Llama Guard 4 12B ialah pengelas keselamatan multimodal natif Meta dengan 12 bilion parameter. Model ini dilatih bersama pada teks dan berbilang imej serta menjana pengelasan teks: safe atau unsafe, dengan kategori bahaya yang dilanggar apabila hasilnya unsafe. Tujuannya ialah menilai kandungan dalam prom atau respons yang dijana dan bukannya bertindak sebagai pembantu sembang umum.
Pengelasan prom dan respons
Model boleh mengelaskan bahan sebelum ia dihantar kepada model generatif, selepas model itu menghasilkan jawapan, atau pada kedua-dua peringkat. Ini ialah soalan yang berbeza. Pengelasan prom menilai input pengguna, manakala pengelasan respons menilai perkara yang benar-benar ditulis pembantu. Oleh itu, sistem boleh membezakan permintaan berisiko daripada respons yang mengendalikan permintaan dengan cara yang boleh diterima di bawah taksonomi pengelas.
Bekalkan kandungan tepat untuk dikelaskan bersama peranan perbualan dan konteks yang berkaitan. Jika sasarannya ialah respons, kekalkan soalan yang memberikan makna kepada respons itu. Untuk input campuran teks dan imej, sertakan imej yang berkaitan dengan prom tersebut dan bukannya mengelaskan teks yang tidak berkaitan atau satu imej yang dipilih sewenang-wenangnya. Hasil pengelas ialah maklumat untuk peraturan atau langkah semakan aplikasi; ia tidak dengan sendirinya menyekat permintaan atau mengubah fail.
Empat belas kategori bahaya
Pengeluar menjajarkan pengelas dengan taksonomi bahaya MLCommons dan menambah kategori pentafsir kod untuk teks sahaja. Empat belas label itu meliputi jenayah ganas, jenayah tanpa keganasan, jenayah berkaitan seks, eksploitasi seksual kanak-kanak, fitnah, nasihat khusus, privasi, harta intelek, senjata tanpa pembezaan sasaran, kebencian, bunuh diri dan mencederakan diri, kandungan seksual, pilihan raya dan penyalahgunaan pentafsir kod.
Kategori menggunakan pengecam S1 hingga S14. S14, Code Interpreter Abuse, khusus untuk kes penggunaan panggilan alat teks sahaja. Simpan pengecam taksonomi bersama hasil safe/unsafe supaya langkah aplikasi kemudian boleh mentafsir pengelasan di bawah takrif kategori yang sama. Hasil ringkas ialah pertimbangan kategori, bukannya penjelasan penuh, penentuan undang-undang atau jaminan bahawa setiap kemungkinan bahaya telah dikesan.
Untuk format ilustrasi, pengelasan unsafe boleh diikuti pengecam kategori yang terpakai. Simpan teks asal yang dinilai, sumber atau kedudukannya dalam perbualan dan label yang dikembalikan bersama-sama. Perkaitan itu membolehkan aplikasi membezakan kandungan yang diperiksa daripada respons yang ditulis semula selepas itu atau prom berasingan.
Seni bina dan latihan
Llama Guard 4 mempunyai seni bina Transformer padat dengan penggabungan awal, dipangkas daripada checkpoint Llama 4 Scout pralatih. Pengeluar membuang pakar yang dipilih melalui penghalaan dan lapisan penghala serta mengekalkan pakar padat yang dikongsi, kemudian menjalankan pascalatihan model yang terhasil untuk pengelasan kandungan. Ia tidak melakukan pralatihan tambahan selepas langkah pemangkasan itu. Ini menghasilkan model yang berbeza daripada edisi sembang campuran pakar Scout.
Model berkongsi tokenizer dan pengekod penglihatan Llama 4 serta menggabungkan latihan pengelasan teks sahaja dan multimodal. Pengeluar menerangkan data berbilang bahasa dan latihan berbilang imej, dengan kebanyakan sampel tersebut mengandungi dua hingga lima imej serta campuran data teks sahaja kepada multimodal kira-kira tiga berbanding satu. Itu ialah ciri latihan, bukannya had mutlak bilangan input.
Skop berbilang bahasa yang didokumenkan mengikuti bahasa yang disokong Llama Guard 3, dan kad membincangkan bahasa Inggeris bersama Perancis, Jerman, Hindi, Itali, Portugis, Sepanyol dan Thai. Permintaan pengelasan perlu mengekalkan perkataan sebenar dan konteks visual dalam bahasa yang dinilai dan bukannya menggantikan kandungan dengan ringkasan yang tidak berkaitan.
Menyediakan hasil pengelasan yang berguna
Untuk semakan input, berikan mesej pengguna dan imej yang berkaitan dengannya serta minta pengelasan prom dalam format pengeluar. Untuk semakan output, berikan respons sebenar pembantu bersama mesej terdahulu yang berkaitan. Contoh berbilang imej boleh mengekalkan teks yang menghubungkan imej supaya model menilai permintaan gabungan dan bukannya fragmen bebas tanpa konteks.
Kad model menunjukkan penggunaan templat perbualan yang sepadan dan penyahkodan hanya pengelasan yang dijana. Contoh penjanaan sepuluh tokennya menunjukkan hasil label ringkas; nombor itu bukan kapasiti jawapan maksimum yang berasingan. Pastikan output yang diminta sejajar dengan tujuan pengelas dan bukannya memintanya menulis jawapan perbualan biasa.
Had khusus
Pengeluar menyatakan bahawa pertimbangan mungkin dihadkan oleh data latihan model, pengetahuan akal budi, liputan bahasa dan liputan dasar. Kategori fitnah, harta intelek dan berkaitan pilihan raya boleh memerlukan pengetahuan fakta semasa yang mungkin tidak dimiliki pengelas. Oleh itu, label kategori perlu mengekalkan kaitannya dengan kandungan dan maklumat yang tersedia untuk penilaian tersebut.
Kad melaporkan ujian kebanyakannya pada prom dengan beberapa imej, paling kerap tiga, dan menyatakan bahawa tingkah laku mungkin berbeza dengan himpunan imej yang jauh lebih besar. Ini menerangkan skop yang diuji dan bukannya maksimum sejagat tiga imej. Model juga boleh terdedah kepada kandungan adversarial atau suntikan prom yang mengubah tingkah laku yang dimaksudkan.
Peranan pengelas Llama Guard 4 tidak sepatutnya mewarisi spesifikasi konteks atau keupayaan pembantu umum Scout hanya kerana ia dipangkas daripada Scout. Kad yang dibaca tidak memberikan had mutlak yang berasingan bagi konteks atau token output pengelas ini. Kekalkan bahan yang dinilai dan label taksonomi sebagai artifak praktikal, dan biarkan aplikasi menentukan tindakan yang berkaitan dengan hasil tersebut.
", "aboutText": "Llama Guard 4 12B ialah pengelas keselamatan multimodal natif Meta dengan 12 bilion parameter. Model ini dilatih bersama pada teks dan berbilang imej serta menjana pengelasan teks: safe atau unsafe, dengan kategori bahaya yang dilanggar apabila hasilnya unsafe. Tujuannya ialah menilai kandungan dalam prom atau respons yang dijana dan bukannya bertindak sebagai pembantu sembang umum.\n\nPengelasan prom dan respons\n\nModel boleh mengelaskan bahan sebelum ia dihantar kepada model generatif, selepas model itu menghasilkan jawapan, atau pada kedua-dua peringkat. Ini ialah soalan yang berbeza. Pengelasan prom menilai input pengguna, manakala pengelasan respons menilai perkara yang benar-benar ditulis pembantu. Oleh itu, sistem boleh membezakan permintaan berisiko daripada respons yang mengendalikan permintaan dengan cara yang boleh diterima di bawah taksonomi pengelas.\n\nBekalkan kandungan tepat untuk dikelaskan bersama peranan perbualan dan konteks yang berkaitan. Jika sasarannya ialah respons, kekalkan soalan yang memberikan makna kepada respons itu. Untuk input campuran teks dan imej, sertakan imej yang berkaitan dengan prom tersebut dan bukannya mengelaskan teks yang tidak berkaitan atau satu imej yang dipilih sewenang-wenangnya. Hasil pengelas ialah maklumat untuk peraturan atau langkah semakan aplikasi; ia tidak dengan sendirinya menyekat permintaan atau mengubah fail.\n\nEmpat belas kategori bahaya\n\nPengeluar menjajarkan pengelas dengan taksonomi bahaya MLCommons dan menambah kategori pentafsir kod untuk teks sahaja. Empat belas label itu meliputi jenayah ganas, jenayah tanpa keganasan, jenayah berkaitan seks, eksploitasi seksual kanak-kanak, fitnah, nasihat khusus, privasi, harta intelek, senjata tanpa pembezaan sasaran, kebencian, bunuh diri dan mencederakan diri, kandungan seksual, pilihan raya dan penyalahgunaan pentafsir kod.\n\nKategori menggunakan pengecam S1 hingga S14. S14, Code Interpreter Abuse, khusus untuk kes penggunaan panggilan alat teks sahaja. Simpan pengecam taksonomi bersama hasil safe/unsafe supaya langkah aplikasi kemudian boleh mentafsir pengelasan di bawah takrif kategori yang sama. Hasil ringkas ialah pertimbangan kategori, bukannya penjelasan penuh, penentuan undang-undang atau jaminan bahawa setiap kemungkinan bahaya telah dikesan.\n\nUntuk format ilustrasi, pengelasan unsafe boleh diikuti pengecam kategori yang terpakai. Simpan teks asal yang dinilai, sumber atau kedudukannya dalam perbualan dan label yang dikembalikan bersama-sama. Perkaitan itu membolehkan aplikasi membezakan kandungan yang diperiksa daripada respons yang ditulis semula selepas itu atau prom berasingan.\n\nSeni bina dan latihan\n\nLlama Guard 4 mempunyai seni bina Transformer padat dengan penggabungan awal, dipangkas daripada checkpoint Llama 4 Scout pralatih. Pengeluar membuang pakar yang dipilih melalui penghalaan dan lapisan penghala serta mengekalkan pakar padat yang dikongsi, kemudian menjalankan pascalatihan model yang terhasil untuk pengelasan kandungan. Ia tidak melakukan pralatihan tambahan selepas langkah pemangkasan itu. Ini menghasilkan model yang berbeza daripada edisi sembang campuran pakar Scout.\n\nModel berkongsi tokenizer dan pengekod penglihatan Llama 4 serta menggabungkan latihan pengelasan teks sahaja dan multimodal. Pengeluar menerangkan data berbilang bahasa dan latihan berbilang imej, dengan kebanyakan sampel tersebut mengandungi dua hingga lima imej serta campuran data teks sahaja kepada multimodal kira-kira tiga berbanding satu. Itu ialah ciri latihan, bukannya had mutlak bilangan input.\n\nSkop berbilang bahasa yang didokumenkan mengikuti bahasa yang disokong Llama Guard 3, dan kad membincangkan bahasa Inggeris bersama Perancis, Jerman, Hindi, Itali, Portugis, Sepanyol dan Thai. Permintaan pengelasan perlu mengekalkan perkataan sebenar dan konteks visual dalam bahasa yang dinilai dan bukannya menggantikan kandungan dengan ringkasan yang tidak berkaitan.\n\nMenyediakan hasil pengelasan yang berguna\n\nUntuk semakan input, berikan mesej pengguna dan imej yang berkaitan dengannya serta minta pengelasan prom dalam format pengeluar. Untuk semakan output, berikan respons sebenar pembantu bersama mesej terdahulu yang berkaitan. Contoh berbilang imej boleh mengekalkan teks yang menghubungkan imej supaya model menilai permintaan gabungan dan bukannya fragmen bebas tanpa konteks.\n\nKad model menunjukkan penggunaan templat perbualan yang sepadan dan penyahkodan hanya pengelasan yang dijana. Contoh penjanaan sepuluh tokennya menunjukkan hasil label ringkas; nombor itu bukan kapasiti jawapan maksimum yang berasingan. Pastikan output yang diminta sejajar dengan tujuan pengelas dan bukannya memintanya menulis jawapan perbualan biasa.\n\nHad khusus\n\nPengeluar menyatakan bahawa pertimbangan mungkin dihadkan oleh data latihan model, pengetahuan akal budi, liputan bahasa dan liputan dasar. Kategori fitnah, harta intelek dan berkaitan pilihan raya boleh memerlukan pengetahuan fakta semasa yang mungkin tidak dimiliki pengelas. Oleh itu, label kategori perlu mengekalkan kaitannya dengan kandungan dan maklumat yang tersedia untuk penilaian tersebut.\n\nKad melaporkan ujian kebanyakannya pada prom dengan beberapa imej, paling kerap tiga, dan menyatakan bahawa tingkah laku mungkin berbeza dengan himpunan imej yang jauh lebih besar. Ini menerangkan skop yang diuji dan bukannya maksimum sejagat tiga imej. Model juga boleh terdedah kepada kandungan adversarial atau suntikan prom yang mengubah tingkah laku yang dimaksudkan.\n\nPeranan pengelas Llama Guard 4 tidak sepatutnya mewarisi spesifikasi konteks atau keupayaan pembantu umum Scout hanya kerana ia dipangkas daripada Scout. Kad yang dibaca tidak memberikan had mutlak yang berasingan bagi konteks atau token output pengelas ini. Kekalkan bahan yang dinilai dan label taksonomi sebagai artifak praktikal, dan biarkan aplikasi menentukan tindakan yang berkaitan dengan hasil tersebut.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B ialah pengelas kandungan multimodal Meta untuk prom dan respons yang dijana. Model ini menganalisis teks bersama satu atau lebih imej dan mengembalikan label safe/unsafe serta kategori bahaya yang terpakai, menggunakan seni bina padat yang dipangkas daripada Llama 4 Scout.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Llama Guard 4 12B ialah pengelas keselamatan multimodal natif Meta dengan 12 bilion parameter. Model ini dilatih bersama pada teks dan berbilang imej serta menjana pengelasan teks: safe atau unsafe, dengan kategori bahaya yang dilanggar apabila hasilnya unsafe. Tujuannya ialah menilai kandungan dalam prom atau respons yang dijana dan bukannya bertindak sebagai pembantu sembang umum.
Pengelasan prom dan respons
Model boleh mengelaskan bahan sebelum ia dihantar kepada model generatif, selepas model itu menghasilkan jawapan, atau pada kedua-dua peringkat. Ini ialah soalan yang berbeza. Pengelasan prom menilai input pengguna, manakala pengelasan respons menilai perkara yang benar-benar ditulis pembantu. Oleh itu, sistem boleh membezakan permintaan berisiko daripada respons yang mengendalikan permintaan dengan cara yang boleh diterima di bawah taksonomi pengelas.
Bekalkan kandungan tepat untuk dikelaskan bersama peranan perbualan dan konteks yang berkaitan. Jika sasarannya ialah respons, kekalkan soalan yang memberikan makna kepada respons itu. Untuk input campuran teks dan imej, sertakan imej yang berkaitan dengan prom tersebut dan bukannya mengelaskan teks yang tidak berkaitan atau satu imej yang dipilih sewenang-wenangnya. Hasil pengelas ialah maklumat untuk peraturan atau langkah semakan aplikasi; ia tidak dengan sendirinya menyekat permintaan atau mengubah fail.
Empat belas kategori bahaya
Pengeluar menjajarkan pengelas dengan taksonomi bahaya MLCommons dan menambah kategori pentafsir kod untuk teks sahaja. Empat belas label itu meliputi jenayah ganas, jenayah tanpa keganasan, jenayah berkaitan seks, eksploitasi seksual kanak-kanak, fitnah, nasihat khusus, privasi, harta intelek, senjata tanpa pembezaan sasaran, kebencian, bunuh diri dan mencederakan diri, kandungan seksual, pilihan raya dan penyalahgunaan pentafsir kod.
Kategori menggunakan pengecam S1 hingga S14. S14, Code Interpreter Abuse, khusus untuk kes penggunaan panggilan alat teks sahaja. Simpan pengecam taksonomi bersama hasil safe/unsafe supaya langkah aplikasi kemudian boleh mentafsir pengelasan di bawah takrif kategori yang sama. Hasil ringkas ialah pertimbangan kategori, bukannya penjelasan penuh, penentuan undang-undang atau jaminan bahawa setiap kemungkinan bahaya telah dikesan.
Untuk format ilustrasi, pengelasan unsafe boleh diikuti pengecam kategori yang terpakai. Simpan teks asal yang dinilai, sumber atau kedudukannya dalam perbualan dan label yang dikembalikan bersama-sama. Perkaitan itu membolehkan aplikasi membezakan kandungan yang diperiksa daripada respons yang ditulis semula selepas itu atau prom berasingan.
Seni bina dan latihan
Llama Guard 4 mempunyai seni bina Transformer padat dengan penggabungan awal, dipangkas daripada checkpoint Llama 4 Scout pralatih. Pengeluar membuang pakar yang dipilih melalui penghalaan dan lapisan penghala serta mengekalkan pakar padat yang dikongsi, kemudian menjalankan pascalatihan model yang terhasil untuk pengelasan kandungan. Ia tidak melakukan pralatihan tambahan selepas langkah pemangkasan itu. Ini menghasilkan model yang berbeza daripada edisi sembang campuran pakar Scout.
Model berkongsi tokenizer dan pengekod penglihatan Llama 4 serta menggabungkan latihan pengelasan teks sahaja dan multimodal. Pengeluar menerangkan data berbilang bahasa dan latihan berbilang imej, dengan kebanyakan sampel tersebut mengandungi dua hingga lima imej serta campuran data teks sahaja kepada multimodal kira-kira tiga berbanding satu. Itu ialah ciri latihan, bukannya had mutlak bilangan input.
Skop berbilang bahasa yang didokumenkan mengikuti bahasa yang disokong Llama Guard 3, dan kad membincangkan bahasa Inggeris bersama Perancis, Jerman, Hindi, Itali, Portugis, Sepanyol dan Thai. Permintaan pengelasan perlu mengekalkan perkataan sebenar dan konteks visual dalam bahasa yang dinilai dan bukannya menggantikan kandungan dengan ringkasan yang tidak berkaitan.
Menyediakan hasil pengelasan yang berguna
Untuk semakan input, berikan mesej pengguna dan imej yang berkaitan dengannya serta minta pengelasan prom dalam format pengeluar. Untuk semakan output, berikan respons sebenar pembantu bersama mesej terdahulu yang berkaitan. Contoh berbilang imej boleh mengekalkan teks yang menghubungkan imej supaya model menilai permintaan gabungan dan bukannya fragmen bebas tanpa konteks.
Kad model menunjukkan penggunaan templat perbualan yang sepadan dan penyahkodan hanya pengelasan yang dijana. Contoh penjanaan sepuluh tokennya menunjukkan hasil label ringkas; nombor itu bukan kapasiti jawapan maksimum yang berasingan. Pastikan output yang diminta sejajar dengan tujuan pengelas dan bukannya memintanya menulis jawapan perbualan biasa.
Had khusus
Pengeluar menyatakan bahawa pertimbangan mungkin dihadkan oleh data latihan model, pengetahuan akal budi, liputan bahasa dan liputan dasar. Kategori fitnah, harta intelek dan berkaitan pilihan raya boleh memerlukan pengetahuan fakta semasa yang mungkin tidak dimiliki pengelas. Oleh itu, label kategori perlu mengekalkan kaitannya dengan kandungan dan maklumat yang tersedia untuk penilaian tersebut.
Kad melaporkan ujian kebanyakannya pada prom dengan beberapa imej, paling kerap tiga, dan menyatakan bahawa tingkah laku mungkin berbeza dengan himpunan imej yang jauh lebih besar. Ini menerangkan skop yang diuji dan bukannya maksimum sejagat tiga imej. Model juga boleh terdedah kepada kandungan adversarial atau suntikan prom yang mengubah tingkah laku yang dimaksudkan.
Peranan pengelas Llama Guard 4 tidak sepatutnya mewarisi spesifikasi konteks atau keupayaan pembantu umum Scout hanya kerana ia dipangkas daripada Scout. Kad yang dibaca tidak memberikan had mutlak yang berasingan bagi konteks atau token output pengelas ini. Kekalkan bahan yang dinilai dan label taksonomi sebagai artifak praktikal, dan biarkan aplikasi menentukan tindakan yang berkaitan dengan hasil tersebut.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Output · Token output $0.00036 / 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 $0.00036 / 1K token Output · Token output $0.00036 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-guard-4-12b", "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='meta-llama/llama-guard-4-12b',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='meta-llama/llama-guard-4-12b',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 meta-llama/llama-guard-4-12b
Gunakan laluan kaedah yang dipaparkan di atas.
meta-llama/llama-guard-4-12bLlama Guard 4 12B ialah pengelas kandungan multimodal Meta untuk prom dan respons yang dijana. Model ini menganalisis teks bersama satu atau lebih imej dan mengembalikan label safe/unsafe serta kategori bahaya yang terpakai, menggunakan seni bina padat yang dipangkas daripada Llama 4 Scout.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Llama Guard 4 12B ialah pengelas keselamatan multimodal natif Meta dengan 12 bilion parameter. Model ini dilatih bersama pada teks dan berbilang imej serta menjana pengelasan teks: safe atau unsafe, dengan kategori bahaya yang dilanggar apabila hasilnya unsafe. Tujuannya ialah menilai kandungan dalam prom atau respons yang dijana dan bukannya bertindak sebagai pembantu sembang umum.
Pengelasan prom dan respons
Model boleh mengelaskan bahan sebelum ia dihantar kepada model generatif, selepas model itu menghasilkan jawapan, atau pada kedua-dua peringkat. Ini ialah soalan yang berbeza. Pengelasan prom menilai input pengguna, manakala pengelasan respons menilai perkara yang benar-benar ditulis pembantu. Oleh itu, sistem boleh membezakan permintaan berisiko daripada respons yang mengendalikan permintaan dengan cara yang boleh diterima di bawah taksonomi pengelas.
Bekalkan kandungan tepat untuk dikelaskan bersama peranan perbualan dan konteks yang berkaitan. Jika sasarannya ialah respons, kekalkan soalan yang memberikan makna kepada respons itu. Untuk input campuran teks dan imej, sertakan imej yang berkaitan dengan prom tersebut dan bukannya mengelaskan teks yang tidak berkaitan atau satu imej yang dipilih sewenang-wenangnya. Hasil pengelas ialah maklumat untuk peraturan atau langkah semakan aplikasi; ia tidak dengan sendirinya menyekat permintaan atau mengubah fail.
Empat belas kategori bahaya
Pengeluar menjajarkan pengelas dengan taksonomi bahaya MLCommons dan menambah kategori pentafsir kod untuk teks sahaja. Empat belas label itu meliputi jenayah ganas, jenayah tanpa keganasan, jenayah berkaitan seks, eksploitasi seksual kanak-kanak, fitnah, nasihat khusus, privasi, harta intelek, senjata tanpa pembezaan sasaran, kebencian, bunuh diri dan mencederakan diri, kandungan seksual, pilihan raya dan penyalahgunaan pentafsir kod.
Kategori menggunakan pengecam S1 hingga S14. S14, Code Interpreter Abuse, khusus untuk kes penggunaan panggilan alat teks sahaja. Simpan pengecam taksonomi bersama hasil safe/unsafe supaya langkah aplikasi kemudian boleh mentafsir pengelasan di bawah takrif kategori yang sama. Hasil ringkas ialah pertimbangan kategori, bukannya penjelasan penuh, penentuan undang-undang atau jaminan bahawa setiap kemungkinan bahaya telah dikesan.
Untuk format ilustrasi, pengelasan unsafe boleh diikuti pengecam kategori yang terpakai. Simpan teks asal yang dinilai, sumber atau kedudukannya dalam perbualan dan label yang dikembalikan bersama-sama. Perkaitan itu membolehkan aplikasi membezakan kandungan yang diperiksa daripada respons yang ditulis semula selepas itu atau prom berasingan.
Seni bina dan latihan
Llama Guard 4 mempunyai seni bina Transformer padat dengan penggabungan awal, dipangkas daripada checkpoint Llama 4 Scout pralatih. Pengeluar membuang pakar yang dipilih melalui penghalaan dan lapisan penghala serta mengekalkan pakar padat yang dikongsi, kemudian menjalankan pascalatihan model yang terhasil untuk pengelasan kandungan. Ia tidak melakukan pralatihan tambahan selepas langkah pemangkasan itu. Ini menghasilkan model yang berbeza daripada edisi sembang campuran pakar Scout.
Model berkongsi tokenizer dan pengekod penglihatan Llama 4 serta menggabungkan latihan pengelasan teks sahaja dan multimodal. Pengeluar menerangkan data berbilang bahasa dan latihan berbilang imej, dengan kebanyakan sampel tersebut mengandungi dua hingga lima imej serta campuran data teks sahaja kepada multimodal kira-kira tiga berbanding satu. Itu ialah ciri latihan, bukannya had mutlak bilangan input.
Skop berbilang bahasa yang didokumenkan mengikuti bahasa yang disokong Llama Guard 3, dan kad membincangkan bahasa Inggeris bersama Perancis, Jerman, Hindi, Itali, Portugis, Sepanyol dan Thai. Permintaan pengelasan perlu mengekalkan perkataan sebenar dan konteks visual dalam bahasa yang dinilai dan bukannya menggantikan kandungan dengan ringkasan yang tidak berkaitan.
Menyediakan hasil pengelasan yang berguna
Untuk semakan input, berikan mesej pengguna dan imej yang berkaitan dengannya serta minta pengelasan prom dalam format pengeluar. Untuk semakan output, berikan respons sebenar pembantu bersama mesej terdahulu yang berkaitan. Contoh berbilang imej boleh mengekalkan teks yang menghubungkan imej supaya model menilai permintaan gabungan dan bukannya fragmen bebas tanpa konteks.
Kad model menunjukkan penggunaan templat perbualan yang sepadan dan penyahkodan hanya pengelasan yang dijana. Contoh penjanaan sepuluh tokennya menunjukkan hasil label ringkas; nombor itu bukan kapasiti jawapan maksimum yang berasingan. Pastikan output yang diminta sejajar dengan tujuan pengelas dan bukannya memintanya menulis jawapan perbualan biasa.
Had khusus
Pengeluar menyatakan bahawa pertimbangan mungkin dihadkan oleh data latihan model, pengetahuan akal budi, liputan bahasa dan liputan dasar. Kategori fitnah, harta intelek dan berkaitan pilihan raya boleh memerlukan pengetahuan fakta semasa yang mungkin tidak dimiliki pengelas. Oleh itu, label kategori perlu mengekalkan kaitannya dengan kandungan dan maklumat yang tersedia untuk penilaian tersebut.
Kad melaporkan ujian kebanyakannya pada prom dengan beberapa imej, paling kerap tiga, dan menyatakan bahawa tingkah laku mungkin berbeza dengan himpunan imej yang jauh lebih besar. Ini menerangkan skop yang diuji dan bukannya maksimum sejagat tiga imej. Model juga boleh terdedah kepada kandungan adversarial atau suntikan prom yang mengubah tingkah laku yang dimaksudkan.
Peranan pengelas Llama Guard 4 tidak sepatutnya mewarisi spesifikasi konteks atau keupayaan pembantu umum Scout hanya kerana ia dipangkas daripada Scout. Kad yang dibaca tidak memberikan had mutlak yang berasingan bagi konteks atau token output pengelas ini. Kekalkan bahan yang dinilai dan label taksonomi sebagai artifak praktikal, dan biarkan aplikasi menentukan tindakan yang berkaitan dengan hasil tersebut.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Output · Token output $0.00036 / 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 $0.00036 / 1K token Output · Token output $0.00036 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-guard-4-12b', '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': 'meta-llama/llama-guard-4-12b', '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 meta-llama/llama-guard-4-12b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.