Gemma 3 4B IT er den instruksjonstilpassede utgaven i 4B-størrelse av Googles Gemma 3-familie for syn og språk. IT identifiserer versjonen som er tilpasset til å følge brukerinstrukser og samtaleturer, i stedet for det forhåndstrente sjekkpunktet som brukes som grunnlag for videre trening. Modellen mottar tekst og bilder og genererer tekst: et svar, sammendrag, en forklaring, et utkast eller kode. De visuelle inndataene støtter spørsmål om oppgitte bilder og dokumentsider; utdataene er ikke et nygenerert bilde.
Modellkortet gir 4B-utgaven en kontekst på 128K tokener som deles av forespørselen og det genererte svaret. Den gjenværende utdataplassen er den totale konteksten etter at inndataene er trukket fra, ikke et ekstra uavhengig utdatabudsjett på 128K. Den grunnleggende bildebanen normaliserer bilder til 896×896 og koder hver visning til 256 visuelle tokener. For en avgrenset assistent gir du det relevante notatet eller bildet, ett klart spørsmål og et kort ønsket resultat. Behold kildeteksten sammen med svaret, slik at et uthentet navn, en dato eller en etikett kan kontrolleres.
Familiens treningsmateriale dekker netttekst på over 140 språk, kode, matematikk og bilder. Produsenten rapporterer fire billioner forhåndstreningstokener for 4B-modellen. Den tekniske rapporten beskriver destillasjon under forhåndstrening og instruksjonstilpasning, fulgt av forsterkningslæringsbasert ettertrening for å forbedre hjelpsomhet, resonnering, kode, matematikk og instruksjonsfølging. Dette er treningsegenskaper for denne størrelsen og familien, ikke en garanti for at hvert svar er riktig eller at et annet Gemma-sjekkpunkt oppfører seg identisk.
Arkitekturen er en transformer med bare dekoder og gruppert spørringsoppmerksomhet, der fem lag med lokal oppmerksomhet veksler med hvert lag med global oppmerksomhet. Lokal oppmerksomhet dekker 1,024 tokener, mens globale lag håndterer den bredere konteksten. En delt SigLIP-visjonsenkoder gjør bildeinformasjon om til inndata for språkmodellen. Tokeniseringen er SentencePiece-basert, med oppdelte sifre, bevarte blanktegn og koding på bytenivå. Bruk tokentall fra den faktiske tokeniseringen når et langt inndatasett planlegges, og behold kodeinnrykk og identifikatorer når de bærer betydning.
Rapporten beskriver Pan and Scan for bilder der form eller detaljer ikke overlever en enkel kvadratisk skalering. Det kan lage ekstra visninger uten overlapp, som skaleres for visjonsenkoderen. Denne behandlingen har sine egne konsekvenser for inndata og beregning. For et skjermbilde med små etiketter identifiserer du interesseområdet og gir en lesbar visning, i stedet for å stole på et lite bilde av hele skjermen. For flere bilder merker du rollene deres og ber om et svar knyttet til riktig kilde.
Produsentens eget IT-samtaleformat bruker bruker- og modellturer med eksplisitte turgrenser. Det støtter ikke en separat innebygd systemrolle; legg rolle- og formateringsinstrukser i den første brukerprompten. Bruk den tilhørende formattereren eller prosessoren i stedet for å behandle IT-sjekkpunktet som ren tekstfullføring. I et eksempel med et støttenotat oppgir du den tiltenkte leseren, fakta som skal bevares og tonen, og ber deretter om et kort svar pluss eventuelle uavklarte spørsmål. For visuell uthenting definerer du feltene og hvordan en uleselig verdi skal representeres.
Gemmas tiltenkte bruksområder omfatter skriving, oppsummering, samtaleassistanse, uthenting av bildedata og pedagogisk utforsking. En avgrenset 4B-arbeidsflyt kan gjøre et servicenotat om til en handlingsliste, forklare et synlig diagram eller svare på et spørsmål om et oppgitt avsnitt. Be om et resultat som er lett å kontrollere: en forklaring knyttet til navngitte elementer eller en liten post med kildeunderbygde felter. Verktøyoppslag og kodekjøring tilhører applikasjonen rundt modellen; å generere en verktøylignende instruks er noe annet enn å fullføre en ekstern operasjon.
Produsenten påpeker begrensninger fra treningsdekning, språknyanser, faktafeil og kompleksiteten i åpne oppgaver. Google advarer også om at et plausibelt språkmønster kan gi et svar som overser en vanlig begrensning i den virkelige verden. Bilder kan miste viktige detaljer ved skalering, og en lang kontekst gjør ikke et underspesifisert spørsmål tydelig. Vurder resultatet mot originalmaterialet, valider forespurte strukturerte felter og kontroller beregninger eller foreslått kode uavhengig. Evaluer den konkrete 4B IT-modellen på de faktiske språk- og dokumenttypene i oppgaven. Hold størrelsen, IT-identiteten og prosesseringsoppsettet adskilt fra 12B-, 27B- og nyere Gemma-varianter når resultater dokumenteres.
", "aboutText": "Gemma 3 4B IT er den instruksjonstilpassede utgaven i 4B-størrelse av Googles Gemma 3-familie for syn og språk. IT identifiserer versjonen som er tilpasset til å følge brukerinstrukser og samtaleturer, i stedet for det forhåndstrente sjekkpunktet som brukes som grunnlag for videre trening. Modellen mottar tekst og bilder og genererer tekst: et svar, sammendrag, en forklaring, et utkast eller kode. De visuelle inndataene støtter spørsmål om oppgitte bilder og dokumentsider; utdataene er ikke et nygenerert bilde.\n\nModellkortet gir 4B-utgaven en kontekst på 128K tokener som deles av forespørselen og det genererte svaret. Den gjenværende utdataplassen er den totale konteksten etter at inndataene er trukket fra, ikke et ekstra uavhengig utdatabudsjett på 128K. Den grunnleggende bildebanen normaliserer bilder til 896×896 og koder hver visning til 256 visuelle tokener. For en avgrenset assistent gir du det relevante notatet eller bildet, ett klart spørsmål og et kort ønsket resultat. Behold kildeteksten sammen med svaret, slik at et uthentet navn, en dato eller en etikett kan kontrolleres.\n\nFamiliens treningsmateriale dekker netttekst på over 140 språk, kode, matematikk og bilder. Produsenten rapporterer fire billioner forhåndstreningstokener for 4B-modellen. Den tekniske rapporten beskriver destillasjon under forhåndstrening og instruksjonstilpasning, fulgt av forsterkningslæringsbasert ettertrening for å forbedre hjelpsomhet, resonnering, kode, matematikk og instruksjonsfølging. Dette er treningsegenskaper for denne størrelsen og familien, ikke en garanti for at hvert svar er riktig eller at et annet Gemma-sjekkpunkt oppfører seg identisk.\n\nArkitekturen er en transformer med bare dekoder og gruppert spørringsoppmerksomhet, der fem lag med lokal oppmerksomhet veksler med hvert lag med global oppmerksomhet. Lokal oppmerksomhet dekker 1,024 tokener, mens globale lag håndterer den bredere konteksten. En delt SigLIP-visjonsenkoder gjør bildeinformasjon om til inndata for språkmodellen. Tokeniseringen er SentencePiece-basert, med oppdelte sifre, bevarte blanktegn og koding på bytenivå. Bruk tokentall fra den faktiske tokeniseringen når et langt inndatasett planlegges, og behold kodeinnrykk og identifikatorer når de bærer betydning.\n\nRapporten beskriver Pan and Scan for bilder der form eller detaljer ikke overlever en enkel kvadratisk skalering. Det kan lage ekstra visninger uten overlapp, som skaleres for visjonsenkoderen. Denne behandlingen har sine egne konsekvenser for inndata og beregning. For et skjermbilde med små etiketter identifiserer du interesseområdet og gir en lesbar visning, i stedet for å stole på et lite bilde av hele skjermen. For flere bilder merker du rollene deres og ber om et svar knyttet til riktig kilde.\n\nProdusentens eget IT-samtaleformat bruker bruker- og modellturer med eksplisitte turgrenser. Det støtter ikke en separat innebygd systemrolle; legg rolle- og formateringsinstrukser i den første brukerprompten. Bruk den tilhørende formattereren eller prosessoren i stedet for å behandle IT-sjekkpunktet som ren tekstfullføring. I et eksempel med et støttenotat oppgir du den tiltenkte leseren, fakta som skal bevares og tonen, og ber deretter om et kort svar pluss eventuelle uavklarte spørsmål. For visuell uthenting definerer du feltene og hvordan en uleselig verdi skal representeres.\n\nGemmas tiltenkte bruksområder omfatter skriving, oppsummering, samtaleassistanse, uthenting av bildedata og pedagogisk utforsking. En avgrenset 4B-arbeidsflyt kan gjøre et servicenotat om til en handlingsliste, forklare et synlig diagram eller svare på et spørsmål om et oppgitt avsnitt. Be om et resultat som er lett å kontrollere: en forklaring knyttet til navngitte elementer eller en liten post med kildeunderbygde felter. Verktøyoppslag og kodekjøring tilhører applikasjonen rundt modellen; å generere en verktøylignende instruks er noe annet enn å fullføre en ekstern operasjon.\n\nProdusenten påpeker begrensninger fra treningsdekning, språknyanser, faktafeil og kompleksiteten i åpne oppgaver. Google advarer også om at et plausibelt språkmønster kan gi et svar som overser en vanlig begrensning i den virkelige verden. Bilder kan miste viktige detaljer ved skalering, og en lang kontekst gjør ikke et underspesifisert spørsmål tydelig. Vurder resultatet mot originalmaterialet, valider forespurte strukturerte felter og kontroller beregninger eller foreslått kode uavhengig. Evaluer den konkrete 4B IT-modellen på de faktiske språk- og dokumenttypene i oppgaven. Hold størrelsen, IT-identiteten og prosesseringsoppsettet adskilt fra 12B-, 27B- og nyere Gemma-varianter når resultater dokumenteres.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a seed-growth note\n\nExplain this class note to a ten-year-old: 'Seeds need water and a suitable temperature to germinate. Light requirements differ between species.' Use three short sentences and one question the class could investigate. Preserve the species qualification rather than saying all seeds need light to germinate.A child-friendly three-sentence explanation followed by one investigation question.The explanation must retain the distinction between water, temperature and species-dependent light.google/gemma-3-4b-itGemma 3 4B IT er Googles instruksjonsjusterte tekst- og bildemodell i 4B-størrelse. Den genererer tekst for spørsmål, oppsummeringer, skriving og visuell analyse, med en delt kontekst på 128K og familiestøtte for over 140 språk.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemma 3 4B IT er den instruksjonstilpassede utgaven i 4B-størrelse av Googles Gemma 3-familie for syn og språk. IT identifiserer versjonen som er tilpasset til å følge brukerinstrukser og samtaleturer, i stedet for det forhåndstrente sjekkpunktet som brukes som grunnlag for videre trening. Modellen mottar tekst og bilder og genererer tekst: et svar, sammendrag, en forklaring, et utkast eller kode. De visuelle inndataene støtter spørsmål om oppgitte bilder og dokumentsider; utdataene er ikke et nygenerert bilde.
Modellkortet gir 4B-utgaven en kontekst på 128K tokener som deles av forespørselen og det genererte svaret. Den gjenværende utdataplassen er den totale konteksten etter at inndataene er trukket fra, ikke et ekstra uavhengig utdatabudsjett på 128K. Den grunnleggende bildebanen normaliserer bilder til 896×896 og koder hver visning til 256 visuelle tokener. For en avgrenset assistent gir du det relevante notatet eller bildet, ett klart spørsmål og et kort ønsket resultat. Behold kildeteksten sammen med svaret, slik at et uthentet navn, en dato eller en etikett kan kontrolleres.
Familiens treningsmateriale dekker netttekst på over 140 språk, kode, matematikk og bilder. Produsenten rapporterer fire billioner forhåndstreningstokener for 4B-modellen. Den tekniske rapporten beskriver destillasjon under forhåndstrening og instruksjonstilpasning, fulgt av forsterkningslæringsbasert ettertrening for å forbedre hjelpsomhet, resonnering, kode, matematikk og instruksjonsfølging. Dette er treningsegenskaper for denne størrelsen og familien, ikke en garanti for at hvert svar er riktig eller at et annet Gemma-sjekkpunkt oppfører seg identisk.
Arkitekturen er en transformer med bare dekoder og gruppert spørringsoppmerksomhet, der fem lag med lokal oppmerksomhet veksler med hvert lag med global oppmerksomhet. Lokal oppmerksomhet dekker 1,024 tokener, mens globale lag håndterer den bredere konteksten. En delt SigLIP-visjonsenkoder gjør bildeinformasjon om til inndata for språkmodellen. Tokeniseringen er SentencePiece-basert, med oppdelte sifre, bevarte blanktegn og koding på bytenivå. Bruk tokentall fra den faktiske tokeniseringen når et langt inndatasett planlegges, og behold kodeinnrykk og identifikatorer når de bærer betydning.
Rapporten beskriver Pan and Scan for bilder der form eller detaljer ikke overlever en enkel kvadratisk skalering. Det kan lage ekstra visninger uten overlapp, som skaleres for visjonsenkoderen. Denne behandlingen har sine egne konsekvenser for inndata og beregning. For et skjermbilde med små etiketter identifiserer du interesseområdet og gir en lesbar visning, i stedet for å stole på et lite bilde av hele skjermen. For flere bilder merker du rollene deres og ber om et svar knyttet til riktig kilde.
Produsentens eget IT-samtaleformat bruker bruker- og modellturer med eksplisitte turgrenser. Det støtter ikke en separat innebygd systemrolle; legg rolle- og formateringsinstrukser i den første brukerprompten. Bruk den tilhørende formattereren eller prosessoren i stedet for å behandle IT-sjekkpunktet som ren tekstfullføring. I et eksempel med et støttenotat oppgir du den tiltenkte leseren, fakta som skal bevares og tonen, og ber deretter om et kort svar pluss eventuelle uavklarte spørsmål. For visuell uthenting definerer du feltene og hvordan en uleselig verdi skal representeres.
Gemmas tiltenkte bruksområder omfatter skriving, oppsummering, samtaleassistanse, uthenting av bildedata og pedagogisk utforsking. En avgrenset 4B-arbeidsflyt kan gjøre et servicenotat om til en handlingsliste, forklare et synlig diagram eller svare på et spørsmål om et oppgitt avsnitt. Be om et resultat som er lett å kontrollere: en forklaring knyttet til navngitte elementer eller en liten post med kildeunderbygde felter. Verktøyoppslag og kodekjøring tilhører applikasjonen rundt modellen; å generere en verktøylignende instruks er noe annet enn å fullføre en ekstern operasjon.
Produsenten påpeker begrensninger fra treningsdekning, språknyanser, faktafeil og kompleksiteten i åpne oppgaver. Google advarer også om at et plausibelt språkmønster kan gi et svar som overser en vanlig begrensning i den virkelige verden. Bilder kan miste viktige detaljer ved skalering, og en lang kontekst gjør ikke et underspesifisert spørsmål tydelig. Vurder resultatet mot originalmaterialet, valider forespurte strukturerte felter og kontroller beregninger eller foreslått kode uavhengig. Evaluer den konkrete 4B IT-modellen på de faktiske språk- og dokumenttypene i oppgaven. Hold størrelsen, IT-identiteten og prosesseringsoppsettet adskilt fra 12B-, 27B- og nyere Gemma-varianter når resultater dokumenteres.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemma-3-4b-it | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0002 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0002 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-4b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-3-4b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-3-4b-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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra google/gemma-3-4b-it
Bruk metodestiene som vises ovenfor.
google/gemma-3-4b-itGemma 3 4B IT er Googles instruksjonsjusterte tekst- og bildemodell i 4B-størrelse. Den genererer tekst for spørsmål, oppsummeringer, skriving og visuell analyse, med en delt kontekst på 128K og familiestøtte for over 140 språk.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemma 3 4B IT er den instruksjonstilpassede utgaven i 4B-størrelse av Googles Gemma 3-familie for syn og språk. IT identifiserer versjonen som er tilpasset til å følge brukerinstrukser og samtaleturer, i stedet for det forhåndstrente sjekkpunktet som brukes som grunnlag for videre trening. Modellen mottar tekst og bilder og genererer tekst: et svar, sammendrag, en forklaring, et utkast eller kode. De visuelle inndataene støtter spørsmål om oppgitte bilder og dokumentsider; utdataene er ikke et nygenerert bilde.
Modellkortet gir 4B-utgaven en kontekst på 128K tokener som deles av forespørselen og det genererte svaret. Den gjenværende utdataplassen er den totale konteksten etter at inndataene er trukket fra, ikke et ekstra uavhengig utdatabudsjett på 128K. Den grunnleggende bildebanen normaliserer bilder til 896×896 og koder hver visning til 256 visuelle tokener. For en avgrenset assistent gir du det relevante notatet eller bildet, ett klart spørsmål og et kort ønsket resultat. Behold kildeteksten sammen med svaret, slik at et uthentet navn, en dato eller en etikett kan kontrolleres.
Familiens treningsmateriale dekker netttekst på over 140 språk, kode, matematikk og bilder. Produsenten rapporterer fire billioner forhåndstreningstokener for 4B-modellen. Den tekniske rapporten beskriver destillasjon under forhåndstrening og instruksjonstilpasning, fulgt av forsterkningslæringsbasert ettertrening for å forbedre hjelpsomhet, resonnering, kode, matematikk og instruksjonsfølging. Dette er treningsegenskaper for denne størrelsen og familien, ikke en garanti for at hvert svar er riktig eller at et annet Gemma-sjekkpunkt oppfører seg identisk.
Arkitekturen er en transformer med bare dekoder og gruppert spørringsoppmerksomhet, der fem lag med lokal oppmerksomhet veksler med hvert lag med global oppmerksomhet. Lokal oppmerksomhet dekker 1,024 tokener, mens globale lag håndterer den bredere konteksten. En delt SigLIP-visjonsenkoder gjør bildeinformasjon om til inndata for språkmodellen. Tokeniseringen er SentencePiece-basert, med oppdelte sifre, bevarte blanktegn og koding på bytenivå. Bruk tokentall fra den faktiske tokeniseringen når et langt inndatasett planlegges, og behold kodeinnrykk og identifikatorer når de bærer betydning.
Rapporten beskriver Pan and Scan for bilder der form eller detaljer ikke overlever en enkel kvadratisk skalering. Det kan lage ekstra visninger uten overlapp, som skaleres for visjonsenkoderen. Denne behandlingen har sine egne konsekvenser for inndata og beregning. For et skjermbilde med små etiketter identifiserer du interesseområdet og gir en lesbar visning, i stedet for å stole på et lite bilde av hele skjermen. For flere bilder merker du rollene deres og ber om et svar knyttet til riktig kilde.
Produsentens eget IT-samtaleformat bruker bruker- og modellturer med eksplisitte turgrenser. Det støtter ikke en separat innebygd systemrolle; legg rolle- og formateringsinstrukser i den første brukerprompten. Bruk den tilhørende formattereren eller prosessoren i stedet for å behandle IT-sjekkpunktet som ren tekstfullføring. I et eksempel med et støttenotat oppgir du den tiltenkte leseren, fakta som skal bevares og tonen, og ber deretter om et kort svar pluss eventuelle uavklarte spørsmål. For visuell uthenting definerer du feltene og hvordan en uleselig verdi skal representeres.
Gemmas tiltenkte bruksområder omfatter skriving, oppsummering, samtaleassistanse, uthenting av bildedata og pedagogisk utforsking. En avgrenset 4B-arbeidsflyt kan gjøre et servicenotat om til en handlingsliste, forklare et synlig diagram eller svare på et spørsmål om et oppgitt avsnitt. Be om et resultat som er lett å kontrollere: en forklaring knyttet til navngitte elementer eller en liten post med kildeunderbygde felter. Verktøyoppslag og kodekjøring tilhører applikasjonen rundt modellen; å generere en verktøylignende instruks er noe annet enn å fullføre en ekstern operasjon.
Produsenten påpeker begrensninger fra treningsdekning, språknyanser, faktafeil og kompleksiteten i åpne oppgaver. Google advarer også om at et plausibelt språkmønster kan gi et svar som overser en vanlig begrensning i den virkelige verden. Bilder kan miste viktige detaljer ved skalering, og en lang kontekst gjør ikke et underspesifisert spørsmål tydelig. Vurder resultatet mot originalmaterialet, valider forespurte strukturerte felter og kontroller beregninger eller foreslått kode uavhengig. Evaluer den konkrete 4B IT-modellen på de faktiske språk- og dokumenttypene i oppgaven. Hold størrelsen, IT-identiteten og prosesseringsoppsettet adskilt fra 12B-, 27B- og nyere Gemma-varianter når resultater dokumenteres.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemma-3-4b-it | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0002 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0001 / 1K tokener Utdata · Utgående tokener $0.0002 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "google/gemma-3-4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-4b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-4b-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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra google/gemma-3-4b-it
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Explain a seed-growth note\n\nExplain this class note to a ten-year-old: 'Seeds need water and a suitable temperature to germinate. Light requirements differ between species.' Use three short sentences and one question the class could investigate. Preserve the species qualification rather than saying all seeds need light to germinate.A child-friendly three-sentence explanation followed by one investigation question.The explanation must retain the distinction between water, temperature and species-dependent light.