Gemma 4 26B A4B IT er Google DeepMinds instruksjonsjusterte mixture-of-experts-utgave i den åpne Gemma 4-familien. Den offisielle arkitekturtabellen oppgir 25,2 milliarder parametere totalt og 3,8 milliarder aktive parametere; A4B navngir den avrundede størrelsen på de aktive parameterne. Formålet omfatter resonnering, koding, agentprosesser og multimodal forståelse. Den er separat fra den forhåndstrente utgaven og den tette 31B-modellen.
Mixture-of-experts-designet aktiverer en del av parameterne for hvert inferenssteg: åtte aktive eksperter av 128, pluss én delt ekspert, i den publiserte arkitekturtabellen. Google posisjonerer denne utgaven rundt inferenseffektivitet sammenlignet med den tette modellen. Den kombinerer en arkitektur med 30 lag og et glidende vindu på 1024 tokener med global oppmerksomhet, en kontekst på 256K og en visuell koder. Disse arkitekturtallene beskriver produsentmodellen fremfor en garantert latenstid eller maskinvarekonfigurasjon for en bestemt applikasjon.
Konteksten på 256K tokener støtter en oppgave som kombinerer omfattende tekst med visuelt grunnlag. Bilder og tekst kan flettes inn i én prompt; produsenten anbefaler å plassere bildeinnhold før den tilhørende teksten for best resultat. Visuelle oppgaver omfatter objektdeteksjon, tolkning av dokumentsider, skjerm- og grensesnittforståelse, diagrammer, flerspråklig OCR, håndskrift og peking. Utdata er tekst: uttrukket innhold, en forklaring, kode eller en foreslått verktøyhandling.
Videoforståelse behandler en sekvens av enkeltbilder. Modellkortet oppgir maksimalt 60 sekunder når bildene behandles med ett bilde per sekund. Klargjør den relevante episoden, behold bilderekkefølgen og oppgi et spørsmål om den synlige sekvensen. Denne visuelle 26B/31B-profilen godtar ikke lyd; taleegenskapene til de mindre lydaktiverte Gemma 4-variantene gjelder ikke her. Hvis oppgaven trenger muntlig informasjon, legg til transkripsjonen som tekst.
Konfigurerbar tenkning lar modellen resonnere før den svarer eller gi et direkte svar. Gemma 4 legger til en innebygd system-rolle sammen med user- og assistant-rollene. Googles promptformat aktiverer tenkning med kontrolltokenet <|think|> i systemprompten og skiller tankekanalen fra sluttsvaret; den dokumenterte prosessoren kan håndtere malen. For en samtale med flere turer beholdes tidligere sluttsvar i historikken, mens tidligere tanker utelates, bortsett fra i turer med verktøykall, der produsenten sier de bør beholdes.
Native Function Calling støtter strukturert verktøybruk, og Googles lanseringsbeskrivelse dokumenterer også strukturerte JSON-utdata. Definer oppgaven, den tilgjengelige funksjonen og forventet resultat; applikasjonen utfører den forespurte operasjonen og returnerer utdataene for neste trinn. En kodeoppgave kan be om generering, fullføring eller korrigering, mens en visuell assistent kan bruke returnert tekst til å forklare et diagram eller en skjerm. En instruksjon om funksjonskall er adskilt fra en tilkoblet handling som faktisk er utført.
Variabel bildeoppløsning styres av det visuelle tokenbudsjettet. Dokumenterte alternativer er 70, 140, 280, 560 og 1120 tokener. Lavere budsjetter passer klassifisering, bildetekster eller bildesekvenser; høyere budsjetter bevarer flere detaljer for OCR, dokumenttolking og liten tekst, med ekstra beregning. Avgjør om du trenger hele scenen eller nøyaktig skrift før bildet klargjøres. En tydelig beskjæring av en etikett kan være mer nyttig for en uttrekksoppgave enn en uavgrenset forespørsel om å undersøke alle detaljer på en hel side.
Google anbefaler temperature 1,0, top-p 0,95 og top-k 64 som familiens samplingskonfigurasjon. Modellkortet skiller trening på mer enn 140 språk fra støtte uten ekstra tilpasning på mer enn 35 språk. Angi svarspråk, og behold domenenavn, feltnavn eller formler uttrykkelig i beskrivelsen. Tallet 256K er en kontekstspesifikasjon; det siterte modellkortet fastslår ikke et separat, universelt maksimum for utdata for denne utgaven.
For en dokument- og kodeoppgave oppgis relevant sidebilde, skriftlig krav og kildeutdrag: «Les etikettene, forklar hvordan denne skjermen avviker fra spesifikasjonen, og foreslå en fokusert korrigering av den oppgitte koden.» For et diagram bes svaret skille synlige verdier fra en utledet trend. Gemmas modellkort bemerker begrensninger knyttet til tvetydig språk, svært komplekse oppgaver og feilaktige eller utdaterte faktapåstander, så legg ved de autoritative faktaene det ønskede resultatet må bruke fremfor å forvente at treningskunnskap leverer dem.
", "aboutText": "Gemma 4 26B A4B IT er Google DeepMinds instruksjonsjusterte mixture-of-experts-utgave i den åpne Gemma 4-familien. Den offisielle arkitekturtabellen oppgir 25,2 milliarder parametere totalt og 3,8 milliarder aktive parametere; A4B navngir den avrundede størrelsen på de aktive parameterne. Formålet omfatter resonnering, koding, agentprosesser og multimodal forståelse. Den er separat fra den forhåndstrente utgaven og den tette 31B-modellen.\n\nMixture-of-experts-designet aktiverer en del av parameterne for hvert inferenssteg: åtte aktive eksperter av 128, pluss én delt ekspert, i den publiserte arkitekturtabellen. Google posisjonerer denne utgaven rundt inferenseffektivitet sammenlignet med den tette modellen. Den kombinerer en arkitektur med 30 lag og et glidende vindu på 1024 tokener med global oppmerksomhet, en kontekst på 256K og en visuell koder. Disse arkitekturtallene beskriver produsentmodellen fremfor en garantert latenstid eller maskinvarekonfigurasjon for en bestemt applikasjon.\n\nKonteksten på 256K tokener støtter en oppgave som kombinerer omfattende tekst med visuelt grunnlag. Bilder og tekst kan flettes inn i én prompt; produsenten anbefaler å plassere bildeinnhold før den tilhørende teksten for best resultat. Visuelle oppgaver omfatter objektdeteksjon, tolkning av dokumentsider, skjerm- og grensesnittforståelse, diagrammer, flerspråklig OCR, håndskrift og peking. Utdata er tekst: uttrukket innhold, en forklaring, kode eller en foreslått verktøyhandling.\n\nVideoforståelse behandler en sekvens av enkeltbilder. Modellkortet oppgir maksimalt 60 sekunder når bildene behandles med ett bilde per sekund. Klargjør den relevante episoden, behold bilderekkefølgen og oppgi et spørsmål om den synlige sekvensen. Denne visuelle 26B/31B-profilen godtar ikke lyd; taleegenskapene til de mindre lydaktiverte Gemma 4-variantene gjelder ikke her. Hvis oppgaven trenger muntlig informasjon, legg til transkripsjonen som tekst.\n\nKonfigurerbar tenkning lar modellen resonnere før den svarer eller gi et direkte svar. Gemma 4 legger til en innebygd system-rolle sammen med user- og assistant-rollene. Googles promptformat aktiverer tenkning med kontrolltokenet <|think|> i systemprompten og skiller tankekanalen fra sluttsvaret; den dokumenterte prosessoren kan håndtere malen. For en samtale med flere turer beholdes tidligere sluttsvar i historikken, mens tidligere tanker utelates, bortsett fra i turer med verktøykall, der produsenten sier de bør beholdes.\n\nNative Function Calling støtter strukturert verktøybruk, og Googles lanseringsbeskrivelse dokumenterer også strukturerte JSON-utdata. Definer oppgaven, den tilgjengelige funksjonen og forventet resultat; applikasjonen utfører den forespurte operasjonen og returnerer utdataene for neste trinn. En kodeoppgave kan be om generering, fullføring eller korrigering, mens en visuell assistent kan bruke returnert tekst til å forklare et diagram eller en skjerm. En instruksjon om funksjonskall er adskilt fra en tilkoblet handling som faktisk er utført.\n\nVariabel bildeoppløsning styres av det visuelle tokenbudsjettet. Dokumenterte alternativer er 70, 140, 280, 560 og 1120 tokener. Lavere budsjetter passer klassifisering, bildetekster eller bildesekvenser; høyere budsjetter bevarer flere detaljer for OCR, dokumenttolking og liten tekst, med ekstra beregning. Avgjør om du trenger hele scenen eller nøyaktig skrift før bildet klargjøres. En tydelig beskjæring av en etikett kan være mer nyttig for en uttrekksoppgave enn en uavgrenset forespørsel om å undersøke alle detaljer på en hel side.\n\nGoogle anbefaler temperature 1,0, top-p 0,95 og top-k 64 som familiens samplingskonfigurasjon. Modellkortet skiller trening på mer enn 140 språk fra støtte uten ekstra tilpasning på mer enn 35 språk. Angi svarspråk, og behold domenenavn, feltnavn eller formler uttrykkelig i beskrivelsen. Tallet 256K er en kontekstspesifikasjon; det siterte modellkortet fastslår ikke et separat, universelt maksimum for utdata for denne utgaven.\n\nFor en dokument- og kodeoppgave oppgis relevant sidebilde, skriftlig krav og kildeutdrag: «Les etikettene, forklar hvordan denne skjermen avviker fra spesifikasjonen, og foreslå en fokusert korrigering av den oppgitte koden.» For et diagram bes svaret skille synlige verdier fra en utledet trend. Gemmas modellkort bemerker begrensninger knyttet til tvetydig språk, svært komplekse oppgaver og feilaktige eller utdaterte faktapåstander, så legg ved de autoritative faktaene det ønskede resultatet må bruke fremfor å forvente at treningskunnskap leverer dem.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.google/gemma-4-26b-a4b-itGemma 4 26B A4B IT er Googles instruksjonsjusterte mixture-of-experts-modell for tekstlig og visuell resonnering. Den kombinerer en kontekst på 256K, bildeforståelse og videoforståelse basert på enkeltbilder, konfigurerbar tenkning og innebygde funksjonskall med tekstutdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemma 4 26B A4B IT er Google DeepMinds instruksjonsjusterte mixture-of-experts-utgave i den åpne Gemma 4-familien. Den offisielle arkitekturtabellen oppgir 25,2 milliarder parametere totalt og 3,8 milliarder aktive parametere; A4B navngir den avrundede størrelsen på de aktive parameterne. Formålet omfatter resonnering, koding, agentprosesser og multimodal forståelse. Den er separat fra den forhåndstrente utgaven og den tette 31B-modellen.
Mixture-of-experts-designet aktiverer en del av parameterne for hvert inferenssteg: åtte aktive eksperter av 128, pluss én delt ekspert, i den publiserte arkitekturtabellen. Google posisjonerer denne utgaven rundt inferenseffektivitet sammenlignet med den tette modellen. Den kombinerer en arkitektur med 30 lag og et glidende vindu på 1024 tokener med global oppmerksomhet, en kontekst på 256K og en visuell koder. Disse arkitekturtallene beskriver produsentmodellen fremfor en garantert latenstid eller maskinvarekonfigurasjon for en bestemt applikasjon.
Konteksten på 256K tokener støtter en oppgave som kombinerer omfattende tekst med visuelt grunnlag. Bilder og tekst kan flettes inn i én prompt; produsenten anbefaler å plassere bildeinnhold før den tilhørende teksten for best resultat. Visuelle oppgaver omfatter objektdeteksjon, tolkning av dokumentsider, skjerm- og grensesnittforståelse, diagrammer, flerspråklig OCR, håndskrift og peking. Utdata er tekst: uttrukket innhold, en forklaring, kode eller en foreslått verktøyhandling.
Videoforståelse behandler en sekvens av enkeltbilder. Modellkortet oppgir maksimalt 60 sekunder når bildene behandles med ett bilde per sekund. Klargjør den relevante episoden, behold bilderekkefølgen og oppgi et spørsmål om den synlige sekvensen. Denne visuelle 26B/31B-profilen godtar ikke lyd; taleegenskapene til de mindre lydaktiverte Gemma 4-variantene gjelder ikke her. Hvis oppgaven trenger muntlig informasjon, legg til transkripsjonen som tekst.
Konfigurerbar tenkning lar modellen resonnere før den svarer eller gi et direkte svar. Gemma 4 legger til en innebygd system-rolle sammen med user- og assistant-rollene. Googles promptformat aktiverer tenkning med kontrolltokenet <|think|> i systemprompten og skiller tankekanalen fra sluttsvaret; den dokumenterte prosessoren kan håndtere malen. For en samtale med flere turer beholdes tidligere sluttsvar i historikken, mens tidligere tanker utelates, bortsett fra i turer med verktøykall, der produsenten sier de bør beholdes.
Native Function Calling støtter strukturert verktøybruk, og Googles lanseringsbeskrivelse dokumenterer også strukturerte JSON-utdata. Definer oppgaven, den tilgjengelige funksjonen og forventet resultat; applikasjonen utfører den forespurte operasjonen og returnerer utdataene for neste trinn. En kodeoppgave kan be om generering, fullføring eller korrigering, mens en visuell assistent kan bruke returnert tekst til å forklare et diagram eller en skjerm. En instruksjon om funksjonskall er adskilt fra en tilkoblet handling som faktisk er utført.
Variabel bildeoppløsning styres av det visuelle tokenbudsjettet. Dokumenterte alternativer er 70, 140, 280, 560 og 1120 tokener. Lavere budsjetter passer klassifisering, bildetekster eller bildesekvenser; høyere budsjetter bevarer flere detaljer for OCR, dokumenttolking og liten tekst, med ekstra beregning. Avgjør om du trenger hele scenen eller nøyaktig skrift før bildet klargjøres. En tydelig beskjæring av en etikett kan være mer nyttig for en uttrekksoppgave enn en uavgrenset forespørsel om å undersøke alle detaljer på en hel side.
Google anbefaler temperature 1,0, top-p 0,95 og top-k 64 som familiens samplingskonfigurasjon. Modellkortet skiller trening på mer enn 140 språk fra støtte uten ekstra tilpasning på mer enn 35 språk. Angi svarspråk, og behold domenenavn, feltnavn eller formler uttrykkelig i beskrivelsen. Tallet 256K er en kontekstspesifikasjon; det siterte modellkortet fastslår ikke et separat, universelt maksimum for utdata for denne utgaven.
For en dokument- og kodeoppgave oppgis relevant sidebilde, skriftlig krav og kildeutdrag: «Les etikettene, forklar hvordan denne skjermen avviker fra spesifikasjonen, og foreslå en fokusert korrigering av den oppgitte koden.» For et diagram bes svaret skille synlige verdier fra en utledet trend. Gemmas modellkort bemerker begrensninger knyttet til tvetydig språk, svært komplekse oppgaver og feilaktige eller utdaterte faktapåstander, så legg ved de autoritative faktaene det ønskede resultatet må bruke fremfor å forvente at treningskunnskap leverer dem.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemma-4-26b-a4b-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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-4-26b-a4b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-4-26b-a4b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-4-26b-a4b-it
Bruk metodestiene som vises ovenfor.
google/gemma-4-26b-a4b-itGemma 4 26B A4B IT er Googles instruksjonsjusterte mixture-of-experts-modell for tekstlig og visuell resonnering. Den kombinerer en kontekst på 256K, bildeforståelse og videoforståelse basert på enkeltbilder, konfigurerbar tenkning og innebygde funksjonskall med tekstutdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemma 4 26B A4B IT er Google DeepMinds instruksjonsjusterte mixture-of-experts-utgave i den åpne Gemma 4-familien. Den offisielle arkitekturtabellen oppgir 25,2 milliarder parametere totalt og 3,8 milliarder aktive parametere; A4B navngir den avrundede størrelsen på de aktive parameterne. Formålet omfatter resonnering, koding, agentprosesser og multimodal forståelse. Den er separat fra den forhåndstrente utgaven og den tette 31B-modellen.
Mixture-of-experts-designet aktiverer en del av parameterne for hvert inferenssteg: åtte aktive eksperter av 128, pluss én delt ekspert, i den publiserte arkitekturtabellen. Google posisjonerer denne utgaven rundt inferenseffektivitet sammenlignet med den tette modellen. Den kombinerer en arkitektur med 30 lag og et glidende vindu på 1024 tokener med global oppmerksomhet, en kontekst på 256K og en visuell koder. Disse arkitekturtallene beskriver produsentmodellen fremfor en garantert latenstid eller maskinvarekonfigurasjon for en bestemt applikasjon.
Konteksten på 256K tokener støtter en oppgave som kombinerer omfattende tekst med visuelt grunnlag. Bilder og tekst kan flettes inn i én prompt; produsenten anbefaler å plassere bildeinnhold før den tilhørende teksten for best resultat. Visuelle oppgaver omfatter objektdeteksjon, tolkning av dokumentsider, skjerm- og grensesnittforståelse, diagrammer, flerspråklig OCR, håndskrift og peking. Utdata er tekst: uttrukket innhold, en forklaring, kode eller en foreslått verktøyhandling.
Videoforståelse behandler en sekvens av enkeltbilder. Modellkortet oppgir maksimalt 60 sekunder når bildene behandles med ett bilde per sekund. Klargjør den relevante episoden, behold bilderekkefølgen og oppgi et spørsmål om den synlige sekvensen. Denne visuelle 26B/31B-profilen godtar ikke lyd; taleegenskapene til de mindre lydaktiverte Gemma 4-variantene gjelder ikke her. Hvis oppgaven trenger muntlig informasjon, legg til transkripsjonen som tekst.
Konfigurerbar tenkning lar modellen resonnere før den svarer eller gi et direkte svar. Gemma 4 legger til en innebygd system-rolle sammen med user- og assistant-rollene. Googles promptformat aktiverer tenkning med kontrolltokenet <|think|> i systemprompten og skiller tankekanalen fra sluttsvaret; den dokumenterte prosessoren kan håndtere malen. For en samtale med flere turer beholdes tidligere sluttsvar i historikken, mens tidligere tanker utelates, bortsett fra i turer med verktøykall, der produsenten sier de bør beholdes.
Native Function Calling støtter strukturert verktøybruk, og Googles lanseringsbeskrivelse dokumenterer også strukturerte JSON-utdata. Definer oppgaven, den tilgjengelige funksjonen og forventet resultat; applikasjonen utfører den forespurte operasjonen og returnerer utdataene for neste trinn. En kodeoppgave kan be om generering, fullføring eller korrigering, mens en visuell assistent kan bruke returnert tekst til å forklare et diagram eller en skjerm. En instruksjon om funksjonskall er adskilt fra en tilkoblet handling som faktisk er utført.
Variabel bildeoppløsning styres av det visuelle tokenbudsjettet. Dokumenterte alternativer er 70, 140, 280, 560 og 1120 tokener. Lavere budsjetter passer klassifisering, bildetekster eller bildesekvenser; høyere budsjetter bevarer flere detaljer for OCR, dokumenttolking og liten tekst, med ekstra beregning. Avgjør om du trenger hele scenen eller nøyaktig skrift før bildet klargjøres. En tydelig beskjæring av en etikett kan være mer nyttig for en uttrekksoppgave enn en uavgrenset forespørsel om å undersøke alle detaljer på en hel side.
Google anbefaler temperature 1,0, top-p 0,95 og top-k 64 som familiens samplingskonfigurasjon. Modellkortet skiller trening på mer enn 140 språk fra støtte uten ekstra tilpasning på mer enn 35 språk. Angi svarspråk, og behold domenenavn, feltnavn eller formler uttrykkelig i beskrivelsen. Tallet 256K er en kontekstspesifikasjon; det siterte modellkortet fastslår ikke et separat, universelt maksimum for utdata for denne utgaven.
For en dokument- og kodeoppgave oppgis relevant sidebilde, skriftlig krav og kildeutdrag: «Les etikettene, forklar hvordan denne skjermen avviker fra spesifikasjonen, og foreslå en fokusert korrigering av den oppgitte koden.» For et diagram bes svaret skille synlige verdier fra en utledet trend. Gemmas modellkort bemerker begrensninger knyttet til tvetydig språk, svært komplekse oppgaver og feilaktige eller utdaterte faktapåstander, så legg ved de autoritative faktaene det ønskede resultatet må bruke fremfor å forvente at treningskunnskap leverer dem.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemma-4-26b-a4b-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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-26b-a4b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-26b-a4b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-4-26b-a4b-it
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.