Gemma 4 26B A4B IT ialah edisi campuran pakar Google DeepMind yang ditala mengikut arahan dalam keluarga Gemma 4 terbuka. Jadual seni bina rasmi menyenaraikan 25.2 bilion parameter keseluruhan dan 3.8 bilion parameter aktif; A4B menamakan skala parameter aktif yang dibundarkan. Tujuannya merangkumi penaakulan, pengekodan, aliran kerja ejen dan pemahaman multimodal. Model ini berasingan daripada edisi pralatih dan daripada model padat 31B.
Reka bentuk campuran pakar mengaktifkan sebahagian parameter bagi setiap langkah inferens: lapan pakar aktif daripada 128, ditambah satu pakar bersama, dalam jadual seni bina yang diterbitkan. Google meletakkan edisi ini pada kecekapan inferens berbanding model padat. Model ini menggabungkan seni bina 30 lapisan dan tetingkap gelongsor 1024 token dengan perhatian global, konteks 256K serta pengekod visual. Angka seni bina ini menerangkan model pengeluar dan bukannya jaminan latensi atau konfigurasi perkakasan bagi aplikasi tertentu.
Konteks 256K token menyokong tugas yang menggabungkan teks yang banyak dengan bukti visual. Imej dan teks boleh diselang-seli dalam satu prompt; pengeluar mengesyorkan kandungan imej diletakkan sebelum teks berkaitan untuk hasil terbaik. Tugas visual merangkumi pengesanan objek, tafsiran halaman dokumen, pemahaman skrin dan antara muka, carta, OCR berbilang bahasa, tulisan tangan serta penunjukan. Output ialah teks: kandungan yang diekstrak, penjelasan, kod atau cadangan tindakan alat.
Pemahaman video memproses urutan bingkai. Kad model memberikan maksimum 60 saat apabila imej diproses pada kadar satu bingkai sesaat. Sediakan bahagian video yang relevan, kekalkan urutan bingkai dan berikan soalan tentang rangkaian yang kelihatan. Profil visual 26B/31B ini tidak menerima audio; keupayaan pertuturan varian Gemma 4 yang lebih kecil dan menyokong audio tidak terpakai di sini. Jika tugas memerlukan maklumat lisan, tambahkan transkripnya sebagai teks.
Pemikiran yang boleh dikonfigurasi membolehkan model menaakul sebelum menjawab atau memberikan jawapan langsung. Gemma 4 menambahkan peranan system asli bersama peranan user dan assistant. Format prompt Google mengaktifkan pemikiran dengan token kawalan <|think|> dalam prompt system serta memisahkan saluran pemikiran daripada jawapan akhir; pemproses yang didokumenkan boleh mengendalikan templat itu. Bagi perbualan berbilang giliran, simpan jawapan akhir terdahulu dalam sejarah dan kecualikan pemikiran terdahulu, kecuali pada giliran panggilan alat, apabila pengeluar menyatakan pemikiran itu perlu dikekalkan.
Panggilan fungsi asli menyokong penggunaan alat berstruktur, dan huraian pelancaran Google turut mendokumenkan output JSON berstruktur. Takrifkan tugas, fungsi yang tersedia serta hasil yang dijangkakan; aplikasi melaksanakan operasi yang diminta dan mengembalikan outputnya bagi langkah seterusnya. Tugas pengekodan boleh meminta penjanaan, pelengkapan atau pembetulan, manakala pembantu visual boleh menggunakan teks yang dikembalikan untuk menjelaskan carta atau skrin. Arahan panggilan fungsi berbeza daripada tindakan tersambung yang benar-benar telah dilaksanakan.
Resolusi imej berubah-ubah dikawal oleh bajet token visual. Pilihan yang didokumenkan ialah 70, 140, 280, 560 dan 1120 token. Bajet lebih rendah sesuai untuk pengelasan, kapsyen atau urutan bingkai; bajet lebih tinggi mengekalkan lebih banyak butiran untuk OCR, penghuraian dokumen dan teks kecil, dengan pengiraan tambahan. Tentukan sama ada anda memerlukan keseluruhan adegan atau tulisan tepat sebelum menyediakan imej. Potongan label yang jelas boleh lebih berguna bagi tugas pengekstrakan berbanding permintaan tanpa batasan untuk memeriksa setiap butiran halaman penuh.
Google mengesyorkan temperature 1.0, top-p 0.95 dan top-k 64 sebagai konfigurasi persampelan keluarga ini. Kad model membezakan latihan dalam lebih daripada 140 bahasa daripada sokongan sedia guna dalam lebih daripada 35 bahasa. Nyatakan bahasa jawapan dan kekalkan nama domain, nama medan atau formula secara jelas dalam arahan. Angka 256K ialah spesifikasi konteks; kad model yang dirujuk tidak menetapkan angka output maksimum sejagat yang berasingan bagi edisi ini.
Bagi tugasan dokumen dan kod, berikan imej halaman yang relevan, keperluan bertulis serta cebisan sumber: “Baca label, jelaskan perbezaan skrin ini daripada spesifikasi dan cadangkan pembetulan terfokus kepada kod yang diberikan.” Bagi carta, minta jawapan memisahkan nilai yang kelihatan daripada arah aliran yang diinferens. Kad model Gemma menyatakan batasan yang melibatkan bahasa kabur, tugas sangat kompleks serta pernyataan fakta yang salah atau lapuk, jadi lampirkan fakta rujukan berautoriti yang mesti digunakan oleh hasil dan bukannya mengharapkan pengetahuan latihan menyediakannya.
", "aboutText": "Gemma 4 26B A4B IT ialah edisi campuran pakar Google DeepMind yang ditala mengikut arahan dalam keluarga Gemma 4 terbuka. Jadual seni bina rasmi menyenaraikan 25.2 bilion parameter keseluruhan dan 3.8 bilion parameter aktif; A4B menamakan skala parameter aktif yang dibundarkan. Tujuannya merangkumi penaakulan, pengekodan, aliran kerja ejen dan pemahaman multimodal. Model ini berasingan daripada edisi pralatih dan daripada model padat 31B.\n\nReka bentuk campuran pakar mengaktifkan sebahagian parameter bagi setiap langkah inferens: lapan pakar aktif daripada 128, ditambah satu pakar bersama, dalam jadual seni bina yang diterbitkan. Google meletakkan edisi ini pada kecekapan inferens berbanding model padat. Model ini menggabungkan seni bina 30 lapisan dan tetingkap gelongsor 1024 token dengan perhatian global, konteks 256K serta pengekod visual. Angka seni bina ini menerangkan model pengeluar dan bukannya jaminan latensi atau konfigurasi perkakasan bagi aplikasi tertentu.\n\nKonteks 256K token menyokong tugas yang menggabungkan teks yang banyak dengan bukti visual. Imej dan teks boleh diselang-seli dalam satu prompt; pengeluar mengesyorkan kandungan imej diletakkan sebelum teks berkaitan untuk hasil terbaik. Tugas visual merangkumi pengesanan objek, tafsiran halaman dokumen, pemahaman skrin dan antara muka, carta, OCR berbilang bahasa, tulisan tangan serta penunjukan. Output ialah teks: kandungan yang diekstrak, penjelasan, kod atau cadangan tindakan alat.\n\nPemahaman video memproses urutan bingkai. Kad model memberikan maksimum 60 saat apabila imej diproses pada kadar satu bingkai sesaat. Sediakan bahagian video yang relevan, kekalkan urutan bingkai dan berikan soalan tentang rangkaian yang kelihatan. Profil visual 26B/31B ini tidak menerima audio; keupayaan pertuturan varian Gemma 4 yang lebih kecil dan menyokong audio tidak terpakai di sini. Jika tugas memerlukan maklumat lisan, tambahkan transkripnya sebagai teks.\n\nPemikiran yang boleh dikonfigurasi membolehkan model menaakul sebelum menjawab atau memberikan jawapan langsung. Gemma 4 menambahkan peranan system asli bersama peranan user dan assistant. Format prompt Google mengaktifkan pemikiran dengan token kawalan <|think|> dalam prompt system serta memisahkan saluran pemikiran daripada jawapan akhir; pemproses yang didokumenkan boleh mengendalikan templat itu. Bagi perbualan berbilang giliran, simpan jawapan akhir terdahulu dalam sejarah dan kecualikan pemikiran terdahulu, kecuali pada giliran panggilan alat, apabila pengeluar menyatakan pemikiran itu perlu dikekalkan.\n\nPanggilan fungsi asli menyokong penggunaan alat berstruktur, dan huraian pelancaran Google turut mendokumenkan output JSON berstruktur. Takrifkan tugas, fungsi yang tersedia serta hasil yang dijangkakan; aplikasi melaksanakan operasi yang diminta dan mengembalikan outputnya bagi langkah seterusnya. Tugas pengekodan boleh meminta penjanaan, pelengkapan atau pembetulan, manakala pembantu visual boleh menggunakan teks yang dikembalikan untuk menjelaskan carta atau skrin. Arahan panggilan fungsi berbeza daripada tindakan tersambung yang benar-benar telah dilaksanakan.\n\nResolusi imej berubah-ubah dikawal oleh bajet token visual. Pilihan yang didokumenkan ialah 70, 140, 280, 560 dan 1120 token. Bajet lebih rendah sesuai untuk pengelasan, kapsyen atau urutan bingkai; bajet lebih tinggi mengekalkan lebih banyak butiran untuk OCR, penghuraian dokumen dan teks kecil, dengan pengiraan tambahan. Tentukan sama ada anda memerlukan keseluruhan adegan atau tulisan tepat sebelum menyediakan imej. Potongan label yang jelas boleh lebih berguna bagi tugas pengekstrakan berbanding permintaan tanpa batasan untuk memeriksa setiap butiran halaman penuh.\n\nGoogle mengesyorkan temperature 1.0, top-p 0.95 dan top-k 64 sebagai konfigurasi persampelan keluarga ini. Kad model membezakan latihan dalam lebih daripada 140 bahasa daripada sokongan sedia guna dalam lebih daripada 35 bahasa. Nyatakan bahasa jawapan dan kekalkan nama domain, nama medan atau formula secara jelas dalam arahan. Angka 256K ialah spesifikasi konteks; kad model yang dirujuk tidak menetapkan angka output maksimum sejagat yang berasingan bagi edisi ini.\n\nBagi tugasan dokumen dan kod, berikan imej halaman yang relevan, keperluan bertulis serta cebisan sumber: “Baca label, jelaskan perbezaan skrin ini daripada spesifikasi dan cadangkan pembetulan terfokus kepada kod yang diberikan.” Bagi carta, minta jawapan memisahkan nilai yang kelihatan daripada arah aliran yang diinferens. Kad model Gemma menyatakan batasan yang melibatkan bahasa kabur, tugas sangat kompleks serta pernyataan fakta yang salah atau lapuk, jadi lampirkan fakta rujukan berautoriti yang mesti digunakan oleh hasil dan bukannya mengharapkan pengetahuan latihan menyediakannya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 IT ialah model campuran pakar Google yang ditala mengikut arahan untuk penaakulan teks dan visual. Model ini menggabungkan konteks 256K, pemahaman imej dan video berasaskan bingkai, pemikiran yang boleh dikonfigurasi serta panggilan fungsi asli dengan output teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemma 4 26B A4B IT ialah edisi campuran pakar Google DeepMind yang ditala mengikut arahan dalam keluarga Gemma 4 terbuka. Jadual seni bina rasmi menyenaraikan 25.2 bilion parameter keseluruhan dan 3.8 bilion parameter aktif; A4B menamakan skala parameter aktif yang dibundarkan. Tujuannya merangkumi penaakulan, pengekodan, aliran kerja ejen dan pemahaman multimodal. Model ini berasingan daripada edisi pralatih dan daripada model padat 31B.
Reka bentuk campuran pakar mengaktifkan sebahagian parameter bagi setiap langkah inferens: lapan pakar aktif daripada 128, ditambah satu pakar bersama, dalam jadual seni bina yang diterbitkan. Google meletakkan edisi ini pada kecekapan inferens berbanding model padat. Model ini menggabungkan seni bina 30 lapisan dan tetingkap gelongsor 1024 token dengan perhatian global, konteks 256K serta pengekod visual. Angka seni bina ini menerangkan model pengeluar dan bukannya jaminan latensi atau konfigurasi perkakasan bagi aplikasi tertentu.
Konteks 256K token menyokong tugas yang menggabungkan teks yang banyak dengan bukti visual. Imej dan teks boleh diselang-seli dalam satu prompt; pengeluar mengesyorkan kandungan imej diletakkan sebelum teks berkaitan untuk hasil terbaik. Tugas visual merangkumi pengesanan objek, tafsiran halaman dokumen, pemahaman skrin dan antara muka, carta, OCR berbilang bahasa, tulisan tangan serta penunjukan. Output ialah teks: kandungan yang diekstrak, penjelasan, kod atau cadangan tindakan alat.
Pemahaman video memproses urutan bingkai. Kad model memberikan maksimum 60 saat apabila imej diproses pada kadar satu bingkai sesaat. Sediakan bahagian video yang relevan, kekalkan urutan bingkai dan berikan soalan tentang rangkaian yang kelihatan. Profil visual 26B/31B ini tidak menerima audio; keupayaan pertuturan varian Gemma 4 yang lebih kecil dan menyokong audio tidak terpakai di sini. Jika tugas memerlukan maklumat lisan, tambahkan transkripnya sebagai teks.
Pemikiran yang boleh dikonfigurasi membolehkan model menaakul sebelum menjawab atau memberikan jawapan langsung. Gemma 4 menambahkan peranan system asli bersama peranan user dan assistant. Format prompt Google mengaktifkan pemikiran dengan token kawalan <|think|> dalam prompt system serta memisahkan saluran pemikiran daripada jawapan akhir; pemproses yang didokumenkan boleh mengendalikan templat itu. Bagi perbualan berbilang giliran, simpan jawapan akhir terdahulu dalam sejarah dan kecualikan pemikiran terdahulu, kecuali pada giliran panggilan alat, apabila pengeluar menyatakan pemikiran itu perlu dikekalkan.
Panggilan fungsi asli menyokong penggunaan alat berstruktur, dan huraian pelancaran Google turut mendokumenkan output JSON berstruktur. Takrifkan tugas, fungsi yang tersedia serta hasil yang dijangkakan; aplikasi melaksanakan operasi yang diminta dan mengembalikan outputnya bagi langkah seterusnya. Tugas pengekodan boleh meminta penjanaan, pelengkapan atau pembetulan, manakala pembantu visual boleh menggunakan teks yang dikembalikan untuk menjelaskan carta atau skrin. Arahan panggilan fungsi berbeza daripada tindakan tersambung yang benar-benar telah dilaksanakan.
Resolusi imej berubah-ubah dikawal oleh bajet token visual. Pilihan yang didokumenkan ialah 70, 140, 280, 560 dan 1120 token. Bajet lebih rendah sesuai untuk pengelasan, kapsyen atau urutan bingkai; bajet lebih tinggi mengekalkan lebih banyak butiran untuk OCR, penghuraian dokumen dan teks kecil, dengan pengiraan tambahan. Tentukan sama ada anda memerlukan keseluruhan adegan atau tulisan tepat sebelum menyediakan imej. Potongan label yang jelas boleh lebih berguna bagi tugas pengekstrakan berbanding permintaan tanpa batasan untuk memeriksa setiap butiran halaman penuh.
Google mengesyorkan temperature 1.0, top-p 0.95 dan top-k 64 sebagai konfigurasi persampelan keluarga ini. Kad model membezakan latihan dalam lebih daripada 140 bahasa daripada sokongan sedia guna dalam lebih daripada 35 bahasa. Nyatakan bahasa jawapan dan kekalkan nama domain, nama medan atau formula secara jelas dalam arahan. Angka 256K ialah spesifikasi konteks; kad model yang dirujuk tidak menetapkan angka output maksimum sejagat yang berasingan bagi edisi ini.
Bagi tugasan dokumen dan kod, berikan imej halaman yang relevan, keperluan bertulis serta cebisan sumber: “Baca label, jelaskan perbezaan skrin ini daripada spesifikasi dan cadangkan pembetulan terfokus kepada kod yang diberikan.” Bagi carta, minta jawapan memisahkan nilai yang kelihatan daripada arah aliran yang diinferens. Kad model Gemma menyatakan batasan yang melibatkan bahasa kabur, tugas sangat kompleks serta pernyataan fakta yang salah atau lapuk, jadi lampirkan fakta rujukan berautoriti yang mesti digunakan oleh hasil dan bukannya mengharapkan pengetahuan latihan menyediakannya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemma-4-26b-a4b-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 $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache — / 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 $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-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 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-4-26b-a4b-it
Gunakan laluan kaedah yang dipaparkan di atas.
google/gemma-4-26b-a4b-itGemma 4 26B A4B IT ialah model campuran pakar Google yang ditala mengikut arahan untuk penaakulan teks dan visual. Model ini menggabungkan konteks 256K, pemahaman imej dan video berasaskan bingkai, pemikiran yang boleh dikonfigurasi serta panggilan fungsi asli dengan output teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Gemma 4 26B A4B IT ialah edisi campuran pakar Google DeepMind yang ditala mengikut arahan dalam keluarga Gemma 4 terbuka. Jadual seni bina rasmi menyenaraikan 25.2 bilion parameter keseluruhan dan 3.8 bilion parameter aktif; A4B menamakan skala parameter aktif yang dibundarkan. Tujuannya merangkumi penaakulan, pengekodan, aliran kerja ejen dan pemahaman multimodal. Model ini berasingan daripada edisi pralatih dan daripada model padat 31B.
Reka bentuk campuran pakar mengaktifkan sebahagian parameter bagi setiap langkah inferens: lapan pakar aktif daripada 128, ditambah satu pakar bersama, dalam jadual seni bina yang diterbitkan. Google meletakkan edisi ini pada kecekapan inferens berbanding model padat. Model ini menggabungkan seni bina 30 lapisan dan tetingkap gelongsor 1024 token dengan perhatian global, konteks 256K serta pengekod visual. Angka seni bina ini menerangkan model pengeluar dan bukannya jaminan latensi atau konfigurasi perkakasan bagi aplikasi tertentu.
Konteks 256K token menyokong tugas yang menggabungkan teks yang banyak dengan bukti visual. Imej dan teks boleh diselang-seli dalam satu prompt; pengeluar mengesyorkan kandungan imej diletakkan sebelum teks berkaitan untuk hasil terbaik. Tugas visual merangkumi pengesanan objek, tafsiran halaman dokumen, pemahaman skrin dan antara muka, carta, OCR berbilang bahasa, tulisan tangan serta penunjukan. Output ialah teks: kandungan yang diekstrak, penjelasan, kod atau cadangan tindakan alat.
Pemahaman video memproses urutan bingkai. Kad model memberikan maksimum 60 saat apabila imej diproses pada kadar satu bingkai sesaat. Sediakan bahagian video yang relevan, kekalkan urutan bingkai dan berikan soalan tentang rangkaian yang kelihatan. Profil visual 26B/31B ini tidak menerima audio; keupayaan pertuturan varian Gemma 4 yang lebih kecil dan menyokong audio tidak terpakai di sini. Jika tugas memerlukan maklumat lisan, tambahkan transkripnya sebagai teks.
Pemikiran yang boleh dikonfigurasi membolehkan model menaakul sebelum menjawab atau memberikan jawapan langsung. Gemma 4 menambahkan peranan system asli bersama peranan user dan assistant. Format prompt Google mengaktifkan pemikiran dengan token kawalan <|think|> dalam prompt system serta memisahkan saluran pemikiran daripada jawapan akhir; pemproses yang didokumenkan boleh mengendalikan templat itu. Bagi perbualan berbilang giliran, simpan jawapan akhir terdahulu dalam sejarah dan kecualikan pemikiran terdahulu, kecuali pada giliran panggilan alat, apabila pengeluar menyatakan pemikiran itu perlu dikekalkan.
Panggilan fungsi asli menyokong penggunaan alat berstruktur, dan huraian pelancaran Google turut mendokumenkan output JSON berstruktur. Takrifkan tugas, fungsi yang tersedia serta hasil yang dijangkakan; aplikasi melaksanakan operasi yang diminta dan mengembalikan outputnya bagi langkah seterusnya. Tugas pengekodan boleh meminta penjanaan, pelengkapan atau pembetulan, manakala pembantu visual boleh menggunakan teks yang dikembalikan untuk menjelaskan carta atau skrin. Arahan panggilan fungsi berbeza daripada tindakan tersambung yang benar-benar telah dilaksanakan.
Resolusi imej berubah-ubah dikawal oleh bajet token visual. Pilihan yang didokumenkan ialah 70, 140, 280, 560 dan 1120 token. Bajet lebih rendah sesuai untuk pengelasan, kapsyen atau urutan bingkai; bajet lebih tinggi mengekalkan lebih banyak butiran untuk OCR, penghuraian dokumen dan teks kecil, dengan pengiraan tambahan. Tentukan sama ada anda memerlukan keseluruhan adegan atau tulisan tepat sebelum menyediakan imej. Potongan label yang jelas boleh lebih berguna bagi tugas pengekstrakan berbanding permintaan tanpa batasan untuk memeriksa setiap butiran halaman penuh.
Google mengesyorkan temperature 1.0, top-p 0.95 dan top-k 64 sebagai konfigurasi persampelan keluarga ini. Kad model membezakan latihan dalam lebih daripada 140 bahasa daripada sokongan sedia guna dalam lebih daripada 35 bahasa. Nyatakan bahasa jawapan dan kekalkan nama domain, nama medan atau formula secara jelas dalam arahan. Angka 256K ialah spesifikasi konteks; kad model yang dirujuk tidak menetapkan angka output maksimum sejagat yang berasingan bagi edisi ini.
Bagi tugasan dokumen dan kod, berikan imej halaman yang relevan, keperluan bertulis serta cebisan sumber: “Baca label, jelaskan perbezaan skrin ini daripada spesifikasi dan cadangkan pembetulan terfokus kepada kod yang diberikan.” Bagi carta, minta jawapan memisahkan nilai yang kelihatan daripada arah aliran yang diinferens. Kad model Gemma menyatakan batasan yang melibatkan bahasa kabur, tugas sangat kompleks serta pernyataan fakta yang salah atau lapuk, jadi lampirkan fakta rujukan berautoriti yang mesti digunakan oleh hasil dan bukannya mengharapkan pengetahuan latihan menyediakannya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemma-4-26b-a4b-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 $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache — / 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 $0.0003 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-4-26b-a4b-it
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.