Gemma 3 27B IT는 Google의 Gemma 3 계열에 속하는 27B 규모의 지시 튜닝 버전입니다. 텍스트 생성과 이미지 이해를 결합하며, 사전 학습된 27B 체크포인트 및 더 작은 4B, 12B IT 모델과 구분됩니다. 출력은 자료에 근거한 설명, 요약, 문서 초안, 답변 또는 코드 제안과 같은 텍스트입니다. 지시 튜닝 모델은 단순히 입력 뒤의 텍스트를 이어 쓰는 데 그치지 않고 대화와 요청한 작업을 따르도록 설계되었습니다.
개발사의 모델 카드에는 이 규모의 총 컨텍스트가 128K토큰으로 명시되어 있습니다. 입력과 출력이 이 용량을 공유하므로, 생성되는 답변은 요청을 입력한 뒤 남은 공간을 사용합니다. 많은 자료를 제공할 때는 자료 식별자를 유지하면서 요청한 결과가 들어갈 공간도 남겨야 합니다. 기본 처리 경로에서는 이미지 뷰를 896×896으로 정규화하고 256개 시각 토큰으로 인코딩합니다. 텍스트와 이미지를 함께 분석할 때는 모델이 하나의 일관된 질문에 답할 수 있도록 페이지 이미지, 도표 또는 스크린샷이 텍스트 자료와 어떻게 연결되는지 설명하세요.
27B 모델의 공개된 사전 학습 토큰 예산은 14조 토큰입니다. 이 계열의 학습 데이터에는 140개가 넘는 언어의 웹 문서, 코드, 수학, 이미지가 포함됩니다. 학습에는 지식 증류를 사용하며, 후속 학습 절차에서는 지시 이행 학습과 함께 유용성, 수학, 코딩, 추론, 다국어 동작을 위한 강화학습 목표를 추가합니다. 이러한 사실은 개발사의 모델 개발 과정을 설명합니다. 생성된 주장을 원문 자료와 대조하거나 제안된 프로그램을 실제로 사용할 입력으로 실행해 확인하는 과정을 대신하지는 않습니다.
기술 보고서는 그룹 쿼리 어텐션과 전역 어텐션 레이어 1개당 로컬 어텐션 레이어 5개를 갖춘 디코더 전용 트랜스포머를 설명합니다. 로컬 어텐션의 범위는 1,024토큰이며, 전역 레이어는 더 긴 컨텍스트 내의 상호 작용을 처리합니다. 이 계열이 공유하는 SigLIP 이미지 인코더는 시각 입력을 언어 모델이 사용할 수 있는 형태로 표현합니다. SentencePiece 토크나이저는 숫자를 자릿수별로 분리하고 공백을 보존하며 바이트 수준 인코딩을 사용합니다. 해석에 영향을 주는 경우 수치 표기, 코드 들여쓰기, 원문 언어의 용어를 그대로 유지하세요.
정사각형이 아니거나 세부 정보가 많은 이미지에 대해서는 보고서에서 Pan and Scan을 설명합니다. 시각 인코더용 이미지 뷰의 크기를 조정하기 전에 서로 겹치지 않는 크롭을 추가할 수 있습니다. 이 방식은 이미지를 한 번에 정사각형으로 축소할 때 사라질 수 있는 작은 내용을 보존하는 데 도움이 되지만, 실제 처리 설정이 중요합니다. 연구 또는 기술 문서 작업에서는 전체 페이지와 세부 내용을 읽을 수 있는 도표 확대 부분을 함께 제공하고, 둘의 관계를 라벨로 표시할 수 있습니다. 눈에 보이는 값, 텍스트에 명시된 관련 조건, 두 근거가 함께 뒷받침하는 결론을 답변에서 식별하도록 요청하세요.
user 및 model 턴으로 구성된 개발사의 네이티브 IT 대화 형식을 사용하세요. 이 형식은 별도의 system 턴을 지원하지 않으므로, 역할과 응답 지침을 첫 user 메시지에 넣고 지정된 형식 처리 경로를 사용하세요. 긴 보고서를 다룰 때는 질문, 비교할 절, 자료가 서로 일치하지 않을 때 적용할 우선순위 규칙을 명시하세요. 직접 구성할 수 있는 예시 작업으로는 문서로 작성된 사양과 도표의 내용을 대조·조정하고, 요구 사항 표, 불일치 목록, 제안된 해결책에 필요한 가정을 반환하도록 요청하는 것이 있습니다.
의도된 활용 분야에는 글쓰기, 요약, 대화, 이미지 데이터 추출, 교육 또는 연구 목적의 탐색이 포함됩니다. 코드 분석에서는 실제 모듈, 입력 예시, 인터페이스 제약을 제공한 뒤, 이 사실들에 근거한 설명이나 변경 제안을 요청하세요. 다국어 글쓰기에서는 대상 독자와 그대로 유지해야 할 용어를 지정하세요. 시각적 질문에서는 전반적인 그림 설명보다 이름으로 지정한 요소에 연결된 관찰을 요청하세요. 이 계열의 양자화된 체크포인트는 별도로 공개된 산출물이므로, 결과를 비교할 때는 정확한 27B IT 모델 식별 정보와 처리 설정을 유지하세요.
개발사는 모델이 부정확하거나 오래된 사실을 제시할 수 있으며, 모호함, 뉘앙스, 범위가 매우 열린 지시를 처리하는 데 어려움을 겪을 수 있다고 설명합니다. Google은 그럴듯한 언어 패턴에 따라 생성된 답변이 일상적인 현실의 제약을 놓칠 수도 있다고 경고합니다. 더 많은 컨텍스트는 관련 조건이 명확할 때만 도움이 됩니다. 원문 자료를 계속 참조할 수 있게 유지하고, 추출한 데이터와 계산을 검증하며, 구조화된 것처럼 보이는 응답도 레코드로 처리하기 전에 확인하세요. 여러 자료에 근거한 설명에서는 제공된 근거, 해석, 누락된 정보를 구분해야 합니다. 이 27B 프로필은 미리 준비한 텍스트 및 이미지 추론 작업을 지원합니다. 애플리케이션이 수행하는 검색, 도구 실행 또는 사실 정보 업데이트에는 각각 실제로 반환된 근거가 필요하며, 유창한 출력만으로 그러한 작업이 수행되었다고 추론해서는 안 됩니다.
", "aboutText": "Gemma 3 27B IT는 Google의 Gemma 3 계열에 속하는 27B 규모의 지시 튜닝 버전입니다. 텍스트 생성과 이미지 이해를 결합하며, 사전 학습된 27B 체크포인트 및 더 작은 4B, 12B IT 모델과 구분됩니다. 출력은 자료에 근거한 설명, 요약, 문서 초안, 답변 또는 코드 제안과 같은 텍스트입니다. 지시 튜닝 모델은 단순히 입력 뒤의 텍스트를 이어 쓰는 데 그치지 않고 대화와 요청한 작업을 따르도록 설계되었습니다.\n\n개발사의 모델 카드에는 이 규모의 총 컨텍스트가 128K토큰으로 명시되어 있습니다. 입력과 출력이 이 용량을 공유하므로, 생성되는 답변은 요청을 입력한 뒤 남은 공간을 사용합니다. 많은 자료를 제공할 때는 자료 식별자를 유지하면서 요청한 결과가 들어갈 공간도 남겨야 합니다. 기본 처리 경로에서는 이미지 뷰를 896×896으로 정규화하고 256개 시각 토큰으로 인코딩합니다. 텍스트와 이미지를 함께 분석할 때는 모델이 하나의 일관된 질문에 답할 수 있도록 페이지 이미지, 도표 또는 스크린샷이 텍스트 자료와 어떻게 연결되는지 설명하세요.\n\n27B 모델의 공개된 사전 학습 토큰 예산은 14조 토큰입니다. 이 계열의 학습 데이터에는 140개가 넘는 언어의 웹 문서, 코드, 수학, 이미지가 포함됩니다. 학습에는 지식 증류를 사용하며, 후속 학습 절차에서는 지시 이행 학습과 함께 유용성, 수학, 코딩, 추론, 다국어 동작을 위한 강화학습 목표를 추가합니다. 이러한 사실은 개발사의 모델 개발 과정을 설명합니다. 생성된 주장을 원문 자료와 대조하거나 제안된 프로그램을 실제로 사용할 입력으로 실행해 확인하는 과정을 대신하지는 않습니다.\n\n기술 보고서는 그룹 쿼리 어텐션과 전역 어텐션 레이어 1개당 로컬 어텐션 레이어 5개를 갖춘 디코더 전용 트랜스포머를 설명합니다. 로컬 어텐션의 범위는 1,024토큰이며, 전역 레이어는 더 긴 컨텍스트 내의 상호 작용을 처리합니다. 이 계열이 공유하는 SigLIP 이미지 인코더는 시각 입력을 언어 모델이 사용할 수 있는 형태로 표현합니다. SentencePiece 토크나이저는 숫자를 자릿수별로 분리하고 공백을 보존하며 바이트 수준 인코딩을 사용합니다. 해석에 영향을 주는 경우 수치 표기, 코드 들여쓰기, 원문 언어의 용어를 그대로 유지하세요.\n\n정사각형이 아니거나 세부 정보가 많은 이미지에 대해서는 보고서에서 Pan and Scan을 설명합니다. 시각 인코더용 이미지 뷰의 크기를 조정하기 전에 서로 겹치지 않는 크롭을 추가할 수 있습니다. 이 방식은 이미지를 한 번에 정사각형으로 축소할 때 사라질 수 있는 작은 내용을 보존하는 데 도움이 되지만, 실제 처리 설정이 중요합니다. 연구 또는 기술 문서 작업에서는 전체 페이지와 세부 내용을 읽을 수 있는 도표 확대 부분을 함께 제공하고, 둘의 관계를 라벨로 표시할 수 있습니다. 눈에 보이는 값, 텍스트에 명시된 관련 조건, 두 근거가 함께 뒷받침하는 결론을 답변에서 식별하도록 요청하세요.\n\nuser 및 model 턴으로 구성된 개발사의 네이티브 IT 대화 형식을 사용하세요. 이 형식은 별도의 system 턴을 지원하지 않으므로, 역할과 응답 지침을 첫 user 메시지에 넣고 지정된 형식 처리 경로를 사용하세요. 긴 보고서를 다룰 때는 질문, 비교할 절, 자료가 서로 일치하지 않을 때 적용할 우선순위 규칙을 명시하세요. 직접 구성할 수 있는 예시 작업으로는 문서로 작성된 사양과 도표의 내용을 대조·조정하고, 요구 사항 표, 불일치 목록, 제안된 해결책에 필요한 가정을 반환하도록 요청하는 것이 있습니다.\n\n의도된 활용 분야에는 글쓰기, 요약, 대화, 이미지 데이터 추출, 교육 또는 연구 목적의 탐색이 포함됩니다. 코드 분석에서는 실제 모듈, 입력 예시, 인터페이스 제약을 제공한 뒤, 이 사실들에 근거한 설명이나 변경 제안을 요청하세요. 다국어 글쓰기에서는 대상 독자와 그대로 유지해야 할 용어를 지정하세요. 시각적 질문에서는 전반적인 그림 설명보다 이름으로 지정한 요소에 연결된 관찰을 요청하세요. 이 계열의 양자화된 체크포인트는 별도로 공개된 산출물이므로, 결과를 비교할 때는 정확한 27B IT 모델 식별 정보와 처리 설정을 유지하세요.\n\n개발사는 모델이 부정확하거나 오래된 사실을 제시할 수 있으며, 모호함, 뉘앙스, 범위가 매우 열린 지시를 처리하는 데 어려움을 겪을 수 있다고 설명합니다. Google은 그럴듯한 언어 패턴에 따라 생성된 답변이 일상적인 현실의 제약을 놓칠 수도 있다고 경고합니다. 더 많은 컨텍스트는 관련 조건이 명확할 때만 도움이 됩니다. 원문 자료를 계속 참조할 수 있게 유지하고, 추출한 데이터와 계산을 검증하며, 구조화된 것처럼 보이는 응답도 레코드로 처리하기 전에 확인하세요. 여러 자료에 근거한 설명에서는 제공된 근거, 해석, 누락된 정보를 구분해야 합니다. 이 27B 프로필은 미리 준비한 텍스트 및 이미지 추론 작업을 지원합니다. 애플리케이션이 수행하는 검색, 도구 실행 또는 사실 정보 업데이트에는 각각 실제로 반환된 근거가 필요하며, 유창한 출력만으로 그러한 작업이 수행되었다고 추론해서는 안 됩니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.google/gemma-3-27b-itGemma 3 27B IT는 Google의 Gemma 3 계열에서 지시 튜닝된 27B 크기 모델입니다. 텍스트와 이미지를 입력받고, 공유 128K 컨텍스트와 계열의 다국어 범위를 통해 긴 원본 분석, 작성, 코드, 시각 질문을 위한 텍스트를 생성합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Gemma 3 27B IT는 Google의 Gemma 3 계열에 속하는 27B 규모의 지시 튜닝 버전입니다. 텍스트 생성과 이미지 이해를 결합하며, 사전 학습된 27B 체크포인트 및 더 작은 4B, 12B IT 모델과 구분됩니다. 출력은 자료에 근거한 설명, 요약, 문서 초안, 답변 또는 코드 제안과 같은 텍스트입니다. 지시 튜닝 모델은 단순히 입력 뒤의 텍스트를 이어 쓰는 데 그치지 않고 대화와 요청한 작업을 따르도록 설계되었습니다.
개발사의 모델 카드에는 이 규모의 총 컨텍스트가 128K토큰으로 명시되어 있습니다. 입력과 출력이 이 용량을 공유하므로, 생성되는 답변은 요청을 입력한 뒤 남은 공간을 사용합니다. 많은 자료를 제공할 때는 자료 식별자를 유지하면서 요청한 결과가 들어갈 공간도 남겨야 합니다. 기본 처리 경로에서는 이미지 뷰를 896×896으로 정규화하고 256개 시각 토큰으로 인코딩합니다. 텍스트와 이미지를 함께 분석할 때는 모델이 하나의 일관된 질문에 답할 수 있도록 페이지 이미지, 도표 또는 스크린샷이 텍스트 자료와 어떻게 연결되는지 설명하세요.
27B 모델의 공개된 사전 학습 토큰 예산은 14조 토큰입니다. 이 계열의 학습 데이터에는 140개가 넘는 언어의 웹 문서, 코드, 수학, 이미지가 포함됩니다. 학습에는 지식 증류를 사용하며, 후속 학습 절차에서는 지시 이행 학습과 함께 유용성, 수학, 코딩, 추론, 다국어 동작을 위한 강화학습 목표를 추가합니다. 이러한 사실은 개발사의 모델 개발 과정을 설명합니다. 생성된 주장을 원문 자료와 대조하거나 제안된 프로그램을 실제로 사용할 입력으로 실행해 확인하는 과정을 대신하지는 않습니다.
기술 보고서는 그룹 쿼리 어텐션과 전역 어텐션 레이어 1개당 로컬 어텐션 레이어 5개를 갖춘 디코더 전용 트랜스포머를 설명합니다. 로컬 어텐션의 범위는 1,024토큰이며, 전역 레이어는 더 긴 컨텍스트 내의 상호 작용을 처리합니다. 이 계열이 공유하는 SigLIP 이미지 인코더는 시각 입력을 언어 모델이 사용할 수 있는 형태로 표현합니다. SentencePiece 토크나이저는 숫자를 자릿수별로 분리하고 공백을 보존하며 바이트 수준 인코딩을 사용합니다. 해석에 영향을 주는 경우 수치 표기, 코드 들여쓰기, 원문 언어의 용어를 그대로 유지하세요.
정사각형이 아니거나 세부 정보가 많은 이미지에 대해서는 보고서에서 Pan and Scan을 설명합니다. 시각 인코더용 이미지 뷰의 크기를 조정하기 전에 서로 겹치지 않는 크롭을 추가할 수 있습니다. 이 방식은 이미지를 한 번에 정사각형으로 축소할 때 사라질 수 있는 작은 내용을 보존하는 데 도움이 되지만, 실제 처리 설정이 중요합니다. 연구 또는 기술 문서 작업에서는 전체 페이지와 세부 내용을 읽을 수 있는 도표 확대 부분을 함께 제공하고, 둘의 관계를 라벨로 표시할 수 있습니다. 눈에 보이는 값, 텍스트에 명시된 관련 조건, 두 근거가 함께 뒷받침하는 결론을 답변에서 식별하도록 요청하세요.
user 및 model 턴으로 구성된 개발사의 네이티브 IT 대화 형식을 사용하세요. 이 형식은 별도의 system 턴을 지원하지 않으므로, 역할과 응답 지침을 첫 user 메시지에 넣고 지정된 형식 처리 경로를 사용하세요. 긴 보고서를 다룰 때는 질문, 비교할 절, 자료가 서로 일치하지 않을 때 적용할 우선순위 규칙을 명시하세요. 직접 구성할 수 있는 예시 작업으로는 문서로 작성된 사양과 도표의 내용을 대조·조정하고, 요구 사항 표, 불일치 목록, 제안된 해결책에 필요한 가정을 반환하도록 요청하는 것이 있습니다.
의도된 활용 분야에는 글쓰기, 요약, 대화, 이미지 데이터 추출, 교육 또는 연구 목적의 탐색이 포함됩니다. 코드 분석에서는 실제 모듈, 입력 예시, 인터페이스 제약을 제공한 뒤, 이 사실들에 근거한 설명이나 변경 제안을 요청하세요. 다국어 글쓰기에서는 대상 독자와 그대로 유지해야 할 용어를 지정하세요. 시각적 질문에서는 전반적인 그림 설명보다 이름으로 지정한 요소에 연결된 관찰을 요청하세요. 이 계열의 양자화된 체크포인트는 별도로 공개된 산출물이므로, 결과를 비교할 때는 정확한 27B IT 모델 식별 정보와 처리 설정을 유지하세요.
개발사는 모델이 부정확하거나 오래된 사실을 제시할 수 있으며, 모호함, 뉘앙스, 범위가 매우 열린 지시를 처리하는 데 어려움을 겪을 수 있다고 설명합니다. Google은 그럴듯한 언어 패턴에 따라 생성된 답변이 일상적인 현실의 제약을 놓칠 수도 있다고 경고합니다. 더 많은 컨텍스트는 관련 조건이 명확할 때만 도움이 됩니다. 원문 자료를 계속 참조할 수 있게 유지하고, 추출한 데이터와 계산을 검증하며, 구조화된 것처럼 보이는 응답도 레코드로 처리하기 전에 확인하세요. 여러 자료에 근거한 설명에서는 제공된 근거, 해석, 누락된 정보를 구분해야 합니다. 이 27B 프로필은 미리 준비한 텍스트 및 이미지 추론 작업을 지원합니다. 애플리케이션이 수행하는 검색, 도구 실행 또는 사실 정보 업데이트에는 각각 실제로 반환된 근거가 필요하며, 유창한 출력만으로 그러한 작업이 수행되었다고 추론해서는 안 됩니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 google/gemma-3-27b-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 $0.00016 / 1K 토큰 출력 · 출력 토큰 $0.0007 / 1K 토큰 입력 · 캐시 읽기 $0.00008 / 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 $0.00016 / 1K 토큰 출력 · 출력 토큰 $0.0007 / 1K 토큰 입력 · 캐시 읽기 $0.00008 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-27b-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-3-27b-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-3-27b-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-3-27b-it
위에 표시된 메서드 경로를 사용하세요.
google/gemma-3-27b-itGemma 3 27B IT는 Google의 Gemma 3 계열에서 지시 튜닝된 27B 크기 모델입니다. 텍스트와 이미지를 입력받고, 공유 128K 컨텍스트와 계열의 다국어 범위를 통해 긴 원본 분석, 작성, 코드, 시각 질문을 위한 텍스트를 생성합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Gemma 3 27B IT는 Google의 Gemma 3 계열에 속하는 27B 규모의 지시 튜닝 버전입니다. 텍스트 생성과 이미지 이해를 결합하며, 사전 학습된 27B 체크포인트 및 더 작은 4B, 12B IT 모델과 구분됩니다. 출력은 자료에 근거한 설명, 요약, 문서 초안, 답변 또는 코드 제안과 같은 텍스트입니다. 지시 튜닝 모델은 단순히 입력 뒤의 텍스트를 이어 쓰는 데 그치지 않고 대화와 요청한 작업을 따르도록 설계되었습니다.
개발사의 모델 카드에는 이 규모의 총 컨텍스트가 128K토큰으로 명시되어 있습니다. 입력과 출력이 이 용량을 공유하므로, 생성되는 답변은 요청을 입력한 뒤 남은 공간을 사용합니다. 많은 자료를 제공할 때는 자료 식별자를 유지하면서 요청한 결과가 들어갈 공간도 남겨야 합니다. 기본 처리 경로에서는 이미지 뷰를 896×896으로 정규화하고 256개 시각 토큰으로 인코딩합니다. 텍스트와 이미지를 함께 분석할 때는 모델이 하나의 일관된 질문에 답할 수 있도록 페이지 이미지, 도표 또는 스크린샷이 텍스트 자료와 어떻게 연결되는지 설명하세요.
27B 모델의 공개된 사전 학습 토큰 예산은 14조 토큰입니다. 이 계열의 학습 데이터에는 140개가 넘는 언어의 웹 문서, 코드, 수학, 이미지가 포함됩니다. 학습에는 지식 증류를 사용하며, 후속 학습 절차에서는 지시 이행 학습과 함께 유용성, 수학, 코딩, 추론, 다국어 동작을 위한 강화학습 목표를 추가합니다. 이러한 사실은 개발사의 모델 개발 과정을 설명합니다. 생성된 주장을 원문 자료와 대조하거나 제안된 프로그램을 실제로 사용할 입력으로 실행해 확인하는 과정을 대신하지는 않습니다.
기술 보고서는 그룹 쿼리 어텐션과 전역 어텐션 레이어 1개당 로컬 어텐션 레이어 5개를 갖춘 디코더 전용 트랜스포머를 설명합니다. 로컬 어텐션의 범위는 1,024토큰이며, 전역 레이어는 더 긴 컨텍스트 내의 상호 작용을 처리합니다. 이 계열이 공유하는 SigLIP 이미지 인코더는 시각 입력을 언어 모델이 사용할 수 있는 형태로 표현합니다. SentencePiece 토크나이저는 숫자를 자릿수별로 분리하고 공백을 보존하며 바이트 수준 인코딩을 사용합니다. 해석에 영향을 주는 경우 수치 표기, 코드 들여쓰기, 원문 언어의 용어를 그대로 유지하세요.
정사각형이 아니거나 세부 정보가 많은 이미지에 대해서는 보고서에서 Pan and Scan을 설명합니다. 시각 인코더용 이미지 뷰의 크기를 조정하기 전에 서로 겹치지 않는 크롭을 추가할 수 있습니다. 이 방식은 이미지를 한 번에 정사각형으로 축소할 때 사라질 수 있는 작은 내용을 보존하는 데 도움이 되지만, 실제 처리 설정이 중요합니다. 연구 또는 기술 문서 작업에서는 전체 페이지와 세부 내용을 읽을 수 있는 도표 확대 부분을 함께 제공하고, 둘의 관계를 라벨로 표시할 수 있습니다. 눈에 보이는 값, 텍스트에 명시된 관련 조건, 두 근거가 함께 뒷받침하는 결론을 답변에서 식별하도록 요청하세요.
user 및 model 턴으로 구성된 개발사의 네이티브 IT 대화 형식을 사용하세요. 이 형식은 별도의 system 턴을 지원하지 않으므로, 역할과 응답 지침을 첫 user 메시지에 넣고 지정된 형식 처리 경로를 사용하세요. 긴 보고서를 다룰 때는 질문, 비교할 절, 자료가 서로 일치하지 않을 때 적용할 우선순위 규칙을 명시하세요. 직접 구성할 수 있는 예시 작업으로는 문서로 작성된 사양과 도표의 내용을 대조·조정하고, 요구 사항 표, 불일치 목록, 제안된 해결책에 필요한 가정을 반환하도록 요청하는 것이 있습니다.
의도된 활용 분야에는 글쓰기, 요약, 대화, 이미지 데이터 추출, 교육 또는 연구 목적의 탐색이 포함됩니다. 코드 분석에서는 실제 모듈, 입력 예시, 인터페이스 제약을 제공한 뒤, 이 사실들에 근거한 설명이나 변경 제안을 요청하세요. 다국어 글쓰기에서는 대상 독자와 그대로 유지해야 할 용어를 지정하세요. 시각적 질문에서는 전반적인 그림 설명보다 이름으로 지정한 요소에 연결된 관찰을 요청하세요. 이 계열의 양자화된 체크포인트는 별도로 공개된 산출물이므로, 결과를 비교할 때는 정확한 27B IT 모델 식별 정보와 처리 설정을 유지하세요.
개발사는 모델이 부정확하거나 오래된 사실을 제시할 수 있으며, 모호함, 뉘앙스, 범위가 매우 열린 지시를 처리하는 데 어려움을 겪을 수 있다고 설명합니다. Google은 그럴듯한 언어 패턴에 따라 생성된 답변이 일상적인 현실의 제약을 놓칠 수도 있다고 경고합니다. 더 많은 컨텍스트는 관련 조건이 명확할 때만 도움이 됩니다. 원문 자료를 계속 참조할 수 있게 유지하고, 추출한 데이터와 계산을 검증하며, 구조화된 것처럼 보이는 응답도 레코드로 처리하기 전에 확인하세요. 여러 자료에 근거한 설명에서는 제공된 근거, 해석, 누락된 정보를 구분해야 합니다. 이 27B 프로필은 미리 준비한 텍스트 및 이미지 추론 작업을 지원합니다. 애플리케이션이 수행하는 검색, 도구 실행 또는 사실 정보 업데이트에는 각각 실제로 반환된 근거가 필요하며, 유창한 출력만으로 그러한 작업이 수행되었다고 추론해서는 안 됩니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 google/gemma-3-27b-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 $0.00016 / 1K 토큰 출력 · 출력 토큰 $0.0007 / 1K 토큰 입력 · 캐시 읽기 $0.00008 / 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 $0.00016 / 1K 토큰 출력 · 출력 토큰 $0.0007 / 1K 토큰 입력 · 캐시 읽기 $0.00008 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "google/gemma-3-27b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-27b-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-3-27b-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-3-27b-it
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.