Llama 3.2 11B Vision은 Llama 3.2 Vision 모음에서 Meta의 더 작은 멀티모달 모델입니다. Llama 3.1 언어 백본과 별도로 학습한 비전 어댑터를 결합합니다. 교차 어텐션은 이미지 인코더의 표현을 자기회귀 텍스트 모델에 연결하여 응답이 글로 된 작업과 함께 시각적 근거를 사용할 수 있게 합니다. 11B 크기 등급은 Meta의 구성 표에서 매개변수 106억 개를 갖고 그룹화 쿼리 어텐션을 사용합니다.
입력은 텍스트와 이미지이며 출력은 텍스트로, 컨텍스트 길이는 128K토큰입니다. 텍스트 전용 작업은 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 공식 지원합니다. 이미지 및 텍스트 애플리케이션은 공식적으로 영어를 지원합니다. 따라서 다국어 텍스트 대화와 이미지에 관한 질문은 문서화된 언어 범위가 다릅니다.
사전 학습 버전과 지시 튜닝 버전은 목적이 서로 다릅니다. 사전 학습 버전은 이미지 추론에 맞게 조정할 수 있는 기반을 제공합니다. 지시 튜닝 버전은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 시각 인식, 이미지 추론, 캡션 작성, 이미지를 활용한 대화를 지원합니다. 11B 표시는 이 크기 계열을 식별하며 튜닝 버전 선택을 대체하지 않습니다.
의도한 시각 응용에는 사진에 관한 질의응답, 문서의 텍스트와 레이아웃 이해, 캡션 작성, 사진과 설명 매칭, 언어를 객체나 영역에 연결하는 그라운딩이 포함됩니다. 문서 어시스턴트는 양식을 구역별로 설명하고 표를 제목에 연결하거나 보이는 페이지에 관한 질문에 답할 수 있습니다. 제품 워크플로에서는 사진의 객체와 관계를 설명할 수 있습니다. 시각적 그라운딩에서는 질문에서 객체나 영역을 명시하고 제공한 이미지에 연결된 설명을 요청하세요. 이미지와 텍스트 매칭에서는 보이는 내용을 후보 설명과 비교하세요.
Ailoot API 작업에서는 이미지를 구체적인 지시와 함께 제공하고 캡션, 관찰이 포함된 답변, 추출 세부 정보 목록 또는 해설 등 필요한 텍스트 결과물을 선택하세요. 이미지에서 중요한 부분을 명시하고 응답을 다듬을 때 질문과의 연결을 보존하세요. 이미지는 텍스트 결과의 근거로 사용되며, Meta의 예시는 이미지와 시작 프롬프트로 텍스트를 생성합니다.
Vision 계열의 사전 학습은 이미지 및 텍스트 쌍 60억 개를 사용합니다. 지시 튜닝은 공개 비전 지시 데이터셋과 300만 개가 넘는 합성 예시를 결합합니다. 사전 학습 기준일은 2023년 12월이며, 릴리스는 오프라인 데이터셋으로 학습한 정적 모델입니다. Meta의 책임 있는 개발 작업에는 안전성 미세 조정, 적대적 테스트, 시스템 수준 보호 장치가 포함됩니다. 명시된 한계에는 부정확하거나 편향된 응답과 모든 배포 시나리오를 포괄할 수 없는 평가 범위가 있습니다. 결과 설명을 눈에 보이는 자료와 대조해 검토하고 관찰과 해석을 구별하세요.
", "aboutText": "Llama 3.2 11B Vision은 Llama 3.2 Vision 모음에서 Meta의 더 작은 멀티모달 모델입니다. Llama 3.1 언어 백본과 별도로 학습한 비전 어댑터를 결합합니다. 교차 어텐션은 이미지 인코더의 표현을 자기회귀 텍스트 모델에 연결하여 응답이 글로 된 작업과 함께 시각적 근거를 사용할 수 있게 합니다. 11B 크기 등급은 Meta의 구성 표에서 매개변수 106억 개를 갖고 그룹화 쿼리 어텐션을 사용합니다.\n\n입력은 텍스트와 이미지이며 출력은 텍스트로, 컨텍스트 길이는 128K토큰입니다. 텍스트 전용 작업은 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 공식 지원합니다. 이미지 및 텍스트 애플리케이션은 공식적으로 영어를 지원합니다. 따라서 다국어 텍스트 대화와 이미지에 관한 질문은 문서화된 언어 범위가 다릅니다.\n\n사전 학습 버전과 지시 튜닝 버전은 목적이 서로 다릅니다. 사전 학습 버전은 이미지 추론에 맞게 조정할 수 있는 기반을 제공합니다. 지시 튜닝 버전은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 시각 인식, 이미지 추론, 캡션 작성, 이미지를 활용한 대화를 지원합니다. 11B 표시는 이 크기 계열을 식별하며 튜닝 버전 선택을 대체하지 않습니다.\n\n의도한 시각 응용에는 사진에 관한 질의응답, 문서의 텍스트와 레이아웃 이해, 캡션 작성, 사진과 설명 매칭, 언어를 객체나 영역에 연결하는 그라운딩이 포함됩니다. 문서 어시스턴트는 양식을 구역별로 설명하고 표를 제목에 연결하거나 보이는 페이지에 관한 질문에 답할 수 있습니다. 제품 워크플로에서는 사진의 객체와 관계를 설명할 수 있습니다. 시각적 그라운딩에서는 질문에서 객체나 영역을 명시하고 제공한 이미지에 연결된 설명을 요청하세요. 이미지와 텍스트 매칭에서는 보이는 내용을 후보 설명과 비교하세요.\n\nAiloot API 작업에서는 이미지를 구체적인 지시와 함께 제공하고 캡션, 관찰이 포함된 답변, 추출 세부 정보 목록 또는 해설 등 필요한 텍스트 결과물을 선택하세요. 이미지에서 중요한 부분을 명시하고 응답을 다듬을 때 질문과의 연결을 보존하세요. 이미지는 텍스트 결과의 근거로 사용되며, Meta의 예시는 이미지와 시작 프롬프트로 텍스트를 생성합니다.\n\nVision 계열의 사전 학습은 이미지 및 텍스트 쌍 60억 개를 사용합니다. 지시 튜닝은 공개 비전 지시 데이터셋과 300만 개가 넘는 합성 예시를 결합합니다. 사전 학습 기준일은 2023년 12월이며, 릴리스는 오프라인 데이터셋으로 학습한 정적 모델입니다. Meta의 책임 있는 개발 작업에는 안전성 미세 조정, 적대적 테스트, 시스템 수준 보호 장치가 포함됩니다. 명시된 한계에는 부정확하거나 편향된 응답과 모든 배포 시나리오를 포괄할 수 없는 평가 범위가 있습니다. 결과 설명을 눈에 보이는 자료와 대조해 검토하고 관찰과 해석을 구별하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Match descriptions to a transcribed product view\n\nUse this text description of a product view: one blue mug with a handle, no lid, standing beside a silver spoon. Candidate captions: A, blue lidded travel cup; B, blue handled mug beside a spoon; C, two blue bowls. Select the caption supported by the description and explain each mismatch in the alternatives.One selected caption and a brief evidence comparison for all three candidates.Check that no unmentioned lid or second vessel is added and that the choice uses the supplied text only.llama3.2-11bMeta의 더 작은 Llama 3.2 Vision 버전은 이미지와 텍스트 프롬프트를 설명, 문서에 관한 답변, 시각적 해설로 변환합니다. 128K 컨텍스트 윈도를 갖추고 사전 학습 버전과 지시 튜닝 버전이 구분되어 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Llama 3.2 11B Vision은 Llama 3.2 Vision 모음에서 Meta의 더 작은 멀티모달 모델입니다. Llama 3.1 언어 백본과 별도로 학습한 비전 어댑터를 결합합니다. 교차 어텐션은 이미지 인코더의 표현을 자기회귀 텍스트 모델에 연결하여 응답이 글로 된 작업과 함께 시각적 근거를 사용할 수 있게 합니다. 11B 크기 등급은 Meta의 구성 표에서 매개변수 106억 개를 갖고 그룹화 쿼리 어텐션을 사용합니다.
입력은 텍스트와 이미지이며 출력은 텍스트로, 컨텍스트 길이는 128K토큰입니다. 텍스트 전용 작업은 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 공식 지원합니다. 이미지 및 텍스트 애플리케이션은 공식적으로 영어를 지원합니다. 따라서 다국어 텍스트 대화와 이미지에 관한 질문은 문서화된 언어 범위가 다릅니다.
사전 학습 버전과 지시 튜닝 버전은 목적이 서로 다릅니다. 사전 학습 버전은 이미지 추론에 맞게 조정할 수 있는 기반을 제공합니다. 지시 튜닝 버전은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 시각 인식, 이미지 추론, 캡션 작성, 이미지를 활용한 대화를 지원합니다. 11B 표시는 이 크기 계열을 식별하며 튜닝 버전 선택을 대체하지 않습니다.
의도한 시각 응용에는 사진에 관한 질의응답, 문서의 텍스트와 레이아웃 이해, 캡션 작성, 사진과 설명 매칭, 언어를 객체나 영역에 연결하는 그라운딩이 포함됩니다. 문서 어시스턴트는 양식을 구역별로 설명하고 표를 제목에 연결하거나 보이는 페이지에 관한 질문에 답할 수 있습니다. 제품 워크플로에서는 사진의 객체와 관계를 설명할 수 있습니다. 시각적 그라운딩에서는 질문에서 객체나 영역을 명시하고 제공한 이미지에 연결된 설명을 요청하세요. 이미지와 텍스트 매칭에서는 보이는 내용을 후보 설명과 비교하세요.
Ailoot API 작업에서는 이미지를 구체적인 지시와 함께 제공하고 캡션, 관찰이 포함된 답변, 추출 세부 정보 목록 또는 해설 등 필요한 텍스트 결과물을 선택하세요. 이미지에서 중요한 부분을 명시하고 응답을 다듬을 때 질문과의 연결을 보존하세요. 이미지는 텍스트 결과의 근거로 사용되며, Meta의 예시는 이미지와 시작 프롬프트로 텍스트를 생성합니다.
Vision 계열의 사전 학습은 이미지 및 텍스트 쌍 60억 개를 사용합니다. 지시 튜닝은 공개 비전 지시 데이터셋과 300만 개가 넘는 합성 예시를 결합합니다. 사전 학습 기준일은 2023년 12월이며, 릴리스는 오프라인 데이터셋으로 학습한 정적 모델입니다. Meta의 책임 있는 개발 작업에는 안전성 미세 조정, 적대적 테스트, 시스템 수준 보호 장치가 포함됩니다. 명시된 한계에는 부정확하거나 편향된 응답과 모든 배포 시나리오를 포괄할 수 없는 평가 범위가 있습니다. 결과 설명을 눈에 보이는 자료와 대조해 검토하고 관찰과 해석을 구별하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 llama3.2-11b | 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.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.001 / 1K 토큰 출력 · 출력 토큰 $0.001 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "llama3.2-11b", "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='llama3.2-11b',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='llama3.2-11b',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 llama3.2-11b
위에 표시된 메서드 경로를 사용하세요.
llama3.2-11bMeta의 더 작은 Llama 3.2 Vision 버전은 이미지와 텍스트 프롬프트를 설명, 문서에 관한 답변, 시각적 해설로 변환합니다. 128K 컨텍스트 윈도를 갖추고 사전 학습 버전과 지시 튜닝 버전이 구분되어 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Llama 3.2 11B Vision은 Llama 3.2 Vision 모음에서 Meta의 더 작은 멀티모달 모델입니다. Llama 3.1 언어 백본과 별도로 학습한 비전 어댑터를 결합합니다. 교차 어텐션은 이미지 인코더의 표현을 자기회귀 텍스트 모델에 연결하여 응답이 글로 된 작업과 함께 시각적 근거를 사용할 수 있게 합니다. 11B 크기 등급은 Meta의 구성 표에서 매개변수 106억 개를 갖고 그룹화 쿼리 어텐션을 사용합니다.
입력은 텍스트와 이미지이며 출력은 텍스트로, 컨텍스트 길이는 128K토큰입니다. 텍스트 전용 작업은 영어, 독일어, 프랑스어, 이탈리아어, 포르투갈어, 힌디어, 스페인어, 태국어를 공식 지원합니다. 이미지 및 텍스트 애플리케이션은 공식적으로 영어를 지원합니다. 따라서 다국어 텍스트 대화와 이미지에 관한 질문은 문서화된 언어 범위가 다릅니다.
사전 학습 버전과 지시 튜닝 버전은 목적이 서로 다릅니다. 사전 학습 버전은 이미지 추론에 맞게 조정할 수 있는 기반을 제공합니다. 지시 튜닝 버전은 지도 미세 조정과 사람의 피드백을 활용한 강화 학습으로 시각 인식, 이미지 추론, 캡션 작성, 이미지를 활용한 대화를 지원합니다. 11B 표시는 이 크기 계열을 식별하며 튜닝 버전 선택을 대체하지 않습니다.
의도한 시각 응용에는 사진에 관한 질의응답, 문서의 텍스트와 레이아웃 이해, 캡션 작성, 사진과 설명 매칭, 언어를 객체나 영역에 연결하는 그라운딩이 포함됩니다. 문서 어시스턴트는 양식을 구역별로 설명하고 표를 제목에 연결하거나 보이는 페이지에 관한 질문에 답할 수 있습니다. 제품 워크플로에서는 사진의 객체와 관계를 설명할 수 있습니다. 시각적 그라운딩에서는 질문에서 객체나 영역을 명시하고 제공한 이미지에 연결된 설명을 요청하세요. 이미지와 텍스트 매칭에서는 보이는 내용을 후보 설명과 비교하세요.
Ailoot API 작업에서는 이미지를 구체적인 지시와 함께 제공하고 캡션, 관찰이 포함된 답변, 추출 세부 정보 목록 또는 해설 등 필요한 텍스트 결과물을 선택하세요. 이미지에서 중요한 부분을 명시하고 응답을 다듬을 때 질문과의 연결을 보존하세요. 이미지는 텍스트 결과의 근거로 사용되며, Meta의 예시는 이미지와 시작 프롬프트로 텍스트를 생성합니다.
Vision 계열의 사전 학습은 이미지 및 텍스트 쌍 60억 개를 사용합니다. 지시 튜닝은 공개 비전 지시 데이터셋과 300만 개가 넘는 합성 예시를 결합합니다. 사전 학습 기준일은 2023년 12월이며, 릴리스는 오프라인 데이터셋으로 학습한 정적 모델입니다. Meta의 책임 있는 개발 작업에는 안전성 미세 조정, 적대적 테스트, 시스템 수준 보호 장치가 포함됩니다. 명시된 한계에는 부정확하거나 편향된 응답과 모든 배포 시나리오를 포괄할 수 없는 평가 범위가 있습니다. 결과 설명을 눈에 보이는 자료와 대조해 검토하고 관찰과 해석을 구별하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 llama3.2-11b | 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.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.001 / 1K 토큰 출력 · 출력 토큰 $0.001 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "llama3.2-11b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'llama3.2-11b', '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': 'llama3.2-11b', '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 llama3.2-11b
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Match descriptions to a transcribed product view\n\nUse this text description of a product view: one blue mug with a handle, no lid, standing beside a silver spoon. Candidate captions: A, blue lidded travel cup; B, blue handled mug beside a spoon; C, two blue bowls. Select the caption supported by the description and explain each mismatch in the alternatives.One selected caption and a brief evidence comparison for all three candidates.Check that no unmentioned lid or second vessel is added and that the choice uses the supplied text only.