Gemma 4 31B IT는 공개 Gemma 4 제품군에 속한 Google DeepMind의 지시 튜닝된 밀집 모델 에디션입니다. Google은 31B 모델을 모델 품질과 작업 적응 중심으로 소개하며, 별도의 26B A4B 에디션은 추론 효율을 위해 혼합 전문가를 사용합니다. 이 카드는 명명된 지시 튜닝 31B 에디션을 다루며 사전 학습 가중치나 양자화 파생 버전을 다루는 것이 아닙니다.
공식 밀집 아키텍처 표는 30.7B 매개변수, 60개 레이어, 1,024토큰 슬라이딩 윈도, 256K토큰 컨텍스트를 명시합니다. 제품군은 로컬 슬라이딩 윈도 어텐션과 전역 어텐션을 결합하고 전역 레이어로 끝나며, 이 모델에 전용 시각 인코더를 사용합니다. 이 프로필은 텍스트·이미지 입력과 텍스트 출력을 위한 것입니다. 이는 모델 아키텍처에 관한 사실이며 애플리케이션 응답 시간을 정하거나 다른 Gemma 4 크기의 오디오 지원을 뜻하지 않습니다.
256K토큰 컨텍스트는 상당한 텍스트와 시각 근거를 결합하는 작업을 지원합니다. 이미지와 텍스트를 하나의 프롬프트에 교차 배치할 수 있으며, 제조사는 최상의 결과를 위해 관련 텍스트 앞에 이미지 콘텐츠를 놓을 것을 권장합니다. 시각 작업에는 객체 탐지, 문서 페이지 해석, 화면·인터페이스 이해, 차트, 다국어 OCR, 필기 인식, 위치 지시가 포함됩니다. 출력은 추출 내용, 설명, 코드, 도구 동작 제안 등의 텍스트입니다.
동영상 이해는 일련의 프레임을 처리합니다. 모델 카드는 초당 한 프레임으로 이미지를 처리할 때 최대 60초를 제시합니다. 관련 장면을 준비하고 프레임 순서를 유지한 뒤 보이는 순서에 관한 질문을 제공하세요. 이 26B/31B 시각 프로필은 오디오를 받지 않습니다. 오디오를 지원하는 작은 Gemma 4 변형의 음성 기능은 여기에 적용되지 않습니다. 발화 정보가 필요하면 전사문을 텍스트로 추가하세요.
설정 가능한 thinking은 답변 전에 추론하거나 직접 답하도록 선택할 수 있게 합니다. Gemma 4는 user와 assistant에 더해 네이티브 system 역할을 추가합니다. Google 프롬프트 형식은 system 프롬프트의 <|think|> 제어 토큰으로 thinking을 활성화하고 생각 채널과 최종 답변을 분리합니다. 문서화된 프로세서가 이 템플릿을 처리할 수 있습니다. 여러 턴 대화에서는 이전 최종 답변을 이력에 유지하고 이전 생각은 제외하되, 제조사가 보존해야 한다고 명시한 도구 호출 턴은 예외로 합니다.
네이티브 Function Calling은 구조화된 도구 사용을 지원하며, Google의 출시 설명에는 구조화된 JSON 출력도 문서화되어 있습니다. 작업, 사용 가능한 함수, 기대 결과를 정의하세요. 애플리케이션이 요청된 작업을 수행하고 다음 단계를 위해 출력을 반환합니다. 코딩 작업은 생성·완성·수정을 요청할 수 있고, 시각 도우미는 반환된 텍스트로 차트나 화면을 설명할 수 있습니다. 함수 호출 지시는 연결된 작업이 실제로 실행된 것과 구별됩니다.
가변 이미지 해상도는 시각 토큰 예산으로 제어합니다. 문서화된 옵션은 70, 140, 280, 560, 1,120토큰입니다. 낮은 예산은 분류·캡션·프레임 시퀀스에 적합하고, 높은 예산은 추가 계산을 사용하면서 OCR, 문서 파싱, 작은 글자에 필요한 세부 내용을 더 보존합니다. 이미지를 준비하기 전에 전체 장면이 필요한지 정확한 글자가 필요한지 결정하세요. 라벨을 선명하게 자른 이미지가 전체 페이지의 모든 세부 사항을 막연히 조사하라는 요청보다 추출 작업에 유용할 수 있습니다.
Google은 제품군 샘플링 설정으로 temperature 1.0, top-p 0.95, top-k 64를 권장합니다. 모델 카드는 140개가 넘는 언어로 학습한 것과 35개가 넘는 언어를 기본 지원하는 것을 구분합니다. 답변 언어를 지정하고 도메인명, 필드명, 수식을 지시에 명시적으로 유지하세요. 256K는 컨텍스트 사양이며, 인용한 모델 카드는 이 에디션의 별도 보편적 최대 출력 수치를 확정하지 않습니다.
문서와 코드 작업에서는 관련 페이지 이미지, 작성된 요구 사항, 소스 조각을 제공하세요. 예를 들면 “라벨을 읽고 이 화면이 사양과 어떻게 다른지 설명한 뒤 제공한 코드에 집중된 수정을 제안하세요”라고 요청할 수 있습니다. 차트에서는 보이는 수치와 추론한 추세를 구분하도록 합니다. Gemma 모델 카드는 모호한 언어, 매우 복잡한 작업, 부정확하거나 오래된 사실 진술의 한계를 명시합니다. 학습 지식이 제공하기를 기대하지 말고 요청한 결과에 반드시 필요한 권위 있는 사실을 첨부하세요.
", "aboutText": "Gemma 4 31B IT는 공개 Gemma 4 제품군에 속한 Google DeepMind의 지시 튜닝된 밀집 모델 에디션입니다. Google은 31B 모델을 모델 품질과 작업 적응 중심으로 소개하며, 별도의 26B A4B 에디션은 추론 효율을 위해 혼합 전문가를 사용합니다. 이 카드는 명명된 지시 튜닝 31B 에디션을 다루며 사전 학습 가중치나 양자화 파생 버전을 다루는 것이 아닙니다.\n\n공식 밀집 아키텍처 표는 30.7B 매개변수, 60개 레이어, 1,024토큰 슬라이딩 윈도, 256K토큰 컨텍스트를 명시합니다. 제품군은 로컬 슬라이딩 윈도 어텐션과 전역 어텐션을 결합하고 전역 레이어로 끝나며, 이 모델에 전용 시각 인코더를 사용합니다. 이 프로필은 텍스트·이미지 입력과 텍스트 출력을 위한 것입니다. 이는 모델 아키텍처에 관한 사실이며 애플리케이션 응답 시간을 정하거나 다른 Gemma 4 크기의 오디오 지원을 뜻하지 않습니다.\n\n256K토큰 컨텍스트는 상당한 텍스트와 시각 근거를 결합하는 작업을 지원합니다. 이미지와 텍스트를 하나의 프롬프트에 교차 배치할 수 있으며, 제조사는 최상의 결과를 위해 관련 텍스트 앞에 이미지 콘텐츠를 놓을 것을 권장합니다. 시각 작업에는 객체 탐지, 문서 페이지 해석, 화면·인터페이스 이해, 차트, 다국어 OCR, 필기 인식, 위치 지시가 포함됩니다. 출력은 추출 내용, 설명, 코드, 도구 동작 제안 등의 텍스트입니다.\n\n동영상 이해는 일련의 프레임을 처리합니다. 모델 카드는 초당 한 프레임으로 이미지를 처리할 때 최대 60초를 제시합니다. 관련 장면을 준비하고 프레임 순서를 유지한 뒤 보이는 순서에 관한 질문을 제공하세요. 이 26B/31B 시각 프로필은 오디오를 받지 않습니다. 오디오를 지원하는 작은 Gemma 4 변형의 음성 기능은 여기에 적용되지 않습니다. 발화 정보가 필요하면 전사문을 텍스트로 추가하세요.\n\n설정 가능한 thinking은 답변 전에 추론하거나 직접 답하도록 선택할 수 있게 합니다. Gemma 4는 user와 assistant에 더해 네이티브 system 역할을 추가합니다. Google 프롬프트 형식은 system 프롬프트의 <|think|> 제어 토큰으로 thinking을 활성화하고 생각 채널과 최종 답변을 분리합니다. 문서화된 프로세서가 이 템플릿을 처리할 수 있습니다. 여러 턴 대화에서는 이전 최종 답변을 이력에 유지하고 이전 생각은 제외하되, 제조사가 보존해야 한다고 명시한 도구 호출 턴은 예외로 합니다.\n\n네이티브 Function Calling은 구조화된 도구 사용을 지원하며, Google의 출시 설명에는 구조화된 JSON 출력도 문서화되어 있습니다. 작업, 사용 가능한 함수, 기대 결과를 정의하세요. 애플리케이션이 요청된 작업을 수행하고 다음 단계를 위해 출력을 반환합니다. 코딩 작업은 생성·완성·수정을 요청할 수 있고, 시각 도우미는 반환된 텍스트로 차트나 화면을 설명할 수 있습니다. 함수 호출 지시는 연결된 작업이 실제로 실행된 것과 구별됩니다.\n\n가변 이미지 해상도는 시각 토큰 예산으로 제어합니다. 문서화된 옵션은 70, 140, 280, 560, 1,120토큰입니다. 낮은 예산은 분류·캡션·프레임 시퀀스에 적합하고, 높은 예산은 추가 계산을 사용하면서 OCR, 문서 파싱, 작은 글자에 필요한 세부 내용을 더 보존합니다. 이미지를 준비하기 전에 전체 장면이 필요한지 정확한 글자가 필요한지 결정하세요. 라벨을 선명하게 자른 이미지가 전체 페이지의 모든 세부 사항을 막연히 조사하라는 요청보다 추출 작업에 유용할 수 있습니다.\n\nGoogle은 제품군 샘플링 설정으로 temperature 1.0, top-p 0.95, top-k 64를 권장합니다. 모델 카드는 140개가 넘는 언어로 학습한 것과 35개가 넘는 언어를 기본 지원하는 것을 구분합니다. 답변 언어를 지정하고 도메인명, 필드명, 수식을 지시에 명시적으로 유지하세요. 256K는 컨텍스트 사양이며, 인용한 모델 카드는 이 에디션의 별도 보편적 최대 출력 수치를 확정하지 않습니다.\n\n문서와 코드 작업에서는 관련 페이지 이미지, 작성된 요구 사항, 소스 조각을 제공하세요. 예를 들면 “라벨을 읽고 이 화면이 사양과 어떻게 다른지 설명한 뒤 제공한 코드에 집중된 수정을 제안하세요”라고 요청할 수 있습니다. 차트에서는 보이는 수치와 추론한 추세를 구분하도록 합니다. Gemma 모델 카드는 모호한 언어, 매우 복잡한 작업, 부정확하거나 오래된 사실 진술의 한계를 명시합니다. 학습 지식이 제공하기를 기대하지 말고 요청한 결과에 반드시 필요한 권위 있는 사실을 첨부하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.google/gemma-4-31b-itGemma 4 31B IT는 텍스트 및 시각 추론을 위해 지시 튜닝을 거친 Google의 밀집형 모델입니다. 256K 컨텍스트, 설정 가능한 사고 기능, 이미지 및 프레임 기반 영상 이해, 네이티브 함수 호출을 통해 코딩, 문서 처리, 에이전트 작업을 지원하고 텍스트를 출력합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Gemma 4 31B IT는 공개 Gemma 4 제품군에 속한 Google DeepMind의 지시 튜닝된 밀집 모델 에디션입니다. Google은 31B 모델을 모델 품질과 작업 적응 중심으로 소개하며, 별도의 26B A4B 에디션은 추론 효율을 위해 혼합 전문가를 사용합니다. 이 카드는 명명된 지시 튜닝 31B 에디션을 다루며 사전 학습 가중치나 양자화 파생 버전을 다루는 것이 아닙니다.
공식 밀집 아키텍처 표는 30.7B 매개변수, 60개 레이어, 1,024토큰 슬라이딩 윈도, 256K토큰 컨텍스트를 명시합니다. 제품군은 로컬 슬라이딩 윈도 어텐션과 전역 어텐션을 결합하고 전역 레이어로 끝나며, 이 모델에 전용 시각 인코더를 사용합니다. 이 프로필은 텍스트·이미지 입력과 텍스트 출력을 위한 것입니다. 이는 모델 아키텍처에 관한 사실이며 애플리케이션 응답 시간을 정하거나 다른 Gemma 4 크기의 오디오 지원을 뜻하지 않습니다.
256K토큰 컨텍스트는 상당한 텍스트와 시각 근거를 결합하는 작업을 지원합니다. 이미지와 텍스트를 하나의 프롬프트에 교차 배치할 수 있으며, 제조사는 최상의 결과를 위해 관련 텍스트 앞에 이미지 콘텐츠를 놓을 것을 권장합니다. 시각 작업에는 객체 탐지, 문서 페이지 해석, 화면·인터페이스 이해, 차트, 다국어 OCR, 필기 인식, 위치 지시가 포함됩니다. 출력은 추출 내용, 설명, 코드, 도구 동작 제안 등의 텍스트입니다.
동영상 이해는 일련의 프레임을 처리합니다. 모델 카드는 초당 한 프레임으로 이미지를 처리할 때 최대 60초를 제시합니다. 관련 장면을 준비하고 프레임 순서를 유지한 뒤 보이는 순서에 관한 질문을 제공하세요. 이 26B/31B 시각 프로필은 오디오를 받지 않습니다. 오디오를 지원하는 작은 Gemma 4 변형의 음성 기능은 여기에 적용되지 않습니다. 발화 정보가 필요하면 전사문을 텍스트로 추가하세요.
설정 가능한 thinking은 답변 전에 추론하거나 직접 답하도록 선택할 수 있게 합니다. Gemma 4는 user와 assistant에 더해 네이티브 system 역할을 추가합니다. Google 프롬프트 형식은 system 프롬프트의 <|think|> 제어 토큰으로 thinking을 활성화하고 생각 채널과 최종 답변을 분리합니다. 문서화된 프로세서가 이 템플릿을 처리할 수 있습니다. 여러 턴 대화에서는 이전 최종 답변을 이력에 유지하고 이전 생각은 제외하되, 제조사가 보존해야 한다고 명시한 도구 호출 턴은 예외로 합니다.
네이티브 Function Calling은 구조화된 도구 사용을 지원하며, Google의 출시 설명에는 구조화된 JSON 출력도 문서화되어 있습니다. 작업, 사용 가능한 함수, 기대 결과를 정의하세요. 애플리케이션이 요청된 작업을 수행하고 다음 단계를 위해 출력을 반환합니다. 코딩 작업은 생성·완성·수정을 요청할 수 있고, 시각 도우미는 반환된 텍스트로 차트나 화면을 설명할 수 있습니다. 함수 호출 지시는 연결된 작업이 실제로 실행된 것과 구별됩니다.
가변 이미지 해상도는 시각 토큰 예산으로 제어합니다. 문서화된 옵션은 70, 140, 280, 560, 1,120토큰입니다. 낮은 예산은 분류·캡션·프레임 시퀀스에 적합하고, 높은 예산은 추가 계산을 사용하면서 OCR, 문서 파싱, 작은 글자에 필요한 세부 내용을 더 보존합니다. 이미지를 준비하기 전에 전체 장면이 필요한지 정확한 글자가 필요한지 결정하세요. 라벨을 선명하게 자른 이미지가 전체 페이지의 모든 세부 사항을 막연히 조사하라는 요청보다 추출 작업에 유용할 수 있습니다.
Google은 제품군 샘플링 설정으로 temperature 1.0, top-p 0.95, top-k 64를 권장합니다. 모델 카드는 140개가 넘는 언어로 학습한 것과 35개가 넘는 언어를 기본 지원하는 것을 구분합니다. 답변 언어를 지정하고 도메인명, 필드명, 수식을 지시에 명시적으로 유지하세요. 256K는 컨텍스트 사양이며, 인용한 모델 카드는 이 에디션의 별도 보편적 최대 출력 수치를 확정하지 않습니다.
문서와 코드 작업에서는 관련 페이지 이미지, 작성된 요구 사항, 소스 조각을 제공하세요. 예를 들면 “라벨을 읽고 이 화면이 사양과 어떻게 다른지 설명한 뒤 제공한 코드에 집중된 수정을 제안하세요”라고 요청할 수 있습니다. 차트에서는 보이는 수치와 추론한 추세를 구분하도록 합니다. Gemma 모델 카드는 모호한 언어, 매우 복잡한 작업, 부정확하거나 오래된 사실 진술의 한계를 명시합니다. 학습 지식이 제공하기를 기대하지 말고 요청한 결과에 반드시 필요한 권위 있는 사실을 첨부하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 google/gemma-4-31b-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 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0.00068 / 1K 토큰 입력 · 캐시 읽기 $0.0002 / 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 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0.00068 / 1K 토큰 입력 · 캐시 읽기 $0.0002 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-31b-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-4-31b-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-4-31b-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-4-31b-it
위에 표시된 메서드 경로를 사용하세요.
google/gemma-4-31b-itGemma 4 31B IT는 텍스트 및 시각 추론을 위해 지시 튜닝을 거친 Google의 밀집형 모델입니다. 256K 컨텍스트, 설정 가능한 사고 기능, 이미지 및 프레임 기반 영상 이해, 네이티브 함수 호출을 통해 코딩, 문서 처리, 에이전트 작업을 지원하고 텍스트를 출력합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Gemma 4 31B IT는 공개 Gemma 4 제품군에 속한 Google DeepMind의 지시 튜닝된 밀집 모델 에디션입니다. Google은 31B 모델을 모델 품질과 작업 적응 중심으로 소개하며, 별도의 26B A4B 에디션은 추론 효율을 위해 혼합 전문가를 사용합니다. 이 카드는 명명된 지시 튜닝 31B 에디션을 다루며 사전 학습 가중치나 양자화 파생 버전을 다루는 것이 아닙니다.
공식 밀집 아키텍처 표는 30.7B 매개변수, 60개 레이어, 1,024토큰 슬라이딩 윈도, 256K토큰 컨텍스트를 명시합니다. 제품군은 로컬 슬라이딩 윈도 어텐션과 전역 어텐션을 결합하고 전역 레이어로 끝나며, 이 모델에 전용 시각 인코더를 사용합니다. 이 프로필은 텍스트·이미지 입력과 텍스트 출력을 위한 것입니다. 이는 모델 아키텍처에 관한 사실이며 애플리케이션 응답 시간을 정하거나 다른 Gemma 4 크기의 오디오 지원을 뜻하지 않습니다.
256K토큰 컨텍스트는 상당한 텍스트와 시각 근거를 결합하는 작업을 지원합니다. 이미지와 텍스트를 하나의 프롬프트에 교차 배치할 수 있으며, 제조사는 최상의 결과를 위해 관련 텍스트 앞에 이미지 콘텐츠를 놓을 것을 권장합니다. 시각 작업에는 객체 탐지, 문서 페이지 해석, 화면·인터페이스 이해, 차트, 다국어 OCR, 필기 인식, 위치 지시가 포함됩니다. 출력은 추출 내용, 설명, 코드, 도구 동작 제안 등의 텍스트입니다.
동영상 이해는 일련의 프레임을 처리합니다. 모델 카드는 초당 한 프레임으로 이미지를 처리할 때 최대 60초를 제시합니다. 관련 장면을 준비하고 프레임 순서를 유지한 뒤 보이는 순서에 관한 질문을 제공하세요. 이 26B/31B 시각 프로필은 오디오를 받지 않습니다. 오디오를 지원하는 작은 Gemma 4 변형의 음성 기능은 여기에 적용되지 않습니다. 발화 정보가 필요하면 전사문을 텍스트로 추가하세요.
설정 가능한 thinking은 답변 전에 추론하거나 직접 답하도록 선택할 수 있게 합니다. Gemma 4는 user와 assistant에 더해 네이티브 system 역할을 추가합니다. Google 프롬프트 형식은 system 프롬프트의 <|think|> 제어 토큰으로 thinking을 활성화하고 생각 채널과 최종 답변을 분리합니다. 문서화된 프로세서가 이 템플릿을 처리할 수 있습니다. 여러 턴 대화에서는 이전 최종 답변을 이력에 유지하고 이전 생각은 제외하되, 제조사가 보존해야 한다고 명시한 도구 호출 턴은 예외로 합니다.
네이티브 Function Calling은 구조화된 도구 사용을 지원하며, Google의 출시 설명에는 구조화된 JSON 출력도 문서화되어 있습니다. 작업, 사용 가능한 함수, 기대 결과를 정의하세요. 애플리케이션이 요청된 작업을 수행하고 다음 단계를 위해 출력을 반환합니다. 코딩 작업은 생성·완성·수정을 요청할 수 있고, 시각 도우미는 반환된 텍스트로 차트나 화면을 설명할 수 있습니다. 함수 호출 지시는 연결된 작업이 실제로 실행된 것과 구별됩니다.
가변 이미지 해상도는 시각 토큰 예산으로 제어합니다. 문서화된 옵션은 70, 140, 280, 560, 1,120토큰입니다. 낮은 예산은 분류·캡션·프레임 시퀀스에 적합하고, 높은 예산은 추가 계산을 사용하면서 OCR, 문서 파싱, 작은 글자에 필요한 세부 내용을 더 보존합니다. 이미지를 준비하기 전에 전체 장면이 필요한지 정확한 글자가 필요한지 결정하세요. 라벨을 선명하게 자른 이미지가 전체 페이지의 모든 세부 사항을 막연히 조사하라는 요청보다 추출 작업에 유용할 수 있습니다.
Google은 제품군 샘플링 설정으로 temperature 1.0, top-p 0.95, top-k 64를 권장합니다. 모델 카드는 140개가 넘는 언어로 학습한 것과 35개가 넘는 언어를 기본 지원하는 것을 구분합니다. 답변 언어를 지정하고 도메인명, 필드명, 수식을 지시에 명시적으로 유지하세요. 256K는 컨텍스트 사양이며, 인용한 모델 카드는 이 에디션의 별도 보편적 최대 출력 수치를 확정하지 않습니다.
문서와 코드 작업에서는 관련 페이지 이미지, 작성된 요구 사항, 소스 조각을 제공하세요. 예를 들면 “라벨을 읽고 이 화면이 사양과 어떻게 다른지 설명한 뒤 제공한 코드에 집중된 수정을 제안하세요”라고 요청할 수 있습니다. 차트에서는 보이는 수치와 추론한 추세를 구분하도록 합니다. Gemma 모델 카드는 모호한 언어, 매우 복잡한 작업, 부정확하거나 오래된 사실 진술의 한계를 명시합니다. 학습 지식이 제공하기를 기대하지 말고 요청한 결과에 반드시 필요한 권위 있는 사실을 첨부하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 google/gemma-4-31b-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 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0.00068 / 1K 토큰 입력 · 캐시 읽기 $0.0002 / 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 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0.00068 / 1K 토큰 입력 · 캐시 읽기 $0.0002 / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "google/gemma-4-31b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-31b-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-4-31b-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-4-31b-it
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.