Gemma 4 26B A4B IT는 공개 Gemma 4 계열에 속하는 Google DeepMind의 지시 튜닝 전문가 혼합 모델입니다. 공식 아키텍처 표에는 총 파라미터 252억 개와 활성 파라미터 38억 개가 명시되어 있으며, A4B는 활성 파라미터 수를 반올림한 규모를 나타냅니다. 추론, 코딩, 에이전트 워크플로, 멀티모달 이해를 위한 모델로, 사전 학습 버전 및 밀집형 31B 모델과 구분됩니다.
전문가 혼합 설계에서는 추론 단계마다 파라미터의 일부만 활성화합니다. 공개된 아키텍처 표에 따르면 전문가 128개 중 8개와 공유 전문가 1개가 활성화됩니다. Google은 이 버전을 밀집형 모델보다 효율적인 추론에 초점을 맞춰 소개합니다. 30개 레이어로 구성된 아키텍처와 1,024토큰 슬라이딩 윈도우를 전역 어텐션, 256K 컨텍스트, 시각 인코더와 결합합니다. 이러한 아키텍처 수치는 개발사의 모델을 설명하며, 특정 애플리케이션의 지연 시간이나 하드웨어 구성을 보장하지 않습니다.
256K토큰 컨텍스트를 활용하면 방대한 텍스트와 시각적 근거를 함께 다루는 작업을 수행할 수 있습니다. 하나의 프롬프트에 이미지와 텍스트를 번갈아 배치할 수 있으며, 개발사는 최상의 결과를 위해 관련 텍스트보다 이미지 내용을 먼저 배치하도록 권장합니다. 시각 작업에는 객체 탐지, 문서 페이지 해석, 화면 및 인터페이스 이해, 차트, 다국어 OCR, 필기 인식, 위치 가리키기가 포함됩니다. 출력은 추출한 내용, 설명, 코드 또는 제안된 도구 작업을 담은 텍스트입니다.
영상 이해는 일련의 프레임을 처리하는 방식으로 이루어집니다. 모델 카드에는 초당 1프레임으로 이미지를 처리할 때 최대 60초까지 지원한다고 명시되어 있습니다. 관련 장면을 준비하고 프레임 순서를 유지한 뒤, 눈에 보이는 장면의 흐름에 관한 질문을 제공하세요. 이 26B/31B 시각 프로필은 오디오를 입력받지 않습니다. 더 작은 Gemma 4 변형 중 오디오를 지원하는 모델의 음성 기능은 여기에 적용되지 않습니다. 음성으로 전달된 정보가 필요한 작업이라면 음성 전사문을 텍스트로 추가하세요.
사고 기능을 설정하면 모델이 답변 전에 추론하도록 하거나 바로 답변하도록 할 수 있습니다. Gemma 4는 user 및 assistant 역할에 더해 네이티브 system 역할을 제공합니다. Google의 프롬프트 형식은 system 프롬프트의 <|think|> 제어 토큰으로 사고를 활성화하고 사고 채널과 최종 답변을 분리하며, 문서에 명시된 프로세서는 이 템플릿을 처리할 수 있습니다. 여러 턴으로 이어지는 대화에서는 이전 최종 답변을 대화 기록에 유지하고 이전 사고 내용은 제외하세요. 단, 개발사가 사고 내용을 보존하도록 명시한 도구 호출 턴은 예외입니다.
네이티브 함수 호출(Native Function Calling)은 구조화된 도구 사용을 지원하며, Google의 출시 설명에는 구조화된 JSON 출력도 명시되어 있습니다. 작업, 사용 가능한 함수, 예상 결과를 정의하세요. 애플리케이션이 요청된 작업을 수행한 뒤 다음 단계를 위해 그 출력을 반환합니다. 코딩 작업에서는 코드 생성, 완성 또는 수정을 요청할 수 있으며, 시각 도우미는 반환된 텍스트를 사용해 차트나 화면을 설명할 수 있습니다. 함수 호출 지시와 연결된 도구가 실제로 수행한 작업은 구분해야 합니다.
가변 이미지 해상도는 시각 토큰 예산으로 제어합니다. 문서에 명시된 선택지는 70, 140, 280, 560, 1,120토큰입니다. 낮은 예산은 분류, 캡션, 프레임 시퀀스에 적합하며, 높은 예산은 연산량이 늘어나는 대신 OCR, 문서 파싱, 작은 글자를 처리할 때 더 많은 세부 정보를 보존합니다. 이미지를 준비하기 전에 전체 장면이 필요한지, 정확한 글자 내용이 필요한지 결정하세요. 추출 작업에서는 라벨을 선명하게 잘라 낸 이미지가 구체적인 조건 없이 전체 페이지의 모든 세부 사항을 살펴보라고 요청하는 것보다 유용할 수 있습니다.
Google은 이 계열의 샘플링 설정으로 temperature 1.0, top-p 0.95, top-k 64를 권장합니다. 모델 카드는 140개가 넘는 언어로 학습했다는 점과 기본 제공 상태에서 35개가 넘는 언어를 지원한다는 점을 구분합니다. 답변 언어를 지정하고, 그대로 유지해야 할 도메인 이름, 필드 이름 또는 수식을 요청 지침에 명시하세요. 256K는 컨텍스트 사양이며, 인용된 모델 카드는 이 버전에 대해 별도의 보편적인 최대 출력 수치를 제시하지 않습니다.
문서와 코드를 함께 다루는 작업에서는 관련 페이지 이미지, 서면 요구 사항, 소스 코드 일부를 제공하세요. 예를 들어 “라벨을 읽고, 이 화면이 사양과 어떻게 다른지 설명한 뒤, 제공된 코드에서 해당 차이를 바로잡을 수 있는 구체적인 수정안을 제안하세요”라고 요청할 수 있습니다. 차트 분석에서는 눈에 보이는 값과 추론한 추세를 답변에서 구분하도록 요청하세요. Gemma의 모델 카드는 모호한 언어, 매우 복잡한 작업, 부정확하거나 오래된 사실 진술에 관한 한계를 설명합니다. 따라서 학습 지식만으로 필요한 사실을 제공할 것이라고 기대하기보다, 요청한 결과의 근거로 삼아야 할 신뢰할 수 있는 사실을 함께 제공하세요.
", "aboutText": "Gemma 4 26B A4B IT는 공개 Gemma 4 계열에 속하는 Google DeepMind의 지시 튜닝 전문가 혼합 모델입니다. 공식 아키텍처 표에는 총 파라미터 252억 개와 활성 파라미터 38억 개가 명시되어 있으며, A4B는 활성 파라미터 수를 반올림한 규모를 나타냅니다. 추론, 코딩, 에이전트 워크플로, 멀티모달 이해를 위한 모델로, 사전 학습 버전 및 밀집형 31B 모델과 구분됩니다.\n\n전문가 혼합 설계에서는 추론 단계마다 파라미터의 일부만 활성화합니다. 공개된 아키텍처 표에 따르면 전문가 128개 중 8개와 공유 전문가 1개가 활성화됩니다. Google은 이 버전을 밀집형 모델보다 효율적인 추론에 초점을 맞춰 소개합니다. 30개 레이어로 구성된 아키텍처와 1,024토큰 슬라이딩 윈도우를 전역 어텐션, 256K 컨텍스트, 시각 인코더와 결합합니다. 이러한 아키텍처 수치는 개발사의 모델을 설명하며, 특정 애플리케이션의 지연 시간이나 하드웨어 구성을 보장하지 않습니다.\n\n256K토큰 컨텍스트를 활용하면 방대한 텍스트와 시각적 근거를 함께 다루는 작업을 수행할 수 있습니다. 하나의 프롬프트에 이미지와 텍스트를 번갈아 배치할 수 있으며, 개발사는 최상의 결과를 위해 관련 텍스트보다 이미지 내용을 먼저 배치하도록 권장합니다. 시각 작업에는 객체 탐지, 문서 페이지 해석, 화면 및 인터페이스 이해, 차트, 다국어 OCR, 필기 인식, 위치 가리키기가 포함됩니다. 출력은 추출한 내용, 설명, 코드 또는 제안된 도구 작업을 담은 텍스트입니다.\n\n영상 이해는 일련의 프레임을 처리하는 방식으로 이루어집니다. 모델 카드에는 초당 1프레임으로 이미지를 처리할 때 최대 60초까지 지원한다고 명시되어 있습니다. 관련 장면을 준비하고 프레임 순서를 유지한 뒤, 눈에 보이는 장면의 흐름에 관한 질문을 제공하세요. 이 26B/31B 시각 프로필은 오디오를 입력받지 않습니다. 더 작은 Gemma 4 변형 중 오디오를 지원하는 모델의 음성 기능은 여기에 적용되지 않습니다. 음성으로 전달된 정보가 필요한 작업이라면 음성 전사문을 텍스트로 추가하세요.\n\n사고 기능을 설정하면 모델이 답변 전에 추론하도록 하거나 바로 답변하도록 할 수 있습니다. Gemma 4는 user 및 assistant 역할에 더해 네이티브 system 역할을 제공합니다. Google의 프롬프트 형식은 system 프롬프트의 <|think|> 제어 토큰으로 사고를 활성화하고 사고 채널과 최종 답변을 분리하며, 문서에 명시된 프로세서는 이 템플릿을 처리할 수 있습니다. 여러 턴으로 이어지는 대화에서는 이전 최종 답변을 대화 기록에 유지하고 이전 사고 내용은 제외하세요. 단, 개발사가 사고 내용을 보존하도록 명시한 도구 호출 턴은 예외입니다.\n\n네이티브 함수 호출(Native Function Calling)은 구조화된 도구 사용을 지원하며, Google의 출시 설명에는 구조화된 JSON 출력도 명시되어 있습니다. 작업, 사용 가능한 함수, 예상 결과를 정의하세요. 애플리케이션이 요청된 작업을 수행한 뒤 다음 단계를 위해 그 출력을 반환합니다. 코딩 작업에서는 코드 생성, 완성 또는 수정을 요청할 수 있으며, 시각 도우미는 반환된 텍스트를 사용해 차트나 화면을 설명할 수 있습니다. 함수 호출 지시와 연결된 도구가 실제로 수행한 작업은 구분해야 합니다.\n\n가변 이미지 해상도는 시각 토큰 예산으로 제어합니다. 문서에 명시된 선택지는 70, 140, 280, 560, 1,120토큰입니다. 낮은 예산은 분류, 캡션, 프레임 시퀀스에 적합하며, 높은 예산은 연산량이 늘어나는 대신 OCR, 문서 파싱, 작은 글자를 처리할 때 더 많은 세부 정보를 보존합니다. 이미지를 준비하기 전에 전체 장면이 필요한지, 정확한 글자 내용이 필요한지 결정하세요. 추출 작업에서는 라벨을 선명하게 잘라 낸 이미지가 구체적인 조건 없이 전체 페이지의 모든 세부 사항을 살펴보라고 요청하는 것보다 유용할 수 있습니다.\n\nGoogle은 이 계열의 샘플링 설정으로 temperature 1.0, top-p 0.95, top-k 64를 권장합니다. 모델 카드는 140개가 넘는 언어로 학습했다는 점과 기본 제공 상태에서 35개가 넘는 언어를 지원한다는 점을 구분합니다. 답변 언어를 지정하고, 그대로 유지해야 할 도메인 이름, 필드 이름 또는 수식을 요청 지침에 명시하세요. 256K는 컨텍스트 사양이며, 인용된 모델 카드는 이 버전에 대해 별도의 보편적인 최대 출력 수치를 제시하지 않습니다.\n\n문서와 코드를 함께 다루는 작업에서는 관련 페이지 이미지, 서면 요구 사항, 소스 코드 일부를 제공하세요. 예를 들어 “라벨을 읽고, 이 화면이 사양과 어떻게 다른지 설명한 뒤, 제공된 코드에서 해당 차이를 바로잡을 수 있는 구체적인 수정안을 제안하세요”라고 요청할 수 있습니다. 차트 분석에서는 눈에 보이는 값과 추론한 추세를 답변에서 구분하도록 요청하세요. Gemma의 모델 카드는 모호한 언어, 매우 복잡한 작업, 부정확하거나 오래된 사실 진술에 관한 한계를 설명합니다. 따라서 학습 지식만으로 필요한 사실을 제공할 것이라고 기대하기보다, 요청한 결과의 근거로 삼아야 할 신뢰할 수 있는 사실을 함께 제공하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.google/gemma-4-26b-a4b-itGemma 4 26B A4B IT는 텍스트 및 시각 추론을 위해 지시 튜닝을 거친 Google의 전문가 혼합 모델입니다. 256K 컨텍스트, 이미지 및 프레임 기반 영상 이해, 설정 가능한 사고 기능, 네이티브 함수 호출을 갖추고 텍스트를 출력합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Gemma 4 26B A4B IT는 공개 Gemma 4 계열에 속하는 Google DeepMind의 지시 튜닝 전문가 혼합 모델입니다. 공식 아키텍처 표에는 총 파라미터 252억 개와 활성 파라미터 38억 개가 명시되어 있으며, A4B는 활성 파라미터 수를 반올림한 규모를 나타냅니다. 추론, 코딩, 에이전트 워크플로, 멀티모달 이해를 위한 모델로, 사전 학습 버전 및 밀집형 31B 모델과 구분됩니다.
전문가 혼합 설계에서는 추론 단계마다 파라미터의 일부만 활성화합니다. 공개된 아키텍처 표에 따르면 전문가 128개 중 8개와 공유 전문가 1개가 활성화됩니다. Google은 이 버전을 밀집형 모델보다 효율적인 추론에 초점을 맞춰 소개합니다. 30개 레이어로 구성된 아키텍처와 1,024토큰 슬라이딩 윈도우를 전역 어텐션, 256K 컨텍스트, 시각 인코더와 결합합니다. 이러한 아키텍처 수치는 개발사의 모델을 설명하며, 특정 애플리케이션의 지연 시간이나 하드웨어 구성을 보장하지 않습니다.
256K토큰 컨텍스트를 활용하면 방대한 텍스트와 시각적 근거를 함께 다루는 작업을 수행할 수 있습니다. 하나의 프롬프트에 이미지와 텍스트를 번갈아 배치할 수 있으며, 개발사는 최상의 결과를 위해 관련 텍스트보다 이미지 내용을 먼저 배치하도록 권장합니다. 시각 작업에는 객체 탐지, 문서 페이지 해석, 화면 및 인터페이스 이해, 차트, 다국어 OCR, 필기 인식, 위치 가리키기가 포함됩니다. 출력은 추출한 내용, 설명, 코드 또는 제안된 도구 작업을 담은 텍스트입니다.
영상 이해는 일련의 프레임을 처리하는 방식으로 이루어집니다. 모델 카드에는 초당 1프레임으로 이미지를 처리할 때 최대 60초까지 지원한다고 명시되어 있습니다. 관련 장면을 준비하고 프레임 순서를 유지한 뒤, 눈에 보이는 장면의 흐름에 관한 질문을 제공하세요. 이 26B/31B 시각 프로필은 오디오를 입력받지 않습니다. 더 작은 Gemma 4 변형 중 오디오를 지원하는 모델의 음성 기능은 여기에 적용되지 않습니다. 음성으로 전달된 정보가 필요한 작업이라면 음성 전사문을 텍스트로 추가하세요.
사고 기능을 설정하면 모델이 답변 전에 추론하도록 하거나 바로 답변하도록 할 수 있습니다. Gemma 4는 user 및 assistant 역할에 더해 네이티브 system 역할을 제공합니다. Google의 프롬프트 형식은 system 프롬프트의 <|think|> 제어 토큰으로 사고를 활성화하고 사고 채널과 최종 답변을 분리하며, 문서에 명시된 프로세서는 이 템플릿을 처리할 수 있습니다. 여러 턴으로 이어지는 대화에서는 이전 최종 답변을 대화 기록에 유지하고 이전 사고 내용은 제외하세요. 단, 개발사가 사고 내용을 보존하도록 명시한 도구 호출 턴은 예외입니다.
네이티브 함수 호출(Native Function Calling)은 구조화된 도구 사용을 지원하며, Google의 출시 설명에는 구조화된 JSON 출력도 명시되어 있습니다. 작업, 사용 가능한 함수, 예상 결과를 정의하세요. 애플리케이션이 요청된 작업을 수행한 뒤 다음 단계를 위해 그 출력을 반환합니다. 코딩 작업에서는 코드 생성, 완성 또는 수정을 요청할 수 있으며, 시각 도우미는 반환된 텍스트를 사용해 차트나 화면을 설명할 수 있습니다. 함수 호출 지시와 연결된 도구가 실제로 수행한 작업은 구분해야 합니다.
가변 이미지 해상도는 시각 토큰 예산으로 제어합니다. 문서에 명시된 선택지는 70, 140, 280, 560, 1,120토큰입니다. 낮은 예산은 분류, 캡션, 프레임 시퀀스에 적합하며, 높은 예산은 연산량이 늘어나는 대신 OCR, 문서 파싱, 작은 글자를 처리할 때 더 많은 세부 정보를 보존합니다. 이미지를 준비하기 전에 전체 장면이 필요한지, 정확한 글자 내용이 필요한지 결정하세요. 추출 작업에서는 라벨을 선명하게 잘라 낸 이미지가 구체적인 조건 없이 전체 페이지의 모든 세부 사항을 살펴보라고 요청하는 것보다 유용할 수 있습니다.
Google은 이 계열의 샘플링 설정으로 temperature 1.0, top-p 0.95, top-k 64를 권장합니다. 모델 카드는 140개가 넘는 언어로 학습했다는 점과 기본 제공 상태에서 35개가 넘는 언어를 지원한다는 점을 구분합니다. 답변 언어를 지정하고, 그대로 유지해야 할 도메인 이름, 필드 이름 또는 수식을 요청 지침에 명시하세요. 256K는 컨텍스트 사양이며, 인용된 모델 카드는 이 버전에 대해 별도의 보편적인 최대 출력 수치를 제시하지 않습니다.
문서와 코드를 함께 다루는 작업에서는 관련 페이지 이미지, 서면 요구 사항, 소스 코드 일부를 제공하세요. 예를 들어 “라벨을 읽고, 이 화면이 사양과 어떻게 다른지 설명한 뒤, 제공된 코드에서 해당 차이를 바로잡을 수 있는 구체적인 수정안을 제안하세요”라고 요청할 수 있습니다. 차트 분석에서는 눈에 보이는 값과 추론한 추세를 답변에서 구분하도록 요청하세요. Gemma의 모델 카드는 모호한 언어, 매우 복잡한 작업, 부정확하거나 오래된 사실 진술에 관한 한계를 설명합니다. 따라서 학습 지식만으로 필요한 사실을 제공할 것이라고 기대하기보다, 요청한 결과의 근거로 삼아야 할 신뢰할 수 있는 사실을 함께 제공하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 google/gemma-4-26b-a4b-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 $0.0003 / 1K 토큰 출력 · 출력 토큰 $0.0012 / 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 $0.0003 / 1K 토큰 출력 · 출력 토큰 $0.0012 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-it
위에 표시된 메서드 경로를 사용하세요.
google/gemma-4-26b-a4b-itGemma 4 26B A4B IT는 텍스트 및 시각 추론을 위해 지시 튜닝을 거친 Google의 전문가 혼합 모델입니다. 256K 컨텍스트, 이미지 및 프레임 기반 영상 이해, 설정 가능한 사고 기능, 네이티브 함수 호출을 갖추고 텍스트를 출력합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Gemma 4 26B A4B IT는 공개 Gemma 4 계열에 속하는 Google DeepMind의 지시 튜닝 전문가 혼합 모델입니다. 공식 아키텍처 표에는 총 파라미터 252억 개와 활성 파라미터 38억 개가 명시되어 있으며, A4B는 활성 파라미터 수를 반올림한 규모를 나타냅니다. 추론, 코딩, 에이전트 워크플로, 멀티모달 이해를 위한 모델로, 사전 학습 버전 및 밀집형 31B 모델과 구분됩니다.
전문가 혼합 설계에서는 추론 단계마다 파라미터의 일부만 활성화합니다. 공개된 아키텍처 표에 따르면 전문가 128개 중 8개와 공유 전문가 1개가 활성화됩니다. Google은 이 버전을 밀집형 모델보다 효율적인 추론에 초점을 맞춰 소개합니다. 30개 레이어로 구성된 아키텍처와 1,024토큰 슬라이딩 윈도우를 전역 어텐션, 256K 컨텍스트, 시각 인코더와 결합합니다. 이러한 아키텍처 수치는 개발사의 모델을 설명하며, 특정 애플리케이션의 지연 시간이나 하드웨어 구성을 보장하지 않습니다.
256K토큰 컨텍스트를 활용하면 방대한 텍스트와 시각적 근거를 함께 다루는 작업을 수행할 수 있습니다. 하나의 프롬프트에 이미지와 텍스트를 번갈아 배치할 수 있으며, 개발사는 최상의 결과를 위해 관련 텍스트보다 이미지 내용을 먼저 배치하도록 권장합니다. 시각 작업에는 객체 탐지, 문서 페이지 해석, 화면 및 인터페이스 이해, 차트, 다국어 OCR, 필기 인식, 위치 가리키기가 포함됩니다. 출력은 추출한 내용, 설명, 코드 또는 제안된 도구 작업을 담은 텍스트입니다.
영상 이해는 일련의 프레임을 처리하는 방식으로 이루어집니다. 모델 카드에는 초당 1프레임으로 이미지를 처리할 때 최대 60초까지 지원한다고 명시되어 있습니다. 관련 장면을 준비하고 프레임 순서를 유지한 뒤, 눈에 보이는 장면의 흐름에 관한 질문을 제공하세요. 이 26B/31B 시각 프로필은 오디오를 입력받지 않습니다. 더 작은 Gemma 4 변형 중 오디오를 지원하는 모델의 음성 기능은 여기에 적용되지 않습니다. 음성으로 전달된 정보가 필요한 작업이라면 음성 전사문을 텍스트로 추가하세요.
사고 기능을 설정하면 모델이 답변 전에 추론하도록 하거나 바로 답변하도록 할 수 있습니다. Gemma 4는 user 및 assistant 역할에 더해 네이티브 system 역할을 제공합니다. Google의 프롬프트 형식은 system 프롬프트의 <|think|> 제어 토큰으로 사고를 활성화하고 사고 채널과 최종 답변을 분리하며, 문서에 명시된 프로세서는 이 템플릿을 처리할 수 있습니다. 여러 턴으로 이어지는 대화에서는 이전 최종 답변을 대화 기록에 유지하고 이전 사고 내용은 제외하세요. 단, 개발사가 사고 내용을 보존하도록 명시한 도구 호출 턴은 예외입니다.
네이티브 함수 호출(Native Function Calling)은 구조화된 도구 사용을 지원하며, Google의 출시 설명에는 구조화된 JSON 출력도 명시되어 있습니다. 작업, 사용 가능한 함수, 예상 결과를 정의하세요. 애플리케이션이 요청된 작업을 수행한 뒤 다음 단계를 위해 그 출력을 반환합니다. 코딩 작업에서는 코드 생성, 완성 또는 수정을 요청할 수 있으며, 시각 도우미는 반환된 텍스트를 사용해 차트나 화면을 설명할 수 있습니다. 함수 호출 지시와 연결된 도구가 실제로 수행한 작업은 구분해야 합니다.
가변 이미지 해상도는 시각 토큰 예산으로 제어합니다. 문서에 명시된 선택지는 70, 140, 280, 560, 1,120토큰입니다. 낮은 예산은 분류, 캡션, 프레임 시퀀스에 적합하며, 높은 예산은 연산량이 늘어나는 대신 OCR, 문서 파싱, 작은 글자를 처리할 때 더 많은 세부 정보를 보존합니다. 이미지를 준비하기 전에 전체 장면이 필요한지, 정확한 글자 내용이 필요한지 결정하세요. 추출 작업에서는 라벨을 선명하게 잘라 낸 이미지가 구체적인 조건 없이 전체 페이지의 모든 세부 사항을 살펴보라고 요청하는 것보다 유용할 수 있습니다.
Google은 이 계열의 샘플링 설정으로 temperature 1.0, top-p 0.95, top-k 64를 권장합니다. 모델 카드는 140개가 넘는 언어로 학습했다는 점과 기본 제공 상태에서 35개가 넘는 언어를 지원한다는 점을 구분합니다. 답변 언어를 지정하고, 그대로 유지해야 할 도메인 이름, 필드 이름 또는 수식을 요청 지침에 명시하세요. 256K는 컨텍스트 사양이며, 인용된 모델 카드는 이 버전에 대해 별도의 보편적인 최대 출력 수치를 제시하지 않습니다.
문서와 코드를 함께 다루는 작업에서는 관련 페이지 이미지, 서면 요구 사항, 소스 코드 일부를 제공하세요. 예를 들어 “라벨을 읽고, 이 화면이 사양과 어떻게 다른지 설명한 뒤, 제공된 코드에서 해당 차이를 바로잡을 수 있는 구체적인 수정안을 제안하세요”라고 요청할 수 있습니다. 차트 분석에서는 눈에 보이는 값과 추론한 추세를 답변에서 구분하도록 요청하세요. Gemma의 모델 카드는 모호한 언어, 매우 복잡한 작업, 부정확하거나 오래된 사실 진술에 관한 한계를 설명합니다. 따라서 학습 지식만으로 필요한 사실을 제공할 것이라고 기대하기보다, 요청한 결과의 근거로 삼아야 할 신뢰할 수 있는 사실을 함께 제공하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 google/gemma-4-26b-a4b-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 $0.0003 / 1K 토큰 출력 · 출력 토큰 $0.0012 / 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 $0.0003 / 1K 토큰 출력 · 출력 토큰 $0.0012 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-it
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.