요.
google/gemma-3-12b-itGemma 3 12B IT는 텍스트 생성과 이미지 이해를 위한 별도의 지시 튜닝 Gemma 3 에디션입니다. 128K 컨텍스트를 함께 사용하는 문서 질의, 설명, 다국어 글쓰기에 활용하되, 12B 체크포인트와 고유 대화 형식을 명확히 유지하세요.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Gemma 3 12B IT는 Google이 지시 튜닝한 12B 규모의 비전 언어 모델입니다. 텍스트 생성, 이미지 이해, 다국어 학습을 결합한 Gemma 3 제품군에 속합니다. IT 접미사는 사전 학습 모델이 아니라 지시 이행용 체크포인트를 선택한다는 뜻입니다. 결과는 요청에 담긴 글과 시각 자료를 바탕으로 작성한 설명, 요약, 답변, 초안 또는 코드 등의 텍스트입니다.
12B 모델은 입력과 생성 응답에 제품군의 128K 토큰 컨텍스트를 함께 사용합니다. 출력에는 요청을 처리하고 남은 공간이 쓰이며, 모델 카드가 별도의 독립적인 128K 출력 창을 제공하는 것은 아닙니다. 기본 이미지 뷰는 896×896으로 정규화되며 각각 256개의 시각 토큰으로 표현됩니다. 여러 페이지를 준비할 때는 페이지 식별자를 유지하고 결과를 위한 공간을 확보하세요. 큰 창이 관련 쟁점을 자동으로 골라 줄 것이라 기대하기보다 해당 내용에 대한 구체적인 질문을 하세요.
제작사는 이 규모의 사전 학습에 12조 개의 토큰을 사용했다고 밝힙니다. 학습 자료에는 다국어 웹 문서, 코드, 수학, 이미지가 포함되며, 제품군은 140개가 넘는 언어를 다룹니다. 보고서는 지식 증류와 강화 학습을 적용한 개선된 지시 튜닝 방법을 설명합니다. 이 단계들은 유용성, 수학 및 코드 추론, 지시 이행, 다국어 상호작용을 목표로 합니다. 학습량과 체크포인트 식별자가 다르다는 사실만으로 개별 답변의 품질이 입증되지는 않으므로 출력을 원래 과제와 비교하세요.
아키텍처는 그룹 쿼리 어텐션을 사용하는 디코더 전용 트랜스포머이며, 로컬 어텐션 계층 5개와 전역 계층 1개가 반복됩니다. 로컬 계층은 1,024 토큰 범위를 사용하고 전역 어텐션은 더 긴 컨텍스트를 지원합니다. 4B, 12B, 27B 모델이 공유하는 SigLIP 비전 인코더는 이미지를 언어 모델이 처리할 수 있는 표현으로 변환합니다. SentencePiece 토크나이저는 공백을 보존하고 숫자를 분할하며 바이트 수준 인코딩을 포함합니다. 이는 코드 형식, 숫자 표기, 다국어 텍스트를 온전히 유지해야 할 때 관련이 있습니다.
비전 워크플로에는 Pan and Scan도 포함됩니다. 각 뷰가 고정 해상도 인코더에 들어가기 전에 적응형 비중첩 크롭을 적용해 가로로 길거나 해상도가 높은 원본의 내용을 보존합니다. 뷰를 추가하면 처리하는 자료도 달라집니다. 기술 문서에는 읽기 쉬운 페이지를 제공하고, 필요하면 질문 대상인 표나 도표를 선명하게 보여 주세요. 일부 영역만 시각적으로 읽어도 의미를 잃지 않도록 단위, 기호, 열을 정의하는 주변 내용도 보존하세요.
고유 IT 프롬프트 형식은 user와 model 턴을 사용하며 별도의 system 역할이 없습니다. 실제 대화에 지정된 포매터나 프로세서를 사용하고, 원하는 역할, 응답 규칙, 과제를 첫 user 프롬프트에 넣으세요. 문서 분석 요청의 한 예로 두 절차 설명을 비교하고 일치하는 요구 사항을 표로 반환하며 충돌을 찾도록 할 수 있습니다. 출처에 이름을 붙이고 어떤 요구 사항이 우선하는지 밝힌 뒤, 제공된 사실과 모델의 해석을 구분하도록 요청하세요.
제작사 카드에 명시된 용도에는 요약, 대화 지원, 이미지 데이터 추출, 글쓰기, 학습이 포함됩니다. 다국어 설명에는 대상 독자, 용어, 상세 수준을 지정하세요. 이미지 질문에는 논의할 대상이나 관계를 명시하고 최종 답변을 뒷받침하는 관찰 내용도 요청하세요. 코드에는 실제 함수와 기대 동작을 포함하세요. 결과는 구현을 제안할 수 있지만 실행과 검증은 별도의 애플리케이션이 담당해야 합니다. 보고서는 양자화된 제품군 변형을 별도로 공개하므로 결과를 기록할 때 이 12B IT를 다른 양자화 체크포인트로 알리지 않고 대체해서는 안 됩니다.
제작사는 학습 범위, 사실 오류, 언어적 뉘앙스, 복잡한 개방형 과제에서 생기는 한계를 설명합니다. Google은 그럴듯한 언어 패턴이 일상적인 현실 제약을 놓친 답변을 만들 수도 있다고 경고합니다. 작은 시각적 세부 사항이 사라지거나 잘못 읽힐 수 있으며 긴 입력에도 명확한 우선순위가 필요합니다. 원본 페이지를 보관하고 추출한 라벨과 수량을 확인하며, 구조화된 것처럼 보이는 텍스트도 데이터로 사용하기 전에 검증하세요. 대표적인 질문과 언어로 정확히 12B IT 모델을 평가하세요. 유용한 최종 결과물은 출처에 근거한 답변, 이해에 필요한 추론, 남은 불확실성을 제시하며, 생성된 설명을 완료된 도구 작업이나 실시간 지식 조회인 것처럼 표현하지 않습니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 google/gemma-3-12b-it | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0001 / 1K 토큰 출력 · 출력 토큰 $0.0003 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0001 / 1K 토큰 출력 · 출력 토큰 $0.0003 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "google/gemma-3-12b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'google/gemma-3-12b-it', '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': 'google/gemma-3-12b-it', '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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra google/gemma-3-12b-it
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.