Gemma 3 27B IT ialah edisi bersaiz 27B yang ditala mengikut arahan dalam keluarga Gemma 3 Google. Model ini menggabungkan penjanaan teks dengan pemahaman imej dan berbeza daripada checkpoint 27B pralatih serta model IT 4B dan 12B yang lebih kecil. Hasilnya ialah teks: penjelasan berasaskan sumber, ringkasan, draf dokumen, jawapan atau cadangan kod. Model yang ditala mengikut arahan direka untuk mengikuti perbualan dan tugas yang diminta, bukannya hanya bertindak sebagai model pelengkapan mentah.
Kad pengeluar memberikan konteks keseluruhan 128K token bagi saiz ini. Input dan output berkongsi kapasiti itu, jadi jawapan yang dijana menggunakan ruang yang tinggal selepas permintaan. Koleksi yang besar perlu mengekalkan pengecam sumber dan masih meninggalkan ruang bagi hasil yang diminta. Paparan imej dalam laluan asas dinormalkan kepada 896×896 dan dikodkan kepada 256 token visual. Bagi analisis teks dan imej yang digabungkan, jelaskan hubungan imej halaman, rajah atau tangkapan skrin dengan sumber bertulis supaya model mempunyai satu soalan yang koheren untuk dijawab.
Bajet pralatihan model 27B yang dilaporkan ialah 14 trilion token. Data keluarga ini merangkumi dokumen web dalam lebih daripada 140 bahasa, kod, matematik dan imej. Latihan menggunakan penyulingan pengetahuan, dan kaedah pascalatihan menambahkan objektif pematuhan arahan serta pembelajaran pengukuhan untuk kebermanfaatan, matematik, pengekodan, penaakulan dan tingkah laku berbilang bahasa. Fakta ini menerangkan proses pembangunan model pengeluar. Fakta itu tidak menggantikan semakan pernyataan yang dijana berdasarkan sumbernya atau pelaksanaan program yang dicadangkan pada input yang dimaksudkan.
Laporan teknikal menerangkan transformer berasaskan penyahkod sahaja dengan perhatian kueri berkumpulan dan lima lapisan perhatian setempat bagi setiap lapisan global. Rentang setempat ialah 1024 token, manakala lapisan global menyediakan interaksi konteks yang lebih panjang. Pengekod imej SigLIP yang dikongsi oleh keluarga ini mewakili input penglihatan bagi model bahasa. Pentoken SentencePiece menggunakan digit yang dipisahkan, aksara ruang kosong yang dikekalkan dan pengekodan peringkat bait. Kekalkan notasi angka, inden kod dan istilah bahasa sumber apabila relevan kepada tafsiran.
Bagi imej yang tidak segi empat sama atau terperinci, laporan menerangkan Pan and Scan, yang boleh menambahkan potongan tidak bertindih sebelum menskalakan paparan bagi pengekod penglihatan. Ini membantu mengekalkan kandungan kecil yang mungkin hilang akibat satu penskalaan segi empat sama, tetapi persediaan pemprosesan sebenar tetap penting. Tugas penyelidikan atau dokumen teknikal boleh memberikan halaman penuh serta butiran rajah yang boleh dibaca, dengan label yang menunjukkan hubungannya. Minta jawapan mengenal pasti nilai yang kelihatan, syarat bertulis yang relevan serta kesimpulan yang disokong oleh kedua-duanya.
Gunakan format perbualan IT asli pengeluar dengan giliran user dan model. Giliran system berasingan tidak disokong dalam format itu; letakkan arahan peranan serta respons dalam mesej user awal dan gunakan laluan pemformatan yang ditetapkan. Bagi laporan panjang, namakan soalan, bahagian yang perlu dibandingkan serta peraturan keutamaan jika sumber bercanggah. Contoh kegunaan ialah menyelaraskan spesifikasi bertulis dengan rajah dan mengembalikan jadual keperluan, senarai percanggahan serta andaian yang diperlukan bagi cadangan penyelesaian.
Kategori kegunaan yang dimaksudkan merangkumi penulisan, peringkasan, perbualan, pengekstrakan data imej serta penerokaan pendidikan atau penyelidikan. Bagi analisis kod, berikan modul sebenar, contoh input serta kekangan antara muka, kemudian minta penjelasan atau cadangan perubahan yang berkait dengan fakta itu. Bagi penulisan berbilang bahasa, nyatakan khalayak dan istilah yang mesti dikekalkan. Bagi soalan visual, minta pemerhatian yang berkait dengan unsur bernama dan bukannya huraian gambar umum. Checkpoint keluarga yang dikuantisasikan ialah artifak terbitan yang berasingan, jadi kekalkan identiti 27B IT yang tepat serta tetapan pemprosesan apabila membandingkan hasil.
Pengeluar menyatakan bahawa model boleh memberikan fakta yang salah atau lapuk dan menghadapi kesukaran dengan kekaburan, nuansa serta arahan yang sangat terbuka. Google turut mengingatkan bahawa corak bahasa yang kelihatan munasabah boleh menghasilkan jawapan yang terlepas pandang kekangan dunia sebenar harian. Konteks yang lebih banyak hanya berguna apabila syarat yang relevan jelas. Sediakan sumber asal, sahkan data serta pengiraan yang diekstrak dan sahkan respons yang kelihatan berstruktur sebelum memprosesnya sebagai rekod. Penjelasan berbilang sumber perlu membezakan bukti yang diberikan, tafsiran serta maklumat yang tiada. Profil 27B ini menyokong tugas penaakulan teks dan imej yang telah disediakan; sebarang carian maklumat, pelaksanaan alat atau kemas kini fakta oleh aplikasi memerlukan bukti hasil yang dikembalikan sendiri dan bukannya diinferens daripada output yang lancar.
", "aboutText": "Gemma 3 27B IT ialah edisi bersaiz 27B yang ditala mengikut arahan dalam keluarga Gemma 3 Google. Model ini menggabungkan penjanaan teks dengan pemahaman imej dan berbeza daripada checkpoint 27B pralatih serta model IT 4B dan 12B yang lebih kecil. Hasilnya ialah teks: penjelasan berasaskan sumber, ringkasan, draf dokumen, jawapan atau cadangan kod. Model yang ditala mengikut arahan direka untuk mengikuti perbualan dan tugas yang diminta, bukannya hanya bertindak sebagai model pelengkapan mentah.\n\nKad pengeluar memberikan konteks keseluruhan 128K token bagi saiz ini. Input dan output berkongsi kapasiti itu, jadi jawapan yang dijana menggunakan ruang yang tinggal selepas permintaan. Koleksi yang besar perlu mengekalkan pengecam sumber dan masih meninggalkan ruang bagi hasil yang diminta. Paparan imej dalam laluan asas dinormalkan kepada 896×896 dan dikodkan kepada 256 token visual. Bagi analisis teks dan imej yang digabungkan, jelaskan hubungan imej halaman, rajah atau tangkapan skrin dengan sumber bertulis supaya model mempunyai satu soalan yang koheren untuk dijawab.\n\nBajet pralatihan model 27B yang dilaporkan ialah 14 trilion token. Data keluarga ini merangkumi dokumen web dalam lebih daripada 140 bahasa, kod, matematik dan imej. Latihan menggunakan penyulingan pengetahuan, dan kaedah pascalatihan menambahkan objektif pematuhan arahan serta pembelajaran pengukuhan untuk kebermanfaatan, matematik, pengekodan, penaakulan dan tingkah laku berbilang bahasa. Fakta ini menerangkan proses pembangunan model pengeluar. Fakta itu tidak menggantikan semakan pernyataan yang dijana berdasarkan sumbernya atau pelaksanaan program yang dicadangkan pada input yang dimaksudkan.\n\nLaporan teknikal menerangkan transformer berasaskan penyahkod sahaja dengan perhatian kueri berkumpulan dan lima lapisan perhatian setempat bagi setiap lapisan global. Rentang setempat ialah 1024 token, manakala lapisan global menyediakan interaksi konteks yang lebih panjang. Pengekod imej SigLIP yang dikongsi oleh keluarga ini mewakili input penglihatan bagi model bahasa. Pentoken SentencePiece menggunakan digit yang dipisahkan, aksara ruang kosong yang dikekalkan dan pengekodan peringkat bait. Kekalkan notasi angka, inden kod dan istilah bahasa sumber apabila relevan kepada tafsiran.\n\nBagi imej yang tidak segi empat sama atau terperinci, laporan menerangkan Pan and Scan, yang boleh menambahkan potongan tidak bertindih sebelum menskalakan paparan bagi pengekod penglihatan. Ini membantu mengekalkan kandungan kecil yang mungkin hilang akibat satu penskalaan segi empat sama, tetapi persediaan pemprosesan sebenar tetap penting. Tugas penyelidikan atau dokumen teknikal boleh memberikan halaman penuh serta butiran rajah yang boleh dibaca, dengan label yang menunjukkan hubungannya. Minta jawapan mengenal pasti nilai yang kelihatan, syarat bertulis yang relevan serta kesimpulan yang disokong oleh kedua-duanya.\n\nGunakan format perbualan IT asli pengeluar dengan giliran user dan model. Giliran system berasingan tidak disokong dalam format itu; letakkan arahan peranan serta respons dalam mesej user awal dan gunakan laluan pemformatan yang ditetapkan. Bagi laporan panjang, namakan soalan, bahagian yang perlu dibandingkan serta peraturan keutamaan jika sumber bercanggah. Contoh kegunaan ialah menyelaraskan spesifikasi bertulis dengan rajah dan mengembalikan jadual keperluan, senarai percanggahan serta andaian yang diperlukan bagi cadangan penyelesaian.\n\nKategori kegunaan yang dimaksudkan merangkumi penulisan, peringkasan, perbualan, pengekstrakan data imej serta penerokaan pendidikan atau penyelidikan. Bagi analisis kod, berikan modul sebenar, contoh input serta kekangan antara muka, kemudian minta penjelasan atau cadangan perubahan yang berkait dengan fakta itu. Bagi penulisan berbilang bahasa, nyatakan khalayak dan istilah yang mesti dikekalkan. Bagi soalan visual, minta pemerhatian yang berkait dengan unsur bernama dan bukannya huraian gambar umum. Checkpoint keluarga yang dikuantisasikan ialah artifak terbitan yang berasingan, jadi kekalkan identiti 27B IT yang tepat serta tetapan pemprosesan apabila membandingkan hasil.\n\nPengeluar menyatakan bahawa model boleh memberikan fakta yang salah atau lapuk dan menghadapi kesukaran dengan kekaburan, nuansa serta arahan yang sangat terbuka. Google turut mengingatkan bahawa corak bahasa yang kelihatan munasabah boleh menghasilkan jawapan yang terlepas pandang kekangan dunia sebenar harian. Konteks yang lebih banyak hanya berguna apabila syarat yang relevan jelas. Sediakan sumber asal, sahkan data serta pengiraan yang diekstrak dan sahkan respons yang kelihatan berstruktur sebelum memprosesnya sebagai rekod. Penjelasan berbilang sumber perlu membezakan bukti yang diberikan, tafsiran serta maklumat yang tiada. Profil 27B ini menyokong tugas penaakulan teks dan imej yang telah disediakan; sebarang carian maklumat, pelaksanaan alat atau kemas kini fakta oleh aplikasi memerlukan bukti hasil yang dikembalikan sendiri dan bukannya diinferens daripada output yang lancar.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 IT ialah model bersaiz 27B yang ditala mengikut arahan dalam keluarga Gemma 3 Google. Model ini menerima teks dan imej serta menghasilkan teks untuk analisis sumber panjang, penulisan, kod dan soalan visual, dengan konteks bersama 128K serta liputan berbilang bahasa keluarga ini.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemma 3 27B IT ialah edisi bersaiz 27B yang ditala mengikut arahan dalam keluarga Gemma 3 Google. Model ini menggabungkan penjanaan teks dengan pemahaman imej dan berbeza daripada checkpoint 27B pralatih serta model IT 4B dan 12B yang lebih kecil. Hasilnya ialah teks: penjelasan berasaskan sumber, ringkasan, draf dokumen, jawapan atau cadangan kod. Model yang ditala mengikut arahan direka untuk mengikuti perbualan dan tugas yang diminta, bukannya hanya bertindak sebagai model pelengkapan mentah.
Kad pengeluar memberikan konteks keseluruhan 128K token bagi saiz ini. Input dan output berkongsi kapasiti itu, jadi jawapan yang dijana menggunakan ruang yang tinggal selepas permintaan. Koleksi yang besar perlu mengekalkan pengecam sumber dan masih meninggalkan ruang bagi hasil yang diminta. Paparan imej dalam laluan asas dinormalkan kepada 896×896 dan dikodkan kepada 256 token visual. Bagi analisis teks dan imej yang digabungkan, jelaskan hubungan imej halaman, rajah atau tangkapan skrin dengan sumber bertulis supaya model mempunyai satu soalan yang koheren untuk dijawab.
Bajet pralatihan model 27B yang dilaporkan ialah 14 trilion token. Data keluarga ini merangkumi dokumen web dalam lebih daripada 140 bahasa, kod, matematik dan imej. Latihan menggunakan penyulingan pengetahuan, dan kaedah pascalatihan menambahkan objektif pematuhan arahan serta pembelajaran pengukuhan untuk kebermanfaatan, matematik, pengekodan, penaakulan dan tingkah laku berbilang bahasa. Fakta ini menerangkan proses pembangunan model pengeluar. Fakta itu tidak menggantikan semakan pernyataan yang dijana berdasarkan sumbernya atau pelaksanaan program yang dicadangkan pada input yang dimaksudkan.
Laporan teknikal menerangkan transformer berasaskan penyahkod sahaja dengan perhatian kueri berkumpulan dan lima lapisan perhatian setempat bagi setiap lapisan global. Rentang setempat ialah 1024 token, manakala lapisan global menyediakan interaksi konteks yang lebih panjang. Pengekod imej SigLIP yang dikongsi oleh keluarga ini mewakili input penglihatan bagi model bahasa. Pentoken SentencePiece menggunakan digit yang dipisahkan, aksara ruang kosong yang dikekalkan dan pengekodan peringkat bait. Kekalkan notasi angka, inden kod dan istilah bahasa sumber apabila relevan kepada tafsiran.
Bagi imej yang tidak segi empat sama atau terperinci, laporan menerangkan Pan and Scan, yang boleh menambahkan potongan tidak bertindih sebelum menskalakan paparan bagi pengekod penglihatan. Ini membantu mengekalkan kandungan kecil yang mungkin hilang akibat satu penskalaan segi empat sama, tetapi persediaan pemprosesan sebenar tetap penting. Tugas penyelidikan atau dokumen teknikal boleh memberikan halaman penuh serta butiran rajah yang boleh dibaca, dengan label yang menunjukkan hubungannya. Minta jawapan mengenal pasti nilai yang kelihatan, syarat bertulis yang relevan serta kesimpulan yang disokong oleh kedua-duanya.
Gunakan format perbualan IT asli pengeluar dengan giliran user dan model. Giliran system berasingan tidak disokong dalam format itu; letakkan arahan peranan serta respons dalam mesej user awal dan gunakan laluan pemformatan yang ditetapkan. Bagi laporan panjang, namakan soalan, bahagian yang perlu dibandingkan serta peraturan keutamaan jika sumber bercanggah. Contoh kegunaan ialah menyelaraskan spesifikasi bertulis dengan rajah dan mengembalikan jadual keperluan, senarai percanggahan serta andaian yang diperlukan bagi cadangan penyelesaian.
Kategori kegunaan yang dimaksudkan merangkumi penulisan, peringkasan, perbualan, pengekstrakan data imej serta penerokaan pendidikan atau penyelidikan. Bagi analisis kod, berikan modul sebenar, contoh input serta kekangan antara muka, kemudian minta penjelasan atau cadangan perubahan yang berkait dengan fakta itu. Bagi penulisan berbilang bahasa, nyatakan khalayak dan istilah yang mesti dikekalkan. Bagi soalan visual, minta pemerhatian yang berkait dengan unsur bernama dan bukannya huraian gambar umum. Checkpoint keluarga yang dikuantisasikan ialah artifak terbitan yang berasingan, jadi kekalkan identiti 27B IT yang tepat serta tetapan pemprosesan apabila membandingkan hasil.
Pengeluar menyatakan bahawa model boleh memberikan fakta yang salah atau lapuk dan menghadapi kesukaran dengan kekaburan, nuansa serta arahan yang sangat terbuka. Google turut mengingatkan bahawa corak bahasa yang kelihatan munasabah boleh menghasilkan jawapan yang terlepas pandang kekangan dunia sebenar harian. Konteks yang lebih banyak hanya berguna apabila syarat yang relevan jelas. Sediakan sumber asal, sahkan data serta pengiraan yang diekstrak dan sahkan respons yang kelihatan berstruktur sebelum memprosesnya sebagai rekod. Penjelasan berbilang sumber perlu membezakan bukti yang diberikan, tafsiran serta maklumat yang tiada. Profil 27B ini menyokong tugas penaakulan teks dan imej yang telah disediakan; sebarang carian maklumat, pelaksanaan alat atau kemas kini fakta oleh aplikasi memerlukan bukti hasil yang dikembalikan sendiri dan bukannya diinferens daripada output yang lancar.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemma-3-27b-it | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00016 / 1K token Output · Token output $0.0007 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00016 / 1K token Output · Token output $0.0007 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra google/gemma-3-27b-it
Gunakan laluan kaedah yang dipaparkan di atas.
google/gemma-3-27b-itGemma 3 27B IT ialah model bersaiz 27B yang ditala mengikut arahan dalam keluarga Gemma 3 Google. Model ini menerima teks dan imej serta menghasilkan teks untuk analisis sumber panjang, penulisan, kod dan soalan visual, dengan konteks bersama 128K serta liputan berbilang bahasa keluarga ini.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemma 3 27B IT ialah edisi bersaiz 27B yang ditala mengikut arahan dalam keluarga Gemma 3 Google. Model ini menggabungkan penjanaan teks dengan pemahaman imej dan berbeza daripada checkpoint 27B pralatih serta model IT 4B dan 12B yang lebih kecil. Hasilnya ialah teks: penjelasan berasaskan sumber, ringkasan, draf dokumen, jawapan atau cadangan kod. Model yang ditala mengikut arahan direka untuk mengikuti perbualan dan tugas yang diminta, bukannya hanya bertindak sebagai model pelengkapan mentah.
Kad pengeluar memberikan konteks keseluruhan 128K token bagi saiz ini. Input dan output berkongsi kapasiti itu, jadi jawapan yang dijana menggunakan ruang yang tinggal selepas permintaan. Koleksi yang besar perlu mengekalkan pengecam sumber dan masih meninggalkan ruang bagi hasil yang diminta. Paparan imej dalam laluan asas dinormalkan kepada 896×896 dan dikodkan kepada 256 token visual. Bagi analisis teks dan imej yang digabungkan, jelaskan hubungan imej halaman, rajah atau tangkapan skrin dengan sumber bertulis supaya model mempunyai satu soalan yang koheren untuk dijawab.
Bajet pralatihan model 27B yang dilaporkan ialah 14 trilion token. Data keluarga ini merangkumi dokumen web dalam lebih daripada 140 bahasa, kod, matematik dan imej. Latihan menggunakan penyulingan pengetahuan, dan kaedah pascalatihan menambahkan objektif pematuhan arahan serta pembelajaran pengukuhan untuk kebermanfaatan, matematik, pengekodan, penaakulan dan tingkah laku berbilang bahasa. Fakta ini menerangkan proses pembangunan model pengeluar. Fakta itu tidak menggantikan semakan pernyataan yang dijana berdasarkan sumbernya atau pelaksanaan program yang dicadangkan pada input yang dimaksudkan.
Laporan teknikal menerangkan transformer berasaskan penyahkod sahaja dengan perhatian kueri berkumpulan dan lima lapisan perhatian setempat bagi setiap lapisan global. Rentang setempat ialah 1024 token, manakala lapisan global menyediakan interaksi konteks yang lebih panjang. Pengekod imej SigLIP yang dikongsi oleh keluarga ini mewakili input penglihatan bagi model bahasa. Pentoken SentencePiece menggunakan digit yang dipisahkan, aksara ruang kosong yang dikekalkan dan pengekodan peringkat bait. Kekalkan notasi angka, inden kod dan istilah bahasa sumber apabila relevan kepada tafsiran.
Bagi imej yang tidak segi empat sama atau terperinci, laporan menerangkan Pan and Scan, yang boleh menambahkan potongan tidak bertindih sebelum menskalakan paparan bagi pengekod penglihatan. Ini membantu mengekalkan kandungan kecil yang mungkin hilang akibat satu penskalaan segi empat sama, tetapi persediaan pemprosesan sebenar tetap penting. Tugas penyelidikan atau dokumen teknikal boleh memberikan halaman penuh serta butiran rajah yang boleh dibaca, dengan label yang menunjukkan hubungannya. Minta jawapan mengenal pasti nilai yang kelihatan, syarat bertulis yang relevan serta kesimpulan yang disokong oleh kedua-duanya.
Gunakan format perbualan IT asli pengeluar dengan giliran user dan model. Giliran system berasingan tidak disokong dalam format itu; letakkan arahan peranan serta respons dalam mesej user awal dan gunakan laluan pemformatan yang ditetapkan. Bagi laporan panjang, namakan soalan, bahagian yang perlu dibandingkan serta peraturan keutamaan jika sumber bercanggah. Contoh kegunaan ialah menyelaraskan spesifikasi bertulis dengan rajah dan mengembalikan jadual keperluan, senarai percanggahan serta andaian yang diperlukan bagi cadangan penyelesaian.
Kategori kegunaan yang dimaksudkan merangkumi penulisan, peringkasan, perbualan, pengekstrakan data imej serta penerokaan pendidikan atau penyelidikan. Bagi analisis kod, berikan modul sebenar, contoh input serta kekangan antara muka, kemudian minta penjelasan atau cadangan perubahan yang berkait dengan fakta itu. Bagi penulisan berbilang bahasa, nyatakan khalayak dan istilah yang mesti dikekalkan. Bagi soalan visual, minta pemerhatian yang berkait dengan unsur bernama dan bukannya huraian gambar umum. Checkpoint keluarga yang dikuantisasikan ialah artifak terbitan yang berasingan, jadi kekalkan identiti 27B IT yang tepat serta tetapan pemprosesan apabila membandingkan hasil.
Pengeluar menyatakan bahawa model boleh memberikan fakta yang salah atau lapuk dan menghadapi kesukaran dengan kekaburan, nuansa serta arahan yang sangat terbuka. Google turut mengingatkan bahawa corak bahasa yang kelihatan munasabah boleh menghasilkan jawapan yang terlepas pandang kekangan dunia sebenar harian. Konteks yang lebih banyak hanya berguna apabila syarat yang relevan jelas. Sediakan sumber asal, sahkan data serta pengiraan yang diekstrak dan sahkan respons yang kelihatan berstruktur sebelum memprosesnya sebagai rekod. Penjelasan berbilang sumber perlu membezakan bukti yang diberikan, tafsiran serta maklumat yang tiada. Profil 27B ini menyokong tugas penaakulan teks dan imej yang telah disediakan; sebarang carian maklumat, pelaksanaan alat atau kemas kini fakta oleh aplikasi memerlukan bukti hasil yang dikembalikan sendiri dan bukannya diinferens daripada output yang lancar.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemma-3-27b-it | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00016 / 1K token Output · Token output $0.0007 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00016 / 1K token Output · Token output $0.0007 / 1K token Input · Bacaan cache $0.00008 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "google/gemma-3-27b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra google/gemma-3-27b-it
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.