Gemma 4 31B IT er Google DeepMinds instruksjonstilpassede, tette utgave i den åpne Gemma 4-familien. Google plasserer 31B-modellen rundt modellkvalitet og tilpasning til en oppgave, mens den separate 26B A4B-utgaven bruker en blanding av eksperter for effektiv inferens. Dette kortet gjelder den navngitte instruksjonstilpassede 31B-utgaven, ikke de forhåndstrente vektene eller en kvantisert avledning.
Den offisielle arkitekturtabellen for den tette modellen oppgir 30.7 milliarder parametere, 60 lag, et glidende vindu på 1,024 tokener og en kontekst på 256K tokener. Familien kombinerer lokal oppmerksomhet med glidende vindu og global oppmerksomhet, avslutter med et globalt lag og bruker en dedikert visuell enkoder for denne modellen. Profilen er dermed bygget for tekst- og bildeinndata med tekstutdata. Dette er fakta om modellarkitekturen; de fastsetter ikke applikasjonens responstid og innebærer ikke lydstøtten til andre Gemma 4-størrelser.
Konteksten på 256K tokener støtter en oppgave som kombinerer omfattende tekst med visuelt belegg. 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, forståelse av skjermer og grensesnitt, diagrammer, flerspråklig OCR, håndskrift og peking. Utdataene er tekst: uthentet innhold, en forklaring, kode eller en foreslått verktøyhandling.
Videoforståelse behandler en sekvens av bilderuter. Modellkortet oppgir maksimalt 60 sekunder når bildene behandles med én rute per sekund. Forbered den relevante episoden, behold ruterekkefølgen og gi et spørsmål om den synlige sekvensen. Denne visuelle 26B/31B-profilen tar ikke imot lyd; taleegenskapene til de mindre lydaktiverte Gemma 4-variantene gjelder ikke her. Hvis oppgaven trenger talt informasjon, legger du til transkripsjonen som tekst.
Konfigurerbar tenking lar modellen resonnere før den svarer, eller gi et direkte svar. Gemma 4 legger til en innebygd systemrolle sammen med bruker- og assistentrollene. Googles promptformat aktiverer tenking med kontrolltokenet <|think|> i systemprompten og skiller tankekanalen fra det endelige svaret; den dokumenterte prosessoren kan håndtere denne malen. I en samtale med flere turer beholder du tidligere sluttsvar i historikken og utelater tidligere tanker, unntatt i turer med verktøykall, der produsenten sier at de skal beholdes.
Native Function Calling støtter strukturert verktøybruk, og Googles lanseringsbeskrivelse dokumenterer også strukturert JSON-utdata. Definer oppgaven, den tilgjengelige funksjonen og forventet resultat; applikasjonen utfører den forespurte operasjonen og returnerer resultatet for neste trinn. En kodeoppgave kan be om generering, fullføring eller retting, mens en visuell assistent kan bruke returnert tekst til å forklare et diagram eller en skjerm. En instruks om funksjonskall er forskjellig fra en tilkoblet handling som faktisk er utført.
Variabel bildeoppløsning styres av budsjettet for visuelle tokener. De dokumenterte alternativene er 70, 140, 280, 560 og 1,120 tokener. Lavere budsjetter passer til klassifisering, bildetekster eller rutesekvenser; høyere budsjetter bevarer flere detaljer for OCR, dokumenttolking og liten tekst, med ekstra beregning. Bestem om du trenger hele scenen eller nøyaktig skrift før bildet forberedes. Et tydelig utsnitt av en etikett kan være mer nyttig for en uthentingsoppgave enn en ubestemt forespørsel om å undersøke hver detalj på en hel side.
Google anbefaler temperatur 1.0, top-p 0.95 og top-k 64 som familiens samplingskonfigurasjon. Modellkortet skiller mellom trening på mer enn 140 språk og støtte rett ut av boksen på mer enn 35 språk. Oppgi svarets språk og behold domenenavn, feltnavn eller formler eksplisitt i oppgavebeskrivelsen. Tallet 256K er en kontekstspesifikasjon; det siterte modellkortet fastsetter ikke en separat universell maksimal utdatalengde for denne utgaven.
For en dokument- og kodeoppgave gir du det relevante sidebildet, det skriftlige kravet og kildeutdraget: «Les etikettene, forklar hvordan denne skjermen avviker fra spesifikasjonen, og foreslå en avgrenset rettelse i den oppgitte koden.» For et diagram ber du svaret skille synlige verdier fra en utledet trend. Gemmas modellkort påpeker begrensninger knyttet til tvetydig språk, svært komplekse oppgaver og feilaktige eller utdaterte faktautsagn. Legg derfor ved de autoritative faktaene som det forespurte resultatet må bruke, i stedet for å forvente at treningskunnskapen leverer dem.
", "aboutText": "Gemma 4 31B IT er Google DeepMinds instruksjonstilpassede, tette utgave i den åpne Gemma 4-familien. Google plasserer 31B-modellen rundt modellkvalitet og tilpasning til en oppgave, mens den separate 26B A4B-utgaven bruker en blanding av eksperter for effektiv inferens. Dette kortet gjelder den navngitte instruksjonstilpassede 31B-utgaven, ikke de forhåndstrente vektene eller en kvantisert avledning.\n\nDen offisielle arkitekturtabellen for den tette modellen oppgir 30.7 milliarder parametere, 60 lag, et glidende vindu på 1,024 tokener og en kontekst på 256K tokener. Familien kombinerer lokal oppmerksomhet med glidende vindu og global oppmerksomhet, avslutter med et globalt lag og bruker en dedikert visuell enkoder for denne modellen. Profilen er dermed bygget for tekst- og bildeinndata med tekstutdata. Dette er fakta om modellarkitekturen; de fastsetter ikke applikasjonens responstid og innebærer ikke lydstøtten til andre Gemma 4-størrelser.\n\nKonteksten på 256K tokener støtter en oppgave som kombinerer omfattende tekst med visuelt belegg. 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, forståelse av skjermer og grensesnitt, diagrammer, flerspråklig OCR, håndskrift og peking. Utdataene er tekst: uthentet innhold, en forklaring, kode eller en foreslått verktøyhandling.\n\nVideoforståelse behandler en sekvens av bilderuter. Modellkortet oppgir maksimalt 60 sekunder når bildene behandles med én rute per sekund. Forbered den relevante episoden, behold ruterekkefølgen og gi et spørsmål om den synlige sekvensen. Denne visuelle 26B/31B-profilen tar ikke imot lyd; taleegenskapene til de mindre lydaktiverte Gemma 4-variantene gjelder ikke her. Hvis oppgaven trenger talt informasjon, legger du til transkripsjonen som tekst.\n\nKonfigurerbar tenking lar modellen resonnere før den svarer, eller gi et direkte svar. Gemma 4 legger til en innebygd systemrolle sammen med bruker- og assistentrollene. Googles promptformat aktiverer tenking med kontrolltokenet <|think|> i systemprompten og skiller tankekanalen fra det endelige svaret; den dokumenterte prosessoren kan håndtere denne malen. I en samtale med flere turer beholder du tidligere sluttsvar i historikken og utelater tidligere tanker, unntatt i turer med verktøykall, der produsenten sier at de skal beholdes.\n\nNative Function Calling støtter strukturert verktøybruk, og Googles lanseringsbeskrivelse dokumenterer også strukturert JSON-utdata. Definer oppgaven, den tilgjengelige funksjonen og forventet resultat; applikasjonen utfører den forespurte operasjonen og returnerer resultatet for neste trinn. En kodeoppgave kan be om generering, fullføring eller retting, mens en visuell assistent kan bruke returnert tekst til å forklare et diagram eller en skjerm. En instruks om funksjonskall er forskjellig fra en tilkoblet handling som faktisk er utført.\n\nVariabel bildeoppløsning styres av budsjettet for visuelle tokener. De dokumenterte alternativene er 70, 140, 280, 560 og 1,120 tokener. Lavere budsjetter passer til klassifisering, bildetekster eller rutesekvenser; høyere budsjetter bevarer flere detaljer for OCR, dokumenttolking og liten tekst, med ekstra beregning. Bestem om du trenger hele scenen eller nøyaktig skrift før bildet forberedes. Et tydelig utsnitt av en etikett kan være mer nyttig for en uthentingsoppgave enn en ubestemt forespørsel om å undersøke hver detalj på en hel side.\n\nGoogle anbefaler temperatur 1.0, top-p 0.95 og top-k 64 som familiens samplingskonfigurasjon. Modellkortet skiller mellom trening på mer enn 140 språk og støtte rett ut av boksen på mer enn 35 språk. Oppgi svarets språk og behold domenenavn, feltnavn eller formler eksplisitt i oppgavebeskrivelsen. Tallet 256K er en kontekstspesifikasjon; det siterte modellkortet fastsetter ikke en separat universell maksimal utdatalengde for denne utgaven.\n\nFor en dokument- og kodeoppgave gir du det relevante sidebildet, det skriftlige kravet og kildeutdraget: «Les etikettene, forklar hvordan denne skjermen avviker fra spesifikasjonen, og foreslå en avgrenset rettelse i den oppgitte koden.» For et diagram ber du svaret skille synlige verdier fra en utledet trend. Gemmas modellkort påpeker begrensninger knyttet til tvetydig språk, svært komplekse oppgaver og feilaktige eller utdaterte faktautsagn. Legg derfor ved de autoritative faktaene som det forespurte resultatet må bruke, i stedet for å forvente at treningskunnskapen leverer dem.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.google/gemma-4-31b-itGemma 4 31B IT er Googles instruksjonsjusterte, tette modell for tekstlig og visuell resonnering. Konteksten på 256K, konfigurerbar tenkning, forståelse av bilder og enkeltbilder fra video samt innebygde funksjonskall støtter kode-, dokument- og agentoppgaver med tekstutdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemma 4 31B IT er Google DeepMinds instruksjonstilpassede, tette utgave i den åpne Gemma 4-familien. Google plasserer 31B-modellen rundt modellkvalitet og tilpasning til en oppgave, mens den separate 26B A4B-utgaven bruker en blanding av eksperter for effektiv inferens. Dette kortet gjelder den navngitte instruksjonstilpassede 31B-utgaven, ikke de forhåndstrente vektene eller en kvantisert avledning.
Den offisielle arkitekturtabellen for den tette modellen oppgir 30.7 milliarder parametere, 60 lag, et glidende vindu på 1,024 tokener og en kontekst på 256K tokener. Familien kombinerer lokal oppmerksomhet med glidende vindu og global oppmerksomhet, avslutter med et globalt lag og bruker en dedikert visuell enkoder for denne modellen. Profilen er dermed bygget for tekst- og bildeinndata med tekstutdata. Dette er fakta om modellarkitekturen; de fastsetter ikke applikasjonens responstid og innebærer ikke lydstøtten til andre Gemma 4-størrelser.
Konteksten på 256K tokener støtter en oppgave som kombinerer omfattende tekst med visuelt belegg. 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, forståelse av skjermer og grensesnitt, diagrammer, flerspråklig OCR, håndskrift og peking. Utdataene er tekst: uthentet innhold, en forklaring, kode eller en foreslått verktøyhandling.
Videoforståelse behandler en sekvens av bilderuter. Modellkortet oppgir maksimalt 60 sekunder når bildene behandles med én rute per sekund. Forbered den relevante episoden, behold ruterekkefølgen og gi et spørsmål om den synlige sekvensen. Denne visuelle 26B/31B-profilen tar ikke imot lyd; taleegenskapene til de mindre lydaktiverte Gemma 4-variantene gjelder ikke her. Hvis oppgaven trenger talt informasjon, legger du til transkripsjonen som tekst.
Konfigurerbar tenking lar modellen resonnere før den svarer, eller gi et direkte svar. Gemma 4 legger til en innebygd systemrolle sammen med bruker- og assistentrollene. Googles promptformat aktiverer tenking med kontrolltokenet <|think|> i systemprompten og skiller tankekanalen fra det endelige svaret; den dokumenterte prosessoren kan håndtere denne malen. I en samtale med flere turer beholder du tidligere sluttsvar i historikken og utelater tidligere tanker, unntatt i turer med verktøykall, der produsenten sier at de skal beholdes.
Native Function Calling støtter strukturert verktøybruk, og Googles lanseringsbeskrivelse dokumenterer også strukturert JSON-utdata. Definer oppgaven, den tilgjengelige funksjonen og forventet resultat; applikasjonen utfører den forespurte operasjonen og returnerer resultatet for neste trinn. En kodeoppgave kan be om generering, fullføring eller retting, mens en visuell assistent kan bruke returnert tekst til å forklare et diagram eller en skjerm. En instruks om funksjonskall er forskjellig fra en tilkoblet handling som faktisk er utført.
Variabel bildeoppløsning styres av budsjettet for visuelle tokener. De dokumenterte alternativene er 70, 140, 280, 560 og 1,120 tokener. Lavere budsjetter passer til klassifisering, bildetekster eller rutesekvenser; høyere budsjetter bevarer flere detaljer for OCR, dokumenttolking og liten tekst, med ekstra beregning. Bestem om du trenger hele scenen eller nøyaktig skrift før bildet forberedes. Et tydelig utsnitt av en etikett kan være mer nyttig for en uthentingsoppgave enn en ubestemt forespørsel om å undersøke hver detalj på en hel side.
Google anbefaler temperatur 1.0, top-p 0.95 og top-k 64 som familiens samplingskonfigurasjon. Modellkortet skiller mellom trening på mer enn 140 språk og støtte rett ut av boksen på mer enn 35 språk. Oppgi svarets språk og behold domenenavn, feltnavn eller formler eksplisitt i oppgavebeskrivelsen. Tallet 256K er en kontekstspesifikasjon; det siterte modellkortet fastsetter ikke en separat universell maksimal utdatalengde for denne utgaven.
For en dokument- og kodeoppgave gir du det relevante sidebildet, det skriftlige kravet og kildeutdraget: «Les etikettene, forklar hvordan denne skjermen avviker fra spesifikasjonen, og foreslå en avgrenset rettelse i den oppgitte koden.» For et diagram ber du svaret skille synlige verdier fra en utledet trend. Gemmas modellkort påpeker begrensninger knyttet til tvetydig språk, svært komplekse oppgaver og feilaktige eller utdaterte faktautsagn. Legg derfor ved de autoritative faktaene som det forespurte resultatet må bruke, i stedet for å forvente at treningskunnskapen leverer dem.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemma-4-31b-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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.00068 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.00068 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-31b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-4-31b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-4-31b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-4-31b-it
Bruk metodestiene som vises ovenfor.
google/gemma-4-31b-itGemma 4 31B IT er Googles instruksjonsjusterte, tette modell for tekstlig og visuell resonnering. Konteksten på 256K, konfigurerbar tenkning, forståelse av bilder og enkeltbilder fra video samt innebygde funksjonskall støtter kode-, dokument- og agentoppgaver med tekstutdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemma 4 31B IT er Google DeepMinds instruksjonstilpassede, tette utgave i den åpne Gemma 4-familien. Google plasserer 31B-modellen rundt modellkvalitet og tilpasning til en oppgave, mens den separate 26B A4B-utgaven bruker en blanding av eksperter for effektiv inferens. Dette kortet gjelder den navngitte instruksjonstilpassede 31B-utgaven, ikke de forhåndstrente vektene eller en kvantisert avledning.
Den offisielle arkitekturtabellen for den tette modellen oppgir 30.7 milliarder parametere, 60 lag, et glidende vindu på 1,024 tokener og en kontekst på 256K tokener. Familien kombinerer lokal oppmerksomhet med glidende vindu og global oppmerksomhet, avslutter med et globalt lag og bruker en dedikert visuell enkoder for denne modellen. Profilen er dermed bygget for tekst- og bildeinndata med tekstutdata. Dette er fakta om modellarkitekturen; de fastsetter ikke applikasjonens responstid og innebærer ikke lydstøtten til andre Gemma 4-størrelser.
Konteksten på 256K tokener støtter en oppgave som kombinerer omfattende tekst med visuelt belegg. 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, forståelse av skjermer og grensesnitt, diagrammer, flerspråklig OCR, håndskrift og peking. Utdataene er tekst: uthentet innhold, en forklaring, kode eller en foreslått verktøyhandling.
Videoforståelse behandler en sekvens av bilderuter. Modellkortet oppgir maksimalt 60 sekunder når bildene behandles med én rute per sekund. Forbered den relevante episoden, behold ruterekkefølgen og gi et spørsmål om den synlige sekvensen. Denne visuelle 26B/31B-profilen tar ikke imot lyd; taleegenskapene til de mindre lydaktiverte Gemma 4-variantene gjelder ikke her. Hvis oppgaven trenger talt informasjon, legger du til transkripsjonen som tekst.
Konfigurerbar tenking lar modellen resonnere før den svarer, eller gi et direkte svar. Gemma 4 legger til en innebygd systemrolle sammen med bruker- og assistentrollene. Googles promptformat aktiverer tenking med kontrolltokenet <|think|> i systemprompten og skiller tankekanalen fra det endelige svaret; den dokumenterte prosessoren kan håndtere denne malen. I en samtale med flere turer beholder du tidligere sluttsvar i historikken og utelater tidligere tanker, unntatt i turer med verktøykall, der produsenten sier at de skal beholdes.
Native Function Calling støtter strukturert verktøybruk, og Googles lanseringsbeskrivelse dokumenterer også strukturert JSON-utdata. Definer oppgaven, den tilgjengelige funksjonen og forventet resultat; applikasjonen utfører den forespurte operasjonen og returnerer resultatet for neste trinn. En kodeoppgave kan be om generering, fullføring eller retting, mens en visuell assistent kan bruke returnert tekst til å forklare et diagram eller en skjerm. En instruks om funksjonskall er forskjellig fra en tilkoblet handling som faktisk er utført.
Variabel bildeoppløsning styres av budsjettet for visuelle tokener. De dokumenterte alternativene er 70, 140, 280, 560 og 1,120 tokener. Lavere budsjetter passer til klassifisering, bildetekster eller rutesekvenser; høyere budsjetter bevarer flere detaljer for OCR, dokumenttolking og liten tekst, med ekstra beregning. Bestem om du trenger hele scenen eller nøyaktig skrift før bildet forberedes. Et tydelig utsnitt av en etikett kan være mer nyttig for en uthentingsoppgave enn en ubestemt forespørsel om å undersøke hver detalj på en hel side.
Google anbefaler temperatur 1.0, top-p 0.95 og top-k 64 som familiens samplingskonfigurasjon. Modellkortet skiller mellom trening på mer enn 140 språk og støtte rett ut av boksen på mer enn 35 språk. Oppgi svarets språk og behold domenenavn, feltnavn eller formler eksplisitt i oppgavebeskrivelsen. Tallet 256K er en kontekstspesifikasjon; det siterte modellkortet fastsetter ikke en separat universell maksimal utdatalengde for denne utgaven.
For en dokument- og kodeoppgave gir du det relevante sidebildet, det skriftlige kravet og kildeutdraget: «Les etikettene, forklar hvordan denne skjermen avviker fra spesifikasjonen, og foreslå en avgrenset rettelse i den oppgitte koden.» For et diagram ber du svaret skille synlige verdier fra en utledet trend. Gemmas modellkort påpeker begrensninger knyttet til tvetydig språk, svært komplekse oppgaver og feilaktige eller utdaterte faktautsagn. Legg derfor ved de autoritative faktaene som det forespurte resultatet må bruke, i stedet for å forvente at treningskunnskapen leverer dem.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser google/gemma-4-31b-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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.00068 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 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 $0.0002 / 1K tokener Utdata · Utgående tokener $0.00068 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "google/gemma-4-31b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-31b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-31b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-4-31b-it
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.