Llama 4 Maverick Instruct er Metas modell med innebygd multimodalitet for assistentlignende samtaler og visuell resonnering. Den tar imot flerspråklig tekst og bilder og genererer flerspråklig tekst eller kode. Arkitekturen med ekspertblanding bruker tidlig fusjon og kombinerer den visuelle og tekstlige informasjonen inne i modellen, fremfor å behandle bildet som en urelatert bildetekst levert av en separat tekstassistent.
Modellinformasjon og kontekst
Produsenten oppgir 128 eksperter, 17 milliarder aktive parametere og 400 milliarder totale parametere for Maverick. Dette er forskjellig fra Scouts konfigurasjon med 16 eksperter og 109B totale parametere, selv om begge har størrelsesetiketten 17B aktive. Instruct-navnet identifiserer det assistentorienterte kontrollpunktet fremfor den forhåndstrente Maverick-modellen.
Modellkortet dokumenterer et kontekstvindu på 1M for Maverick. Bruk konteksten til å holde relevante utdrag, bilder, samtalen og det forespurte svaret samlet. En stor kildesamling trenger fortsatt et definert spørsmål og artefakt. Merk kildedokumentene og bildene, og be om plasseringen som støtter hvert uttrukket funn, fremfor en urettet oppsummering av alt materialet.
De støttede språkene er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Produsenten skiller disse tolv støttede språkene fra den bredere samlingen på omtrent to hundre språk brukt i forhåndstreningen. At et språk finnes i treningsdataene, skal ikke gjøres til et løfte om like gode funksjoner for alle språk.
Chat-, syns- og kodeoppgaver
Kortets tiltenkte visuelle bruksområder omfatter gjenkjenning, resonnering over bilder, bildetekster og svar på generelle spørsmål om et bilde. For et fotografi ber du modellen identifisere objektene eller sammenhengen som er relevant for oppgaven. For et diagram ber du om en sammenligning mellom navngitte dataserier, med akser og enheter bevart. For et skjematisk diagram spør du hvilken merket forbindelse som støtter et oppgitt krav.
For sammenligning av flere bilder identifiserer du rollen til hvert bilde og ber om de samme kriteriene for alle. Legg for eksempel ved et originaldesign og en revisjon, og be deretter om synlige samsvar, forskjeller og detaljer bildene ikke fastslår. Hold observasjonene atskilt fra konklusjoner som avhenger av den medfølgende teksten. Dette gjør utdataene lettere å undersøke mot den faktiske kilden.
Produsenten rapporterer testing av bildeforståelse med opptil fem inndatabilder. Dette er det dokumenterte testomfanget, ikke en ubetinget absolutt maksimumsgrense for antall bilder. Behold detaljene spørsmålet trenger, og rekkefølgen på bildene. Å legge til et stort antall urelaterte bilder definerer ikke i seg selv hva som skal sammenlignes.
For en kodeoppgave legger du ved kravet, relevant kildekode og forventet atferd. Be om den foreslåtte implementeringen atskilt fra forutsetningene og eksemplene. Et skjermbilde kan gi visuelle krav, mens det tekstlige vilkåret angir atferd skjermbildet ikke kan vise. Generert kode er et tekstartefakt; å kjøre den, undersøke et gjengitt grensesnitt eller bruke den i en kodebase krever det tilkoblede miljøet.
Samtaleforberedelse og trening
Modellkortet viser den tilhørende prosessoren og chatmalen med to bilder og et skriftlig sammenligningsspørsmål. Hold samtalerollene og koblingen mellom bilde og tekst uttrykkelige. En systeminstruksjon kan definere målgruppe, tone og svarstruktur, mens brukermeldingen leverer selve oppgaven og kildegrunnlaget. Produsenten beskriver forbedringer etter trening i styrbarhet med systemledetekster og samtaleformatering.
Maverick er forhåndstrent på omtrent 22 billioner tokener med multimodale data, med oppgitt skjæringsdato for forhåndstreningsdataene i august 2024. Dette er en statisk grense for treningsdataene fremfor direkte tilgang til oppdatert informasjon. Når et spørsmål avhenger av nyere eller privat materiale, legger du ved materialet som kildekontekst eller gjennom en separat tilkoblet gjenfinningsoperasjon.
Utgaven omfatter BF16-vekter og separat kvantiserte FP8-vekter. Disse presisjonsvalgene skaper ikke en ny inndatamodalitet eller gir Mavericks konfigurasjon Scouts kontekst på 10M. Behold det nøyaktige Instruct-kontrollpunktet og konfigurasjonen når du sammenligner en gjentatt oppgave eller en avledet utrulling.
Utforming av et praktisk resultat
En dokumentbildeoppgave kan be om kildeidentifikator, synlig utsagn, uttrukket verdi og tolkning som separate felt. En samtaleforklaring kan bevare de opprinnelige begrepene og tilpasse prosaen til leserens støttede språk. En kodeforespørsel kan returnere det reviderte fragmentet og eksempler som skiller ut den tiltenkte atferden.
Definer hvordan sluttresultatet skal brukes før du legger ved materialet. En kort bildetekst, en sammenligningstabell og et foreslått program løser forskjellige oppgaver selv om de bruker de samme bildene. Modellens visuelle og språklige funksjoner leverer tolkningen og teksten; ekstern informasjonsgjenfinning, kjøring eller filproduksjon kommer fra applikasjonskomponenter.
Spesifikke avgrensninger
De dokumenterte inndataene her er tekst og bilder, med tekst og kode som utdata. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngitte kontroller for resonneringsinnsats skal ikke tilordnes denne Maverick-utgaven. Llama Guard er også en separat trent klassifikator, fremfor automatiske klassifikatorutdata fra et Maverick-svar.
Kortets genereringseksempel på 256 tokener er en eksempelinnstilling, og de leste kildene fastslår ingen egen absolutt grense for utdatatokener utover modellens kontekstspesifikasjon. Hold Maverick-identiteten, omfanget av støttede språk og det kildeknyttede sluttartefaktet uttrykkelige, fremfor å låne grenser eller moduser fra en annen Llama-utgave.
", "aboutText": "Llama 4 Maverick Instruct er Metas modell med innebygd multimodalitet for assistentlignende samtaler og visuell resonnering. Den tar imot flerspråklig tekst og bilder og genererer flerspråklig tekst eller kode. Arkitekturen med ekspertblanding bruker tidlig fusjon og kombinerer den visuelle og tekstlige informasjonen inne i modellen, fremfor å behandle bildet som en urelatert bildetekst levert av en separat tekstassistent.\n\nModellinformasjon og kontekst\n\nProdusenten oppgir 128 eksperter, 17 milliarder aktive parametere og 400 milliarder totale parametere for Maverick. Dette er forskjellig fra Scouts konfigurasjon med 16 eksperter og 109B totale parametere, selv om begge har størrelsesetiketten 17B aktive. Instruct-navnet identifiserer det assistentorienterte kontrollpunktet fremfor den forhåndstrente Maverick-modellen.\n\nModellkortet dokumenterer et kontekstvindu på 1M for Maverick. Bruk konteksten til å holde relevante utdrag, bilder, samtalen og det forespurte svaret samlet. En stor kildesamling trenger fortsatt et definert spørsmål og artefakt. Merk kildedokumentene og bildene, og be om plasseringen som støtter hvert uttrukket funn, fremfor en urettet oppsummering av alt materialet.\n\nDe støttede språkene er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Produsenten skiller disse tolv støttede språkene fra den bredere samlingen på omtrent to hundre språk brukt i forhåndstreningen. At et språk finnes i treningsdataene, skal ikke gjøres til et løfte om like gode funksjoner for alle språk.\n\nChat-, syns- og kodeoppgaver\n\nKortets tiltenkte visuelle bruksområder omfatter gjenkjenning, resonnering over bilder, bildetekster og svar på generelle spørsmål om et bilde. For et fotografi ber du modellen identifisere objektene eller sammenhengen som er relevant for oppgaven. For et diagram ber du om en sammenligning mellom navngitte dataserier, med akser og enheter bevart. For et skjematisk diagram spør du hvilken merket forbindelse som støtter et oppgitt krav.\n\nFor sammenligning av flere bilder identifiserer du rollen til hvert bilde og ber om de samme kriteriene for alle. Legg for eksempel ved et originaldesign og en revisjon, og be deretter om synlige samsvar, forskjeller og detaljer bildene ikke fastslår. Hold observasjonene atskilt fra konklusjoner som avhenger av den medfølgende teksten. Dette gjør utdataene lettere å undersøke mot den faktiske kilden.\n\nProdusenten rapporterer testing av bildeforståelse med opptil fem inndatabilder. Dette er det dokumenterte testomfanget, ikke en ubetinget absolutt maksimumsgrense for antall bilder. Behold detaljene spørsmålet trenger, og rekkefølgen på bildene. Å legge til et stort antall urelaterte bilder definerer ikke i seg selv hva som skal sammenlignes.\n\nFor en kodeoppgave legger du ved kravet, relevant kildekode og forventet atferd. Be om den foreslåtte implementeringen atskilt fra forutsetningene og eksemplene. Et skjermbilde kan gi visuelle krav, mens det tekstlige vilkåret angir atferd skjermbildet ikke kan vise. Generert kode er et tekstartefakt; å kjøre den, undersøke et gjengitt grensesnitt eller bruke den i en kodebase krever det tilkoblede miljøet.\n\nSamtaleforberedelse og trening\n\nModellkortet viser den tilhørende prosessoren og chatmalen med to bilder og et skriftlig sammenligningsspørsmål. Hold samtalerollene og koblingen mellom bilde og tekst uttrykkelige. En systeminstruksjon kan definere målgruppe, tone og svarstruktur, mens brukermeldingen leverer selve oppgaven og kildegrunnlaget. Produsenten beskriver forbedringer etter trening i styrbarhet med systemledetekster og samtaleformatering.\n\nMaverick er forhåndstrent på omtrent 22 billioner tokener med multimodale data, med oppgitt skjæringsdato for forhåndstreningsdataene i august 2024. Dette er en statisk grense for treningsdataene fremfor direkte tilgang til oppdatert informasjon. Når et spørsmål avhenger av nyere eller privat materiale, legger du ved materialet som kildekontekst eller gjennom en separat tilkoblet gjenfinningsoperasjon.\n\nUtgaven omfatter BF16-vekter og separat kvantiserte FP8-vekter. Disse presisjonsvalgene skaper ikke en ny inndatamodalitet eller gir Mavericks konfigurasjon Scouts kontekst på 10M. Behold det nøyaktige Instruct-kontrollpunktet og konfigurasjonen når du sammenligner en gjentatt oppgave eller en avledet utrulling.\n\nUtforming av et praktisk resultat\n\nEn dokumentbildeoppgave kan be om kildeidentifikator, synlig utsagn, uttrukket verdi og tolkning som separate felt. En samtaleforklaring kan bevare de opprinnelige begrepene og tilpasse prosaen til leserens støttede språk. En kodeforespørsel kan returnere det reviderte fragmentet og eksempler som skiller ut den tiltenkte atferden.\n\nDefiner hvordan sluttresultatet skal brukes før du legger ved materialet. En kort bildetekst, en sammenligningstabell og et foreslått program løser forskjellige oppgaver selv om de bruker de samme bildene. Modellens visuelle og språklige funksjoner leverer tolkningen og teksten; ekstern informasjonsgjenfinning, kjøring eller filproduksjon kommer fra applikasjonskomponenter.\n\nSpesifikke avgrensninger\n\nDe dokumenterte inndataene her er tekst og bilder, med tekst og kode som utdata. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngitte kontroller for resonneringsinnsats skal ikke tilordnes denne Maverick-utgaven. Llama Guard er også en separat trent klassifikator, fremfor automatiske klassifikatorutdata fra et Maverick-svar.\n\nKortets genereringseksempel på 256 tokener er en eksempelinnstilling, og de leste kildene fastslår ingen egen absolutt grense for utdatatokener utover modellens kontekstspesifikasjon. Hold Maverick-identiteten, omfanget av støttede språk og det kildeknyttede sluttartefaktet uttrykkelige, fremfor å låne grenser eller moduser fra en annen Llama-utgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick er Metas Instruct-modell med innebygd tekst- og bildestøtte, 128 eksperter, 17B aktive og 400B totale parametere. Produsenten dokumenterer en kontekst på 1M, flerspråklige tekst- og kodeutdata, visuell gjenkjenning, bildetekster og bildespørsmål i en separat utgave fra Scout.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Llama 4 Maverick Instruct er Metas modell med innebygd multimodalitet for assistentlignende samtaler og visuell resonnering. Den tar imot flerspråklig tekst og bilder og genererer flerspråklig tekst eller kode. Arkitekturen med ekspertblanding bruker tidlig fusjon og kombinerer den visuelle og tekstlige informasjonen inne i modellen, fremfor å behandle bildet som en urelatert bildetekst levert av en separat tekstassistent.
Modellinformasjon og kontekst
Produsenten oppgir 128 eksperter, 17 milliarder aktive parametere og 400 milliarder totale parametere for Maverick. Dette er forskjellig fra Scouts konfigurasjon med 16 eksperter og 109B totale parametere, selv om begge har størrelsesetiketten 17B aktive. Instruct-navnet identifiserer det assistentorienterte kontrollpunktet fremfor den forhåndstrente Maverick-modellen.
Modellkortet dokumenterer et kontekstvindu på 1M for Maverick. Bruk konteksten til å holde relevante utdrag, bilder, samtalen og det forespurte svaret samlet. En stor kildesamling trenger fortsatt et definert spørsmål og artefakt. Merk kildedokumentene og bildene, og be om plasseringen som støtter hvert uttrukket funn, fremfor en urettet oppsummering av alt materialet.
De støttede språkene er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Produsenten skiller disse tolv støttede språkene fra den bredere samlingen på omtrent to hundre språk brukt i forhåndstreningen. At et språk finnes i treningsdataene, skal ikke gjøres til et løfte om like gode funksjoner for alle språk.
Chat-, syns- og kodeoppgaver
Kortets tiltenkte visuelle bruksområder omfatter gjenkjenning, resonnering over bilder, bildetekster og svar på generelle spørsmål om et bilde. For et fotografi ber du modellen identifisere objektene eller sammenhengen som er relevant for oppgaven. For et diagram ber du om en sammenligning mellom navngitte dataserier, med akser og enheter bevart. For et skjematisk diagram spør du hvilken merket forbindelse som støtter et oppgitt krav.
For sammenligning av flere bilder identifiserer du rollen til hvert bilde og ber om de samme kriteriene for alle. Legg for eksempel ved et originaldesign og en revisjon, og be deretter om synlige samsvar, forskjeller og detaljer bildene ikke fastslår. Hold observasjonene atskilt fra konklusjoner som avhenger av den medfølgende teksten. Dette gjør utdataene lettere å undersøke mot den faktiske kilden.
Produsenten rapporterer testing av bildeforståelse med opptil fem inndatabilder. Dette er det dokumenterte testomfanget, ikke en ubetinget absolutt maksimumsgrense for antall bilder. Behold detaljene spørsmålet trenger, og rekkefølgen på bildene. Å legge til et stort antall urelaterte bilder definerer ikke i seg selv hva som skal sammenlignes.
For en kodeoppgave legger du ved kravet, relevant kildekode og forventet atferd. Be om den foreslåtte implementeringen atskilt fra forutsetningene og eksemplene. Et skjermbilde kan gi visuelle krav, mens det tekstlige vilkåret angir atferd skjermbildet ikke kan vise. Generert kode er et tekstartefakt; å kjøre den, undersøke et gjengitt grensesnitt eller bruke den i en kodebase krever det tilkoblede miljøet.
Samtaleforberedelse og trening
Modellkortet viser den tilhørende prosessoren og chatmalen med to bilder og et skriftlig sammenligningsspørsmål. Hold samtalerollene og koblingen mellom bilde og tekst uttrykkelige. En systeminstruksjon kan definere målgruppe, tone og svarstruktur, mens brukermeldingen leverer selve oppgaven og kildegrunnlaget. Produsenten beskriver forbedringer etter trening i styrbarhet med systemledetekster og samtaleformatering.
Maverick er forhåndstrent på omtrent 22 billioner tokener med multimodale data, med oppgitt skjæringsdato for forhåndstreningsdataene i august 2024. Dette er en statisk grense for treningsdataene fremfor direkte tilgang til oppdatert informasjon. Når et spørsmål avhenger av nyere eller privat materiale, legger du ved materialet som kildekontekst eller gjennom en separat tilkoblet gjenfinningsoperasjon.
Utgaven omfatter BF16-vekter og separat kvantiserte FP8-vekter. Disse presisjonsvalgene skaper ikke en ny inndatamodalitet eller gir Mavericks konfigurasjon Scouts kontekst på 10M. Behold det nøyaktige Instruct-kontrollpunktet og konfigurasjonen når du sammenligner en gjentatt oppgave eller en avledet utrulling.
Utforming av et praktisk resultat
En dokumentbildeoppgave kan be om kildeidentifikator, synlig utsagn, uttrukket verdi og tolkning som separate felt. En samtaleforklaring kan bevare de opprinnelige begrepene og tilpasse prosaen til leserens støttede språk. En kodeforespørsel kan returnere det reviderte fragmentet og eksempler som skiller ut den tiltenkte atferden.
Definer hvordan sluttresultatet skal brukes før du legger ved materialet. En kort bildetekst, en sammenligningstabell og et foreslått program løser forskjellige oppgaver selv om de bruker de samme bildene. Modellens visuelle og språklige funksjoner leverer tolkningen og teksten; ekstern informasjonsgjenfinning, kjøring eller filproduksjon kommer fra applikasjonskomponenter.
Spesifikke avgrensninger
De dokumenterte inndataene her er tekst og bilder, med tekst og kode som utdata. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngitte kontroller for resonneringsinnsats skal ikke tilordnes denne Maverick-utgaven. Llama Guard er også en separat trent klassifikator, fremfor automatiske klassifikatorutdata fra et Maverick-svar.
Kortets genereringseksempel på 256 tokener er en eksempelinnstilling, og de leste kildene fastslår ingen egen absolutt grense for utdatatokener utover modellens kontekstspesifikasjon. Hold Maverick-identiteten, omfanget av støttede språk og det kildeknyttede sluttartefaktet uttrykkelige, fremfor å låne grenser eller moduser fra en annen Llama-utgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser llama-4-maverick | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
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 $0.000375 / 1K tokener Utdata · Utgående tokener $0.001305 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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 $0.000375 / 1K tokener Utdata · Utgående tokener $0.001305 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick er Metas Instruct-modell med innebygd tekst- og bildestøtte, 128 eksperter, 17B aktive og 400B totale parametere. Produsenten dokumenterer en kontekst på 1M, flerspråklige tekst- og kodeutdata, visuell gjenkjenning, bildetekster og bildespørsmål i en separat utgave fra Scout.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Llama 4 Maverick Instruct er Metas modell med innebygd multimodalitet for assistentlignende samtaler og visuell resonnering. Den tar imot flerspråklig tekst og bilder og genererer flerspråklig tekst eller kode. Arkitekturen med ekspertblanding bruker tidlig fusjon og kombinerer den visuelle og tekstlige informasjonen inne i modellen, fremfor å behandle bildet som en urelatert bildetekst levert av en separat tekstassistent.
Modellinformasjon og kontekst
Produsenten oppgir 128 eksperter, 17 milliarder aktive parametere og 400 milliarder totale parametere for Maverick. Dette er forskjellig fra Scouts konfigurasjon med 16 eksperter og 109B totale parametere, selv om begge har størrelsesetiketten 17B aktive. Instruct-navnet identifiserer det assistentorienterte kontrollpunktet fremfor den forhåndstrente Maverick-modellen.
Modellkortet dokumenterer et kontekstvindu på 1M for Maverick. Bruk konteksten til å holde relevante utdrag, bilder, samtalen og det forespurte svaret samlet. En stor kildesamling trenger fortsatt et definert spørsmål og artefakt. Merk kildedokumentene og bildene, og be om plasseringen som støtter hvert uttrukket funn, fremfor en urettet oppsummering av alt materialet.
De støttede språkene er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Produsenten skiller disse tolv støttede språkene fra den bredere samlingen på omtrent to hundre språk brukt i forhåndstreningen. At et språk finnes i treningsdataene, skal ikke gjøres til et løfte om like gode funksjoner for alle språk.
Chat-, syns- og kodeoppgaver
Kortets tiltenkte visuelle bruksområder omfatter gjenkjenning, resonnering over bilder, bildetekster og svar på generelle spørsmål om et bilde. For et fotografi ber du modellen identifisere objektene eller sammenhengen som er relevant for oppgaven. For et diagram ber du om en sammenligning mellom navngitte dataserier, med akser og enheter bevart. For et skjematisk diagram spør du hvilken merket forbindelse som støtter et oppgitt krav.
For sammenligning av flere bilder identifiserer du rollen til hvert bilde og ber om de samme kriteriene for alle. Legg for eksempel ved et originaldesign og en revisjon, og be deretter om synlige samsvar, forskjeller og detaljer bildene ikke fastslår. Hold observasjonene atskilt fra konklusjoner som avhenger av den medfølgende teksten. Dette gjør utdataene lettere å undersøke mot den faktiske kilden.
Produsenten rapporterer testing av bildeforståelse med opptil fem inndatabilder. Dette er det dokumenterte testomfanget, ikke en ubetinget absolutt maksimumsgrense for antall bilder. Behold detaljene spørsmålet trenger, og rekkefølgen på bildene. Å legge til et stort antall urelaterte bilder definerer ikke i seg selv hva som skal sammenlignes.
For en kodeoppgave legger du ved kravet, relevant kildekode og forventet atferd. Be om den foreslåtte implementeringen atskilt fra forutsetningene og eksemplene. Et skjermbilde kan gi visuelle krav, mens det tekstlige vilkåret angir atferd skjermbildet ikke kan vise. Generert kode er et tekstartefakt; å kjøre den, undersøke et gjengitt grensesnitt eller bruke den i en kodebase krever det tilkoblede miljøet.
Samtaleforberedelse og trening
Modellkortet viser den tilhørende prosessoren og chatmalen med to bilder og et skriftlig sammenligningsspørsmål. Hold samtalerollene og koblingen mellom bilde og tekst uttrykkelige. En systeminstruksjon kan definere målgruppe, tone og svarstruktur, mens brukermeldingen leverer selve oppgaven og kildegrunnlaget. Produsenten beskriver forbedringer etter trening i styrbarhet med systemledetekster og samtaleformatering.
Maverick er forhåndstrent på omtrent 22 billioner tokener med multimodale data, med oppgitt skjæringsdato for forhåndstreningsdataene i august 2024. Dette er en statisk grense for treningsdataene fremfor direkte tilgang til oppdatert informasjon. Når et spørsmål avhenger av nyere eller privat materiale, legger du ved materialet som kildekontekst eller gjennom en separat tilkoblet gjenfinningsoperasjon.
Utgaven omfatter BF16-vekter og separat kvantiserte FP8-vekter. Disse presisjonsvalgene skaper ikke en ny inndatamodalitet eller gir Mavericks konfigurasjon Scouts kontekst på 10M. Behold det nøyaktige Instruct-kontrollpunktet og konfigurasjonen når du sammenligner en gjentatt oppgave eller en avledet utrulling.
Utforming av et praktisk resultat
En dokumentbildeoppgave kan be om kildeidentifikator, synlig utsagn, uttrukket verdi og tolkning som separate felt. En samtaleforklaring kan bevare de opprinnelige begrepene og tilpasse prosaen til leserens støttede språk. En kodeforespørsel kan returnere det reviderte fragmentet og eksempler som skiller ut den tiltenkte atferden.
Definer hvordan sluttresultatet skal brukes før du legger ved materialet. En kort bildetekst, en sammenligningstabell og et foreslått program løser forskjellige oppgaver selv om de bruker de samme bildene. Modellens visuelle og språklige funksjoner leverer tolkningen og teksten; ekstern informasjonsgjenfinning, kjøring eller filproduksjon kommer fra applikasjonskomponenter.
Spesifikke avgrensninger
De dokumenterte inndataene her er tekst og bilder, med tekst og kode som utdata. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngitte kontroller for resonneringsinnsats skal ikke tilordnes denne Maverick-utgaven. Llama Guard er også en separat trent klassifikator, fremfor automatiske klassifikatorutdata fra et Maverick-svar.
Kortets genereringseksempel på 256 tokener er en eksempelinnstilling, og de leste kildene fastslår ingen egen absolutt grense for utdatatokener utover modellens kontekstspesifikasjon. Hold Maverick-identiteten, omfanget av støttede språk og det kildeknyttede sluttartefaktet uttrykkelige, fremfor å låne grenser eller moduser fra en annen Llama-utgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser llama-4-maverick | 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 $0.000375 / 1K tokener Utdata · Utgående tokener $0.001305 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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 $0.000375 / 1K tokener Utdata · Utgående tokener $0.001305 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'llama-4-maverick', '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': 'llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick er Metas Instruct-modell med innebygd tekst- og bildestøtte, 128 eksperter, 17B aktive og 400B totale parametere. Produsenten dokumenterer en kontekst på 1M, flerspråklige tekst- og kodeutdata, visuell gjenkjenning, bildetekster og bildespørsmål i en separat utgave fra Scout.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Llama 4 Maverick Instruct er Metas modell med innebygd multimodalitet for assistentlignende samtaler og visuell resonnering. Den tar imot flerspråklig tekst og bilder og genererer flerspråklig tekst eller kode. Arkitekturen med ekspertblanding bruker tidlig fusjon og kombinerer den visuelle og tekstlige informasjonen inne i modellen, fremfor å behandle bildet som en urelatert bildetekst levert av en separat tekstassistent.
Modellinformasjon og kontekst
Produsenten oppgir 128 eksperter, 17 milliarder aktive parametere og 400 milliarder totale parametere for Maverick. Dette er forskjellig fra Scouts konfigurasjon med 16 eksperter og 109B totale parametere, selv om begge har størrelsesetiketten 17B aktive. Instruct-navnet identifiserer det assistentorienterte kontrollpunktet fremfor den forhåndstrente Maverick-modellen.
Modellkortet dokumenterer et kontekstvindu på 1M for Maverick. Bruk konteksten til å holde relevante utdrag, bilder, samtalen og det forespurte svaret samlet. En stor kildesamling trenger fortsatt et definert spørsmål og artefakt. Merk kildedokumentene og bildene, og be om plasseringen som støtter hvert uttrukket funn, fremfor en urettet oppsummering av alt materialet.
De støttede språkene er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Produsenten skiller disse tolv støttede språkene fra den bredere samlingen på omtrent to hundre språk brukt i forhåndstreningen. At et språk finnes i treningsdataene, skal ikke gjøres til et løfte om like gode funksjoner for alle språk.
Chat-, syns- og kodeoppgaver
Kortets tiltenkte visuelle bruksområder omfatter gjenkjenning, resonnering over bilder, bildetekster og svar på generelle spørsmål om et bilde. For et fotografi ber du modellen identifisere objektene eller sammenhengen som er relevant for oppgaven. For et diagram ber du om en sammenligning mellom navngitte dataserier, med akser og enheter bevart. For et skjematisk diagram spør du hvilken merket forbindelse som støtter et oppgitt krav.
For sammenligning av flere bilder identifiserer du rollen til hvert bilde og ber om de samme kriteriene for alle. Legg for eksempel ved et originaldesign og en revisjon, og be deretter om synlige samsvar, forskjeller og detaljer bildene ikke fastslår. Hold observasjonene atskilt fra konklusjoner som avhenger av den medfølgende teksten. Dette gjør utdataene lettere å undersøke mot den faktiske kilden.
Produsenten rapporterer testing av bildeforståelse med opptil fem inndatabilder. Dette er det dokumenterte testomfanget, ikke en ubetinget absolutt maksimumsgrense for antall bilder. Behold detaljene spørsmålet trenger, og rekkefølgen på bildene. Å legge til et stort antall urelaterte bilder definerer ikke i seg selv hva som skal sammenlignes.
For en kodeoppgave legger du ved kravet, relevant kildekode og forventet atferd. Be om den foreslåtte implementeringen atskilt fra forutsetningene og eksemplene. Et skjermbilde kan gi visuelle krav, mens det tekstlige vilkåret angir atferd skjermbildet ikke kan vise. Generert kode er et tekstartefakt; å kjøre den, undersøke et gjengitt grensesnitt eller bruke den i en kodebase krever det tilkoblede miljøet.
Samtaleforberedelse og trening
Modellkortet viser den tilhørende prosessoren og chatmalen med to bilder og et skriftlig sammenligningsspørsmål. Hold samtalerollene og koblingen mellom bilde og tekst uttrykkelige. En systeminstruksjon kan definere målgruppe, tone og svarstruktur, mens brukermeldingen leverer selve oppgaven og kildegrunnlaget. Produsenten beskriver forbedringer etter trening i styrbarhet med systemledetekster og samtaleformatering.
Maverick er forhåndstrent på omtrent 22 billioner tokener med multimodale data, med oppgitt skjæringsdato for forhåndstreningsdataene i august 2024. Dette er en statisk grense for treningsdataene fremfor direkte tilgang til oppdatert informasjon. Når et spørsmål avhenger av nyere eller privat materiale, legger du ved materialet som kildekontekst eller gjennom en separat tilkoblet gjenfinningsoperasjon.
Utgaven omfatter BF16-vekter og separat kvantiserte FP8-vekter. Disse presisjonsvalgene skaper ikke en ny inndatamodalitet eller gir Mavericks konfigurasjon Scouts kontekst på 10M. Behold det nøyaktige Instruct-kontrollpunktet og konfigurasjonen når du sammenligner en gjentatt oppgave eller en avledet utrulling.
Utforming av et praktisk resultat
En dokumentbildeoppgave kan be om kildeidentifikator, synlig utsagn, uttrukket verdi og tolkning som separate felt. En samtaleforklaring kan bevare de opprinnelige begrepene og tilpasse prosaen til leserens støttede språk. En kodeforespørsel kan returnere det reviderte fragmentet og eksempler som skiller ut den tiltenkte atferden.
Definer hvordan sluttresultatet skal brukes før du legger ved materialet. En kort bildetekst, en sammenligningstabell og et foreslått program løser forskjellige oppgaver selv om de bruker de samme bildene. Modellens visuelle og språklige funksjoner leverer tolkningen og teksten; ekstern informasjonsgjenfinning, kjøring eller filproduksjon kommer fra applikasjonskomponenter.
Spesifikke avgrensninger
De dokumenterte inndataene her er tekst og bilder, med tekst og kode som utdata. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngitte kontroller for resonneringsinnsats skal ikke tilordnes denne Maverick-utgaven. Llama Guard er også en separat trent klassifikator, fremfor automatiske klassifikatorutdata fra et Maverick-svar.
Kortets genereringseksempel på 256 tokener er en eksempelinnstilling, og de leste kildene fastslår ingen egen absolutt grense for utdatatokener utover modellens kontekstspesifikasjon. Hold Maverick-identiteten, omfanget av støttede språk og det kildeknyttede sluttartefaktet uttrykkelige, fremfor å låne grenser eller moduser fra en annen Llama-utgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokener Utdata · Utgående tokener $0.001305 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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 $0.000375 / 1K tokener Utdata · Utgående tokener $0.001305 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick er Metas Instruct-modell med innebygd tekst- og bildestøtte, 128 eksperter, 17B aktive og 400B totale parametere. Produsenten dokumenterer en kontekst på 1M, flerspråklige tekst- og kodeutdata, visuell gjenkjenning, bildetekster og bildespørsmål i en separat utgave fra Scout.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Llama 4 Maverick Instruct er Metas modell med innebygd multimodalitet for assistentlignende samtaler og visuell resonnering. Den tar imot flerspråklig tekst og bilder og genererer flerspråklig tekst eller kode. Arkitekturen med ekspertblanding bruker tidlig fusjon og kombinerer den visuelle og tekstlige informasjonen inne i modellen, fremfor å behandle bildet som en urelatert bildetekst levert av en separat tekstassistent.
Modellinformasjon og kontekst
Produsenten oppgir 128 eksperter, 17 milliarder aktive parametere og 400 milliarder totale parametere for Maverick. Dette er forskjellig fra Scouts konfigurasjon med 16 eksperter og 109B totale parametere, selv om begge har størrelsesetiketten 17B aktive. Instruct-navnet identifiserer det assistentorienterte kontrollpunktet fremfor den forhåndstrente Maverick-modellen.
Modellkortet dokumenterer et kontekstvindu på 1M for Maverick. Bruk konteksten til å holde relevante utdrag, bilder, samtalen og det forespurte svaret samlet. En stor kildesamling trenger fortsatt et definert spørsmål og artefakt. Merk kildedokumentene og bildene, og be om plasseringen som støtter hvert uttrukket funn, fremfor en urettet oppsummering av alt materialet.
De støttede språkene er arabisk, engelsk, fransk, tysk, hindi, indonesisk, italiensk, portugisisk, spansk, tagalog, thai og vietnamesisk. Produsenten skiller disse tolv støttede språkene fra den bredere samlingen på omtrent to hundre språk brukt i forhåndstreningen. At et språk finnes i treningsdataene, skal ikke gjøres til et løfte om like gode funksjoner for alle språk.
Chat-, syns- og kodeoppgaver
Kortets tiltenkte visuelle bruksområder omfatter gjenkjenning, resonnering over bilder, bildetekster og svar på generelle spørsmål om et bilde. For et fotografi ber du modellen identifisere objektene eller sammenhengen som er relevant for oppgaven. For et diagram ber du om en sammenligning mellom navngitte dataserier, med akser og enheter bevart. For et skjematisk diagram spør du hvilken merket forbindelse som støtter et oppgitt krav.
For sammenligning av flere bilder identifiserer du rollen til hvert bilde og ber om de samme kriteriene for alle. Legg for eksempel ved et originaldesign og en revisjon, og be deretter om synlige samsvar, forskjeller og detaljer bildene ikke fastslår. Hold observasjonene atskilt fra konklusjoner som avhenger av den medfølgende teksten. Dette gjør utdataene lettere å undersøke mot den faktiske kilden.
Produsenten rapporterer testing av bildeforståelse med opptil fem inndatabilder. Dette er det dokumenterte testomfanget, ikke en ubetinget absolutt maksimumsgrense for antall bilder. Behold detaljene spørsmålet trenger, og rekkefølgen på bildene. Å legge til et stort antall urelaterte bilder definerer ikke i seg selv hva som skal sammenlignes.
For en kodeoppgave legger du ved kravet, relevant kildekode og forventet atferd. Be om den foreslåtte implementeringen atskilt fra forutsetningene og eksemplene. Et skjermbilde kan gi visuelle krav, mens det tekstlige vilkåret angir atferd skjermbildet ikke kan vise. Generert kode er et tekstartefakt; å kjøre den, undersøke et gjengitt grensesnitt eller bruke den i en kodebase krever det tilkoblede miljøet.
Samtaleforberedelse og trening
Modellkortet viser den tilhørende prosessoren og chatmalen med to bilder og et skriftlig sammenligningsspørsmål. Hold samtalerollene og koblingen mellom bilde og tekst uttrykkelige. En systeminstruksjon kan definere målgruppe, tone og svarstruktur, mens brukermeldingen leverer selve oppgaven og kildegrunnlaget. Produsenten beskriver forbedringer etter trening i styrbarhet med systemledetekster og samtaleformatering.
Maverick er forhåndstrent på omtrent 22 billioner tokener med multimodale data, med oppgitt skjæringsdato for forhåndstreningsdataene i august 2024. Dette er en statisk grense for treningsdataene fremfor direkte tilgang til oppdatert informasjon. Når et spørsmål avhenger av nyere eller privat materiale, legger du ved materialet som kildekontekst eller gjennom en separat tilkoblet gjenfinningsoperasjon.
Utgaven omfatter BF16-vekter og separat kvantiserte FP8-vekter. Disse presisjonsvalgene skaper ikke en ny inndatamodalitet eller gir Mavericks konfigurasjon Scouts kontekst på 10M. Behold det nøyaktige Instruct-kontrollpunktet og konfigurasjonen når du sammenligner en gjentatt oppgave eller en avledet utrulling.
Utforming av et praktisk resultat
En dokumentbildeoppgave kan be om kildeidentifikator, synlig utsagn, uttrukket verdi og tolkning som separate felt. En samtaleforklaring kan bevare de opprinnelige begrepene og tilpasse prosaen til leserens støttede språk. En kodeforespørsel kan returnere det reviderte fragmentet og eksempler som skiller ut den tiltenkte atferden.
Definer hvordan sluttresultatet skal brukes før du legger ved materialet. En kort bildetekst, en sammenligningstabell og et foreslått program løser forskjellige oppgaver selv om de bruker de samme bildene. Modellens visuelle og språklige funksjoner leverer tolkningen og teksten; ekstern informasjonsgjenfinning, kjøring eller filproduksjon kommer fra applikasjonskomponenter.
Spesifikke avgrensninger
De dokumenterte inndataene her er tekst og bilder, med tekst og kode som utdata. Lyd- eller videoforståelse, talegenerering og Muse Sparks navngitte kontroller for resonneringsinnsats skal ikke tilordnes denne Maverick-utgaven. Llama Guard er også en separat trent klassifikator, fremfor automatiske klassifikatorutdata fra et Maverick-svar.
Kortets genereringseksempel på 256 tokener er en eksempelinnstilling, og de leste kildene fastslår ingen egen absolutt grense for utdatatokener utover modellens kontekstspesifikasjon. Hold Maverick-identiteten, omfanget av støttede språk og det kildeknyttede sluttartefaktet uttrykkelige, fremfor å låne grenser eller moduser fra en annen Llama-utgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokener Utdata · Utgående tokener $0.001305 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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 $0.000375 / 1K tokener Utdata · Utgående tokener $0.001305 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Teknisk eksempel på engelsk
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.