Gemma 4 31B IT ialah edisi dense yang ditala untuk mengikuti arahan dalam keluarga terbuka Gemma 4 milik Google DeepMind. Google meletakkan model 31B pada mutu model dan penyesuaian untuk sesuatu tugasan, manakala edisi 26B A4B yang berasingan menggunakan campuran pakar untuk kecekapan inferens. Kad ini membincangkan edisi 31B yang ditala mengikut arahan ini, bukan pemberat pralatihnya atau terbitan yang dikuantisasikan.
Jadual seni bina dense rasmi menyenaraikan 30.7 bilion parameter, 60 lapisan, tetingkap gelongsor 1,024 token dan konteks 256K token. Keluarga ini menggabungkan perhatian tetingkap gelongsor setempat dengan perhatian global, berakhir dengan lapisan global dan menggunakan pengekod visual khusus untuk model ini. Profil yang terhasil dibina untuk input teks dan imej dengan output teks. Ini ialah fakta seni bina model; ia tidak menetapkan masa respons aplikasi atau membayangkan sokongan audio saiz Gemma 4 lain.
Konteks 256K tokennya menyokong tugasan yang menggabungkan teks yang banyak dengan bukti visual. Imej dan teks boleh diselang-selikan dalam satu gesaan; pengeluar mengesyorkan kandungan imej diletakkan sebelum teks berkaitan untuk hasil terbaik. Tugasan visual merangkumi pengesanan objek, pentafsiran halaman dokumen, pemahaman skrin dan antara muka, carta, OCR berbilang bahasa, tulisan tangan dan penunjukan lokasi. Outputnya ialah teks: kandungan diekstrak, penjelasan, kod atau cadangan tindakan alat.
Pemahaman video memproses jujukan bingkai. Kad model memberikan maksimum 60 saat apabila imej diproses pada satu bingkai sesaat. Sediakan episod berkaitan, kekalkan urutan bingkai dan berikan soalan tentang jujukan yang kelihatan. Profil visual 26B/31B ini tidak menerima audio; keupayaan pertuturan varian Gemma 4 lebih kecil yang didayakan audio tidak terpakai di sini. Jika tugasan memerlukan maklumat pertuturan, tambahkan transkripsinya sebagai teks.
Thinking boleh dikonfigurasi membolehkan model membuat penaakulan sebelum menjawab atau memberi jawapan terus. Gemma 4 menambah peranan system natif bersama peranan user dan assistant. Format gesaan Google mendayakan thinking dengan token kawalan <|think|> dalam gesaan system dan mengasingkan saluran pemikiran daripada jawapan akhir; processor yang didokumenkan boleh mengendalikan templat itu. Untuk perbualan berbilang giliran, kekalkan jawapan akhir terdahulu dalam sejarah dan kecualikan pemikiran terdahulu, kecuali dalam giliran panggilan alat, yang menurut pengeluar perlu mengekalkannya.
Native Function Calling menyokong penggunaan alat berstruktur, dan penerangan pelancaran Google turut mendokumenkan output JSON berstruktur. Tentukan tugasan, fungsi tersedia dan hasil yang dijangka; aplikasi melaksanakan operasi yang diminta serta mengembalikan outputnya untuk langkah seterusnya. Tugasan pengaturcaraan boleh meminta penjanaan, pelengkapan atau pembetulan, sementara pembantu visual boleh menggunakan teks yang dikembalikan untuk menerangkan carta atau skrin. Arahan panggilan fungsi berbeza daripada tindakan tersambung yang benar-benar telah dilaksanakan.
Resolusi imej berubah-ubah dikawal oleh ruang token visual. Pilihan yang didokumenkan ialah 70, 140, 280, 560 dan 1,120 token. Ruang lebih rendah sesuai untuk pengelasan, kapsyen atau jujukan bingkai; ruang lebih tinggi mengekalkan butiran untuk OCR, penghuraian dokumen dan teks kecil, dengan pengiraan tambahan. Tentukan sama ada anda memerlukan keseluruhan adegan atau tulisan yang tepat sebelum menyediakan imej. Potongan label yang jelas boleh lebih berguna untuk tugasan pengekstrakan daripada permintaan tanpa batas untuk memeriksa setiap butiran halaman penuh.
Google mengesyorkan temperature 1.0, top-p 0.95 dan top-k 64 sebagai konfigurasi pensampelan keluarga ini. Kad model membezakan latihan dalam lebih 140 bahasa daripada sokongan sedia guna dalam lebih 35 bahasa. Nyatakan bahasa jawapan dan kekalkan nama domain, nama medan atau formula dengan jelas dalam arahan. Angka 256K ialah spesifikasi konteks; kad model yang dirujuk tidak menetapkan angka output maksimum sejagat yang berasingan bagi edisi ini.
Untuk tugasan dokumen dan kod, bekalkan imej halaman berkaitan, keperluan bertulis dan fragmen sumber: “Baca label, terangkan perbezaan skrin ini daripada spesifikasi dan cadangkan pembetulan berfokus pada kod yang dibekalkan.” Untuk carta, minta jawapan mengasingkan nilai yang kelihatan daripada arah aliran yang disimpulkan. Kad model Gemma mencatat batasan melibatkan bahasa kabur, tugasan sangat rumit dan pernyataan fakta yang salah atau lapuk; oleh itu, lampirkan fakta berwibawa yang perlu digunakan oleh hasil yang diminta, bukan mengharapkan pengetahuan latihan membekalkannya.
", "aboutText": "Gemma 4 31B IT ialah edisi dense yang ditala untuk mengikuti arahan dalam keluarga terbuka Gemma 4 milik Google DeepMind. Google meletakkan model 31B pada mutu model dan penyesuaian untuk sesuatu tugasan, manakala edisi 26B A4B yang berasingan menggunakan campuran pakar untuk kecekapan inferens. Kad ini membincangkan edisi 31B yang ditala mengikut arahan ini, bukan pemberat pralatihnya atau terbitan yang dikuantisasikan.\n\nJadual seni bina dense rasmi menyenaraikan 30.7 bilion parameter, 60 lapisan, tetingkap gelongsor 1,024 token dan konteks 256K token. Keluarga ini menggabungkan perhatian tetingkap gelongsor setempat dengan perhatian global, berakhir dengan lapisan global dan menggunakan pengekod visual khusus untuk model ini. Profil yang terhasil dibina untuk input teks dan imej dengan output teks. Ini ialah fakta seni bina model; ia tidak menetapkan masa respons aplikasi atau membayangkan sokongan audio saiz Gemma 4 lain.\n\nKonteks 256K tokennya menyokong tugasan yang menggabungkan teks yang banyak dengan bukti visual. Imej dan teks boleh diselang-selikan dalam satu gesaan; pengeluar mengesyorkan kandungan imej diletakkan sebelum teks berkaitan untuk hasil terbaik. Tugasan visual merangkumi pengesanan objek, pentafsiran halaman dokumen, pemahaman skrin dan antara muka, carta, OCR berbilang bahasa, tulisan tangan dan penunjukan lokasi. Outputnya ialah teks: kandungan diekstrak, penjelasan, kod atau cadangan tindakan alat.\n\nPemahaman video memproses jujukan bingkai. Kad model memberikan maksimum 60 saat apabila imej diproses pada satu bingkai sesaat. Sediakan episod berkaitan, kekalkan urutan bingkai dan berikan soalan tentang jujukan yang kelihatan. Profil visual 26B/31B ini tidak menerima audio; keupayaan pertuturan varian Gemma 4 lebih kecil yang didayakan audio tidak terpakai di sini. Jika tugasan memerlukan maklumat pertuturan, tambahkan transkripsinya sebagai teks.\n\nThinking boleh dikonfigurasi membolehkan model membuat penaakulan sebelum menjawab atau memberi jawapan terus. Gemma 4 menambah peranan system natif bersama peranan user dan assistant. Format gesaan Google mendayakan thinking dengan token kawalan <|think|> dalam gesaan system dan mengasingkan saluran pemikiran daripada jawapan akhir; processor yang didokumenkan boleh mengendalikan templat itu. Untuk perbualan berbilang giliran, kekalkan jawapan akhir terdahulu dalam sejarah dan kecualikan pemikiran terdahulu, kecuali dalam giliran panggilan alat, yang menurut pengeluar perlu mengekalkannya.\n\nNative Function Calling menyokong penggunaan alat berstruktur, dan penerangan pelancaran Google turut mendokumenkan output JSON berstruktur. Tentukan tugasan, fungsi tersedia dan hasil yang dijangka; aplikasi melaksanakan operasi yang diminta serta mengembalikan outputnya untuk langkah seterusnya. Tugasan pengaturcaraan boleh meminta penjanaan, pelengkapan atau pembetulan, sementara pembantu visual boleh menggunakan teks yang dikembalikan untuk menerangkan carta atau skrin. Arahan panggilan fungsi berbeza daripada tindakan tersambung yang benar-benar telah dilaksanakan.\n\nResolusi imej berubah-ubah dikawal oleh ruang token visual. Pilihan yang didokumenkan ialah 70, 140, 280, 560 dan 1,120 token. Ruang lebih rendah sesuai untuk pengelasan, kapsyen atau jujukan bingkai; ruang lebih tinggi mengekalkan butiran untuk OCR, penghuraian dokumen dan teks kecil, dengan pengiraan tambahan. Tentukan sama ada anda memerlukan keseluruhan adegan atau tulisan yang tepat sebelum menyediakan imej. Potongan label yang jelas boleh lebih berguna untuk tugasan pengekstrakan daripada permintaan tanpa batas untuk memeriksa setiap butiran halaman penuh.\n\nGoogle mengesyorkan temperature 1.0, top-p 0.95 dan top-k 64 sebagai konfigurasi pensampelan keluarga ini. Kad model membezakan latihan dalam lebih 140 bahasa daripada sokongan sedia guna dalam lebih 35 bahasa. Nyatakan bahasa jawapan dan kekalkan nama domain, nama medan atau formula dengan jelas dalam arahan. Angka 256K ialah spesifikasi konteks; kad model yang dirujuk tidak menetapkan angka output maksimum sejagat yang berasingan bagi edisi ini.\n\nUntuk tugasan dokumen dan kod, bekalkan imej halaman berkaitan, keperluan bertulis dan fragmen sumber: “Baca label, terangkan perbezaan skrin ini daripada spesifikasi dan cadangkan pembetulan berfokus pada kod yang dibekalkan.” Untuk carta, minta jawapan mengasingkan nilai yang kelihatan daripada arah aliran yang disimpulkan. Kad model Gemma mencatat batasan melibatkan bahasa kabur, tugasan sangat rumit dan pernyataan fakta yang salah atau lapuk; oleh itu, lampirkan fakta berwibawa yang perlu digunakan oleh hasil yang diminta, bukan mengharapkan pengetahuan latihan membekalkannya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.google/gemma-4-31b-itGemma 4 31B IT ialah model Google berseni bina padat yang ditala mengikut arahan untuk penaakulan teks dan visual. Konteks 256K, pemikiran yang boleh dikonfigurasi, pemahaman imej dan video berasaskan bingkai serta panggilan fungsi asli menyokong tugas pengekodan, dokumen dan ejen 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 31B IT ialah edisi dense yang ditala untuk mengikuti arahan dalam keluarga terbuka Gemma 4 milik Google DeepMind. Google meletakkan model 31B pada mutu model dan penyesuaian untuk sesuatu tugasan, manakala edisi 26B A4B yang berasingan menggunakan campuran pakar untuk kecekapan inferens. Kad ini membincangkan edisi 31B yang ditala mengikut arahan ini, bukan pemberat pralatihnya atau terbitan yang dikuantisasikan.
Jadual seni bina dense rasmi menyenaraikan 30.7 bilion parameter, 60 lapisan, tetingkap gelongsor 1,024 token dan konteks 256K token. Keluarga ini menggabungkan perhatian tetingkap gelongsor setempat dengan perhatian global, berakhir dengan lapisan global dan menggunakan pengekod visual khusus untuk model ini. Profil yang terhasil dibina untuk input teks dan imej dengan output teks. Ini ialah fakta seni bina model; ia tidak menetapkan masa respons aplikasi atau membayangkan sokongan audio saiz Gemma 4 lain.
Konteks 256K tokennya menyokong tugasan yang menggabungkan teks yang banyak dengan bukti visual. Imej dan teks boleh diselang-selikan dalam satu gesaan; pengeluar mengesyorkan kandungan imej diletakkan sebelum teks berkaitan untuk hasil terbaik. Tugasan visual merangkumi pengesanan objek, pentafsiran halaman dokumen, pemahaman skrin dan antara muka, carta, OCR berbilang bahasa, tulisan tangan dan penunjukan lokasi. Outputnya ialah teks: kandungan diekstrak, penjelasan, kod atau cadangan tindakan alat.
Pemahaman video memproses jujukan bingkai. Kad model memberikan maksimum 60 saat apabila imej diproses pada satu bingkai sesaat. Sediakan episod berkaitan, kekalkan urutan bingkai dan berikan soalan tentang jujukan yang kelihatan. Profil visual 26B/31B ini tidak menerima audio; keupayaan pertuturan varian Gemma 4 lebih kecil yang didayakan audio tidak terpakai di sini. Jika tugasan memerlukan maklumat pertuturan, tambahkan transkripsinya sebagai teks.
Thinking boleh dikonfigurasi membolehkan model membuat penaakulan sebelum menjawab atau memberi jawapan terus. Gemma 4 menambah peranan system natif bersama peranan user dan assistant. Format gesaan Google mendayakan thinking dengan token kawalan <|think|> dalam gesaan system dan mengasingkan saluran pemikiran daripada jawapan akhir; processor yang didokumenkan boleh mengendalikan templat itu. Untuk perbualan berbilang giliran, kekalkan jawapan akhir terdahulu dalam sejarah dan kecualikan pemikiran terdahulu, kecuali dalam giliran panggilan alat, yang menurut pengeluar perlu mengekalkannya.
Native Function Calling menyokong penggunaan alat berstruktur, dan penerangan pelancaran Google turut mendokumenkan output JSON berstruktur. Tentukan tugasan, fungsi tersedia dan hasil yang dijangka; aplikasi melaksanakan operasi yang diminta serta mengembalikan outputnya untuk langkah seterusnya. Tugasan pengaturcaraan boleh meminta penjanaan, pelengkapan atau pembetulan, sementara pembantu visual boleh menggunakan teks yang dikembalikan untuk menerangkan carta atau skrin. Arahan panggilan fungsi berbeza daripada tindakan tersambung yang benar-benar telah dilaksanakan.
Resolusi imej berubah-ubah dikawal oleh ruang token visual. Pilihan yang didokumenkan ialah 70, 140, 280, 560 dan 1,120 token. Ruang lebih rendah sesuai untuk pengelasan, kapsyen atau jujukan bingkai; ruang lebih tinggi mengekalkan butiran untuk OCR, penghuraian dokumen dan teks kecil, dengan pengiraan tambahan. Tentukan sama ada anda memerlukan keseluruhan adegan atau tulisan yang tepat sebelum menyediakan imej. Potongan label yang jelas boleh lebih berguna untuk tugasan pengekstrakan daripada permintaan tanpa batas untuk memeriksa setiap butiran halaman penuh.
Google mengesyorkan temperature 1.0, top-p 0.95 dan top-k 64 sebagai konfigurasi pensampelan keluarga ini. Kad model membezakan latihan dalam lebih 140 bahasa daripada sokongan sedia guna dalam lebih 35 bahasa. Nyatakan bahasa jawapan dan kekalkan nama domain, nama medan atau formula dengan jelas dalam arahan. Angka 256K ialah spesifikasi konteks; kad model yang dirujuk tidak menetapkan angka output maksimum sejagat yang berasingan bagi edisi ini.
Untuk tugasan dokumen dan kod, bekalkan imej halaman berkaitan, keperluan bertulis dan fragmen sumber: “Baca label, terangkan perbezaan skrin ini daripada spesifikasi dan cadangkan pembetulan berfokus pada kod yang dibekalkan.” Untuk carta, minta jawapan mengasingkan nilai yang kelihatan daripada arah aliran yang disimpulkan. Kad model Gemma mencatat batasan melibatkan bahasa kabur, tugasan sangat rumit dan pernyataan fakta yang salah atau lapuk; oleh itu, lampirkan fakta berwibawa yang perlu digunakan oleh hasil yang diminta, bukan mengharapkan pengetahuan latihan membekalkannya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemma-4-31b-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 $0.0002 / 1K token Output · Token output $0.00068 / 1K token Input · Bacaan cache $0.0002 / 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 $0.0002 / 1K token Output · Token output $0.00068 / 1K token Input · Bacaan cache $0.0002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-31b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-4-31b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-4-31b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-4-31b-it
Gunakan laluan kaedah yang dipaparkan di atas.
google/gemma-4-31b-itGemma 4 31B IT ialah model Google berseni bina padat yang ditala mengikut arahan untuk penaakulan teks dan visual. Konteks 256K, pemikiran yang boleh dikonfigurasi, pemahaman imej dan video berasaskan bingkai serta panggilan fungsi asli menyokong tugas pengekodan, dokumen dan ejen 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 31B IT ialah edisi dense yang ditala untuk mengikuti arahan dalam keluarga terbuka Gemma 4 milik Google DeepMind. Google meletakkan model 31B pada mutu model dan penyesuaian untuk sesuatu tugasan, manakala edisi 26B A4B yang berasingan menggunakan campuran pakar untuk kecekapan inferens. Kad ini membincangkan edisi 31B yang ditala mengikut arahan ini, bukan pemberat pralatihnya atau terbitan yang dikuantisasikan.
Jadual seni bina dense rasmi menyenaraikan 30.7 bilion parameter, 60 lapisan, tetingkap gelongsor 1,024 token dan konteks 256K token. Keluarga ini menggabungkan perhatian tetingkap gelongsor setempat dengan perhatian global, berakhir dengan lapisan global dan menggunakan pengekod visual khusus untuk model ini. Profil yang terhasil dibina untuk input teks dan imej dengan output teks. Ini ialah fakta seni bina model; ia tidak menetapkan masa respons aplikasi atau membayangkan sokongan audio saiz Gemma 4 lain.
Konteks 256K tokennya menyokong tugasan yang menggabungkan teks yang banyak dengan bukti visual. Imej dan teks boleh diselang-selikan dalam satu gesaan; pengeluar mengesyorkan kandungan imej diletakkan sebelum teks berkaitan untuk hasil terbaik. Tugasan visual merangkumi pengesanan objek, pentafsiran halaman dokumen, pemahaman skrin dan antara muka, carta, OCR berbilang bahasa, tulisan tangan dan penunjukan lokasi. Outputnya ialah teks: kandungan diekstrak, penjelasan, kod atau cadangan tindakan alat.
Pemahaman video memproses jujukan bingkai. Kad model memberikan maksimum 60 saat apabila imej diproses pada satu bingkai sesaat. Sediakan episod berkaitan, kekalkan urutan bingkai dan berikan soalan tentang jujukan yang kelihatan. Profil visual 26B/31B ini tidak menerima audio; keupayaan pertuturan varian Gemma 4 lebih kecil yang didayakan audio tidak terpakai di sini. Jika tugasan memerlukan maklumat pertuturan, tambahkan transkripsinya sebagai teks.
Thinking boleh dikonfigurasi membolehkan model membuat penaakulan sebelum menjawab atau memberi jawapan terus. Gemma 4 menambah peranan system natif bersama peranan user dan assistant. Format gesaan Google mendayakan thinking dengan token kawalan <|think|> dalam gesaan system dan mengasingkan saluran pemikiran daripada jawapan akhir; processor yang didokumenkan boleh mengendalikan templat itu. Untuk perbualan berbilang giliran, kekalkan jawapan akhir terdahulu dalam sejarah dan kecualikan pemikiran terdahulu, kecuali dalam giliran panggilan alat, yang menurut pengeluar perlu mengekalkannya.
Native Function Calling menyokong penggunaan alat berstruktur, dan penerangan pelancaran Google turut mendokumenkan output JSON berstruktur. Tentukan tugasan, fungsi tersedia dan hasil yang dijangka; aplikasi melaksanakan operasi yang diminta serta mengembalikan outputnya untuk langkah seterusnya. Tugasan pengaturcaraan boleh meminta penjanaan, pelengkapan atau pembetulan, sementara pembantu visual boleh menggunakan teks yang dikembalikan untuk menerangkan carta atau skrin. Arahan panggilan fungsi berbeza daripada tindakan tersambung yang benar-benar telah dilaksanakan.
Resolusi imej berubah-ubah dikawal oleh ruang token visual. Pilihan yang didokumenkan ialah 70, 140, 280, 560 dan 1,120 token. Ruang lebih rendah sesuai untuk pengelasan, kapsyen atau jujukan bingkai; ruang lebih tinggi mengekalkan butiran untuk OCR, penghuraian dokumen dan teks kecil, dengan pengiraan tambahan. Tentukan sama ada anda memerlukan keseluruhan adegan atau tulisan yang tepat sebelum menyediakan imej. Potongan label yang jelas boleh lebih berguna untuk tugasan pengekstrakan daripada permintaan tanpa batas untuk memeriksa setiap butiran halaman penuh.
Google mengesyorkan temperature 1.0, top-p 0.95 dan top-k 64 sebagai konfigurasi pensampelan keluarga ini. Kad model membezakan latihan dalam lebih 140 bahasa daripada sokongan sedia guna dalam lebih 35 bahasa. Nyatakan bahasa jawapan dan kekalkan nama domain, nama medan atau formula dengan jelas dalam arahan. Angka 256K ialah spesifikasi konteks; kad model yang dirujuk tidak menetapkan angka output maksimum sejagat yang berasingan bagi edisi ini.
Untuk tugasan dokumen dan kod, bekalkan imej halaman berkaitan, keperluan bertulis dan fragmen sumber: “Baca label, terangkan perbezaan skrin ini daripada spesifikasi dan cadangkan pembetulan berfokus pada kod yang dibekalkan.” Untuk carta, minta jawapan mengasingkan nilai yang kelihatan daripada arah aliran yang disimpulkan. Kad model Gemma mencatat batasan melibatkan bahasa kabur, tugasan sangat rumit dan pernyataan fakta yang salah atau lapuk; oleh itu, lampirkan fakta berwibawa yang perlu digunakan oleh hasil yang diminta, bukan mengharapkan pengetahuan latihan membekalkannya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had google/gemma-4-31b-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 $0.0002 / 1K token Output · Token output $0.00068 / 1K token Input · Bacaan cache $0.0002 / 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 $0.0002 / 1K token Output · Token output $0.00068 / 1K token Input · Bacaan cache $0.0002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "google/gemma-4-31b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-31b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-31b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-4-31b-it
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.