Llama Guard 4 12B er Metas sikkerhetsklassifikator med innebygd multimodalitet og 12 milliarder parametere. Den er trent samlet på tekst og flere bilder og genererer en tekstlig klassifisering: safe eller unsafe, med angivelse av hvilke farekategorier innholdet faller inn under når resultatet er unsafe. Formålet er å evaluere innhold i en ledetekst eller et generert svar, fremfor å fungere som en generell chatassistent.
Klassifisering av ledetekster og svar
Modellen kan klassifisere materiale før det sendes til en generativ modell, etter at modellen produserer et svar, eller på begge tidspunktene. Dette er forskjellige spørsmål. Klassifisering av ledeteksten evaluerer brukerens inndata, mens svarklassifisering evaluerer hva en assistent faktisk skrev. Et system kan derfor skille mellom en risikofylt forespørsel og et svar som håndterer forespørselen på en akseptabel måte etter klassifikatorens taksonomi.
Legg ved det nøyaktige innholdet som skal klassifiseres, med samtalerollene og relevant kontekst. Hvis målet er et svar, beholder du spørsmålet som gir svaret betydning. For blandede inndata med tekst og bilder tar du med bildene som er knyttet til ledeteksten, fremfor å klassifisere urelatert tekst eller ett vilkårlig valgt bilde. Klassifikatorresultatet er informasjon til applikasjonens regel- eller gjennomgangstrinn; det blokkerer ikke i seg selv en forespørsel eller endrer en fil.
Fjorten farekategorier
Produsenten tilpasser klassifikatoren til MLCommons' faretaksonomi og legger til en kategori for kodetolk som gjelder bare tekst. De fjorten etikettene dekker voldskriminalitet, ikke-voldelig kriminalitet, seksualrelatert kriminalitet, seksuell utnyttelse av barn, ærekrenkelse, spesialisert rådgivning, personvern, immaterielle rettigheter, våpen som rammer vilkårlig, hat, selvmord og selvskading, seksuelt innhold, valg og misbruk av kodetolk.
Kategoriene bruker identifikatorene S1 til S14. S14, Code Interpreter Abuse, gjelder spesifikt brukstilfeller med verktøykall som bare bruker tekst. Behold taksonomiidentifikatoren sammen med safe/unsafe-resultatet, slik at et senere applikasjonstrinn kan tolke klassifiseringen etter de samme kategoridefinisjonene. Et kort resultat er en kategorivurdering, ikke en full forklaring, en juridisk avgjørelse eller en garanti for at all mulig skade er oppdaget.
Som et illustrerende format kan en unsafe-klassifisering følges av den gjeldende kategoriidentifikatoren. Behold den opprinnelige evaluerte teksten, kilden eller posisjonen i samtalen og de returnerte etikettene samlet. Denne koblingen lar en applikasjon skille det undersøkte innholdet fra et senere omskrevet svar eller en separat ledetekst.
Arkitektur og trening
Llama Guard 4 har en tett Transformer-arkitektur med tidlig fusjon, beskåret fra et forhåndstrent Llama 4 Scout-kontrollpunkt. Produsenten fjerner rutede eksperter og ruterlag og beholder den delte tette eksperten, og ettertrener deretter den resulterende modellen for innholdsklassifisering. Det utføres ingen ytterligere forhåndstrening etter dette beskjæringstrinnet. Dette skaper en annen modell enn Scouts chatutgave med ekspertblanding.
Modellen deler Llama 4s tokenizer og synskoder og kombinerer trening for klassifisering av bare tekst med multimodal klassifisering. Produsenten beskriver flerspråklige data og trening med flere bilder, der de fleste slike eksempler inneholder to til fem bilder, og en omtrentlig blanding på tre til én mellom data med bare tekst og multimodale data. Dette er treningsegenskaper, ikke absolutte grenser for antall inndata.
Det dokumenterte flerspråklige omfanget følger språkene Llama Guard 3 støtter, og kortet omtaler engelsk sammen med fransk, tysk, hindi, italiensk, portugisisk, spansk og thai. En klassifiseringsforespørsel bør bevare den faktiske ordlyden og visuelle konteksten på språket som evalueres, fremfor å erstatte innholdet med et urelatert sammendrag.
Forbered et nyttig klassifiseringsresultat
For kontroll av inndata legger du ved brukerens melding og de tilknyttede bildene og ber om klassifisering av ledeteksten i produsentens format. For kontroll av utdata legger du ved assistentens faktiske svar sammen med den relevante tidligere meldingen. Et eksempel med flere bilder kan beholde teksten som knytter bildene sammen, slik at modellen evaluerer den samlede forespørselen fremfor uavhengige fragmenter uten kontekst.
Modellkortet viser bruk av den tilhørende samtalemalen og dekoding av bare den genererte klassifiseringen. Genereringseksemplet på ti tokener illustrerer et kort etikettresultat; dette tallet er ikke en egen maksimal svarkapasitet. Hold de forespurte utdataene i samsvar med klassifikatorens formål, fremfor å be den skrive et vanlig samtalesvar.
Spesifikke begrensninger
Produsenten sier at vurderingene kan være begrenset av modellens treningsdata, allmennkunnskap, språkdekning og policydekning. Kategorier knyttet til ærekrenkelse, immaterielle rettigheter og valg kan kreve faktisk, oppdatert kunnskap som klassifikatoren kanskje ikke har. Kategorietiketten bør derfor beholde forbindelsen til innholdet og informasjonen som var tilgjengelig for evalueringen.
Kortet rapporterer testing hovedsakelig på ledetekster med noen få bilder, oftest tre, og påpeker at atferden kan variere med en mye større bildesamling. Dette beskriver testomfanget fremfor en universell grense på tre bilder. Modellen kan også være sårbar for adversarielt innhold eller ledetekstinjeksjon som endrer den tiltenkte atferden.
Llama Guard 4s klassifikatorrolle skal ikke arve Scouts kontekstspesifikasjon eller generelle assistentfunksjoner bare fordi den ble beskåret fra Scout. Det leste kortet oppgir ingen egen absolutt kontekst- eller utdatatokenkapasitet for denne klassifikatoren. Behold det evaluerte materialet og taksonomietikettene som det praktiske artefaktet, og la applikasjonen bestemme handlingen som knyttes til resultatet.
", "aboutText": "Llama Guard 4 12B er Metas sikkerhetsklassifikator med innebygd multimodalitet og 12 milliarder parametere. Den er trent samlet på tekst og flere bilder og genererer en tekstlig klassifisering: safe eller unsafe, med angivelse av hvilke farekategorier innholdet faller inn under når resultatet er unsafe. Formålet er å evaluere innhold i en ledetekst eller et generert svar, fremfor å fungere som en generell chatassistent.\n\nKlassifisering av ledetekster og svar\n\nModellen kan klassifisere materiale før det sendes til en generativ modell, etter at modellen produserer et svar, eller på begge tidspunktene. Dette er forskjellige spørsmål. Klassifisering av ledeteksten evaluerer brukerens inndata, mens svarklassifisering evaluerer hva en assistent faktisk skrev. Et system kan derfor skille mellom en risikofylt forespørsel og et svar som håndterer forespørselen på en akseptabel måte etter klassifikatorens taksonomi.\n\nLegg ved det nøyaktige innholdet som skal klassifiseres, med samtalerollene og relevant kontekst. Hvis målet er et svar, beholder du spørsmålet som gir svaret betydning. For blandede inndata med tekst og bilder tar du med bildene som er knyttet til ledeteksten, fremfor å klassifisere urelatert tekst eller ett vilkårlig valgt bilde. Klassifikatorresultatet er informasjon til applikasjonens regel- eller gjennomgangstrinn; det blokkerer ikke i seg selv en forespørsel eller endrer en fil.\n\nFjorten farekategorier\n\nProdusenten tilpasser klassifikatoren til MLCommons' faretaksonomi og legger til en kategori for kodetolk som gjelder bare tekst. De fjorten etikettene dekker voldskriminalitet, ikke-voldelig kriminalitet, seksualrelatert kriminalitet, seksuell utnyttelse av barn, ærekrenkelse, spesialisert rådgivning, personvern, immaterielle rettigheter, våpen som rammer vilkårlig, hat, selvmord og selvskading, seksuelt innhold, valg og misbruk av kodetolk.\n\nKategoriene bruker identifikatorene S1 til S14. S14, Code Interpreter Abuse, gjelder spesifikt brukstilfeller med verktøykall som bare bruker tekst. Behold taksonomiidentifikatoren sammen med safe/unsafe-resultatet, slik at et senere applikasjonstrinn kan tolke klassifiseringen etter de samme kategoridefinisjonene. Et kort resultat er en kategorivurdering, ikke en full forklaring, en juridisk avgjørelse eller en garanti for at all mulig skade er oppdaget.\n\nSom et illustrerende format kan en unsafe-klassifisering følges av den gjeldende kategoriidentifikatoren. Behold den opprinnelige evaluerte teksten, kilden eller posisjonen i samtalen og de returnerte etikettene samlet. Denne koblingen lar en applikasjon skille det undersøkte innholdet fra et senere omskrevet svar eller en separat ledetekst.\n\nArkitektur og trening\n\nLlama Guard 4 har en tett Transformer-arkitektur med tidlig fusjon, beskåret fra et forhåndstrent Llama 4 Scout-kontrollpunkt. Produsenten fjerner rutede eksperter og ruterlag og beholder den delte tette eksperten, og ettertrener deretter den resulterende modellen for innholdsklassifisering. Det utføres ingen ytterligere forhåndstrening etter dette beskjæringstrinnet. Dette skaper en annen modell enn Scouts chatutgave med ekspertblanding.\n\nModellen deler Llama 4s tokenizer og synskoder og kombinerer trening for klassifisering av bare tekst med multimodal klassifisering. Produsenten beskriver flerspråklige data og trening med flere bilder, der de fleste slike eksempler inneholder to til fem bilder, og en omtrentlig blanding på tre til én mellom data med bare tekst og multimodale data. Dette er treningsegenskaper, ikke absolutte grenser for antall inndata.\n\nDet dokumenterte flerspråklige omfanget følger språkene Llama Guard 3 støtter, og kortet omtaler engelsk sammen med fransk, tysk, hindi, italiensk, portugisisk, spansk og thai. En klassifiseringsforespørsel bør bevare den faktiske ordlyden og visuelle konteksten på språket som evalueres, fremfor å erstatte innholdet med et urelatert sammendrag.\n\nForbered et nyttig klassifiseringsresultat\n\nFor kontroll av inndata legger du ved brukerens melding og de tilknyttede bildene og ber om klassifisering av ledeteksten i produsentens format. For kontroll av utdata legger du ved assistentens faktiske svar sammen med den relevante tidligere meldingen. Et eksempel med flere bilder kan beholde teksten som knytter bildene sammen, slik at modellen evaluerer den samlede forespørselen fremfor uavhengige fragmenter uten kontekst.\n\nModellkortet viser bruk av den tilhørende samtalemalen og dekoding av bare den genererte klassifiseringen. Genereringseksemplet på ti tokener illustrerer et kort etikettresultat; dette tallet er ikke en egen maksimal svarkapasitet. Hold de forespurte utdataene i samsvar med klassifikatorens formål, fremfor å be den skrive et vanlig samtalesvar.\n\nSpesifikke begrensninger\n\nProdusenten sier at vurderingene kan være begrenset av modellens treningsdata, allmennkunnskap, språkdekning og policydekning. Kategorier knyttet til ærekrenkelse, immaterielle rettigheter og valg kan kreve faktisk, oppdatert kunnskap som klassifikatoren kanskje ikke har. Kategorietiketten bør derfor beholde forbindelsen til innholdet og informasjonen som var tilgjengelig for evalueringen.\n\nKortet rapporterer testing hovedsakelig på ledetekster med noen få bilder, oftest tre, og påpeker at atferden kan variere med en mye større bildesamling. Dette beskriver testomfanget fremfor en universell grense på tre bilder. Modellen kan også være sårbar for adversarielt innhold eller ledetekstinjeksjon som endrer den tiltenkte atferden.\n\nLlama Guard 4s klassifikatorrolle skal ikke arve Scouts kontekstspesifikasjon eller generelle assistentfunksjoner bare fordi den ble beskåret fra Scout. Det leste kortet oppgir ingen egen absolutt kontekst- eller utdatatokenkapasitet for denne klassifikatoren. Behold det evaluerte materialet og taksonomietikettene som det praktiske artefaktet, og la applikasjonen bestemme handlingen som knyttes til resultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B er Metas multimodale innholdsklassifikator for ledetekster og genererte svar. Den analyserer tekst med ett eller flere bilder og returnerer en safe/unsafe-etikett samt gjeldende farekategorier, med en tett arkitektur beskåret fra Llama 4 Scout.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Llama Guard 4 12B er Metas sikkerhetsklassifikator med innebygd multimodalitet og 12 milliarder parametere. Den er trent samlet på tekst og flere bilder og genererer en tekstlig klassifisering: safe eller unsafe, med angivelse av hvilke farekategorier innholdet faller inn under når resultatet er unsafe. Formålet er å evaluere innhold i en ledetekst eller et generert svar, fremfor å fungere som en generell chatassistent.
Klassifisering av ledetekster og svar
Modellen kan klassifisere materiale før det sendes til en generativ modell, etter at modellen produserer et svar, eller på begge tidspunktene. Dette er forskjellige spørsmål. Klassifisering av ledeteksten evaluerer brukerens inndata, mens svarklassifisering evaluerer hva en assistent faktisk skrev. Et system kan derfor skille mellom en risikofylt forespørsel og et svar som håndterer forespørselen på en akseptabel måte etter klassifikatorens taksonomi.
Legg ved det nøyaktige innholdet som skal klassifiseres, med samtalerollene og relevant kontekst. Hvis målet er et svar, beholder du spørsmålet som gir svaret betydning. For blandede inndata med tekst og bilder tar du med bildene som er knyttet til ledeteksten, fremfor å klassifisere urelatert tekst eller ett vilkårlig valgt bilde. Klassifikatorresultatet er informasjon til applikasjonens regel- eller gjennomgangstrinn; det blokkerer ikke i seg selv en forespørsel eller endrer en fil.
Fjorten farekategorier
Produsenten tilpasser klassifikatoren til MLCommons' faretaksonomi og legger til en kategori for kodetolk som gjelder bare tekst. De fjorten etikettene dekker voldskriminalitet, ikke-voldelig kriminalitet, seksualrelatert kriminalitet, seksuell utnyttelse av barn, ærekrenkelse, spesialisert rådgivning, personvern, immaterielle rettigheter, våpen som rammer vilkårlig, hat, selvmord og selvskading, seksuelt innhold, valg og misbruk av kodetolk.
Kategoriene bruker identifikatorene S1 til S14. S14, Code Interpreter Abuse, gjelder spesifikt brukstilfeller med verktøykall som bare bruker tekst. Behold taksonomiidentifikatoren sammen med safe/unsafe-resultatet, slik at et senere applikasjonstrinn kan tolke klassifiseringen etter de samme kategoridefinisjonene. Et kort resultat er en kategorivurdering, ikke en full forklaring, en juridisk avgjørelse eller en garanti for at all mulig skade er oppdaget.
Som et illustrerende format kan en unsafe-klassifisering følges av den gjeldende kategoriidentifikatoren. Behold den opprinnelige evaluerte teksten, kilden eller posisjonen i samtalen og de returnerte etikettene samlet. Denne koblingen lar en applikasjon skille det undersøkte innholdet fra et senere omskrevet svar eller en separat ledetekst.
Arkitektur og trening
Llama Guard 4 har en tett Transformer-arkitektur med tidlig fusjon, beskåret fra et forhåndstrent Llama 4 Scout-kontrollpunkt. Produsenten fjerner rutede eksperter og ruterlag og beholder den delte tette eksperten, og ettertrener deretter den resulterende modellen for innholdsklassifisering. Det utføres ingen ytterligere forhåndstrening etter dette beskjæringstrinnet. Dette skaper en annen modell enn Scouts chatutgave med ekspertblanding.
Modellen deler Llama 4s tokenizer og synskoder og kombinerer trening for klassifisering av bare tekst med multimodal klassifisering. Produsenten beskriver flerspråklige data og trening med flere bilder, der de fleste slike eksempler inneholder to til fem bilder, og en omtrentlig blanding på tre til én mellom data med bare tekst og multimodale data. Dette er treningsegenskaper, ikke absolutte grenser for antall inndata.
Det dokumenterte flerspråklige omfanget følger språkene Llama Guard 3 støtter, og kortet omtaler engelsk sammen med fransk, tysk, hindi, italiensk, portugisisk, spansk og thai. En klassifiseringsforespørsel bør bevare den faktiske ordlyden og visuelle konteksten på språket som evalueres, fremfor å erstatte innholdet med et urelatert sammendrag.
Forbered et nyttig klassifiseringsresultat
For kontroll av inndata legger du ved brukerens melding og de tilknyttede bildene og ber om klassifisering av ledeteksten i produsentens format. For kontroll av utdata legger du ved assistentens faktiske svar sammen med den relevante tidligere meldingen. Et eksempel med flere bilder kan beholde teksten som knytter bildene sammen, slik at modellen evaluerer den samlede forespørselen fremfor uavhengige fragmenter uten kontekst.
Modellkortet viser bruk av den tilhørende samtalemalen og dekoding av bare den genererte klassifiseringen. Genereringseksemplet på ti tokener illustrerer et kort etikettresultat; dette tallet er ikke en egen maksimal svarkapasitet. Hold de forespurte utdataene i samsvar med klassifikatorens formål, fremfor å be den skrive et vanlig samtalesvar.
Spesifikke begrensninger
Produsenten sier at vurderingene kan være begrenset av modellens treningsdata, allmennkunnskap, språkdekning og policydekning. Kategorier knyttet til ærekrenkelse, immaterielle rettigheter og valg kan kreve faktisk, oppdatert kunnskap som klassifikatoren kanskje ikke har. Kategorietiketten bør derfor beholde forbindelsen til innholdet og informasjonen som var tilgjengelig for evalueringen.
Kortet rapporterer testing hovedsakelig på ledetekster med noen få bilder, oftest tre, og påpeker at atferden kan variere med en mye større bildesamling. Dette beskriver testomfanget fremfor en universell grense på tre bilder. Modellen kan også være sårbar for adversarielt innhold eller ledetekstinjeksjon som endrer den tiltenkte atferden.
Llama Guard 4s klassifikatorrolle skal ikke arve Scouts kontekstspesifikasjon eller generelle assistentfunksjoner bare fordi den ble beskåret fra Scout. Det leste kortet oppgir ingen egen absolutt kontekst- eller utdatatokenkapasitet for denne klassifikatoren. Behold det evaluerte materialet og taksonomietikettene som det praktiske artefaktet, og la applikasjonen bestemme handlingen som knyttes til resultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokener Utdata · Utgående tokener $0.00036 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00036 / 1K tokener Utdata · Utgående tokener $0.00036 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-guard-4-12b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 meta-llama/llama-guard-4-12b
Bruk metodestiene som vises ovenfor.
meta-llama/llama-guard-4-12bLlama Guard 4 12B er Metas multimodale innholdsklassifikator for ledetekster og genererte svar. Den analyserer tekst med ett eller flere bilder og returnerer en safe/unsafe-etikett samt gjeldende farekategorier, med en tett arkitektur beskåret fra Llama 4 Scout.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Llama Guard 4 12B er Metas sikkerhetsklassifikator med innebygd multimodalitet og 12 milliarder parametere. Den er trent samlet på tekst og flere bilder og genererer en tekstlig klassifisering: safe eller unsafe, med angivelse av hvilke farekategorier innholdet faller inn under når resultatet er unsafe. Formålet er å evaluere innhold i en ledetekst eller et generert svar, fremfor å fungere som en generell chatassistent.
Klassifisering av ledetekster og svar
Modellen kan klassifisere materiale før det sendes til en generativ modell, etter at modellen produserer et svar, eller på begge tidspunktene. Dette er forskjellige spørsmål. Klassifisering av ledeteksten evaluerer brukerens inndata, mens svarklassifisering evaluerer hva en assistent faktisk skrev. Et system kan derfor skille mellom en risikofylt forespørsel og et svar som håndterer forespørselen på en akseptabel måte etter klassifikatorens taksonomi.
Legg ved det nøyaktige innholdet som skal klassifiseres, med samtalerollene og relevant kontekst. Hvis målet er et svar, beholder du spørsmålet som gir svaret betydning. For blandede inndata med tekst og bilder tar du med bildene som er knyttet til ledeteksten, fremfor å klassifisere urelatert tekst eller ett vilkårlig valgt bilde. Klassifikatorresultatet er informasjon til applikasjonens regel- eller gjennomgangstrinn; det blokkerer ikke i seg selv en forespørsel eller endrer en fil.
Fjorten farekategorier
Produsenten tilpasser klassifikatoren til MLCommons' faretaksonomi og legger til en kategori for kodetolk som gjelder bare tekst. De fjorten etikettene dekker voldskriminalitet, ikke-voldelig kriminalitet, seksualrelatert kriminalitet, seksuell utnyttelse av barn, ærekrenkelse, spesialisert rådgivning, personvern, immaterielle rettigheter, våpen som rammer vilkårlig, hat, selvmord og selvskading, seksuelt innhold, valg og misbruk av kodetolk.
Kategoriene bruker identifikatorene S1 til S14. S14, Code Interpreter Abuse, gjelder spesifikt brukstilfeller med verktøykall som bare bruker tekst. Behold taksonomiidentifikatoren sammen med safe/unsafe-resultatet, slik at et senere applikasjonstrinn kan tolke klassifiseringen etter de samme kategoridefinisjonene. Et kort resultat er en kategorivurdering, ikke en full forklaring, en juridisk avgjørelse eller en garanti for at all mulig skade er oppdaget.
Som et illustrerende format kan en unsafe-klassifisering følges av den gjeldende kategoriidentifikatoren. Behold den opprinnelige evaluerte teksten, kilden eller posisjonen i samtalen og de returnerte etikettene samlet. Denne koblingen lar en applikasjon skille det undersøkte innholdet fra et senere omskrevet svar eller en separat ledetekst.
Arkitektur og trening
Llama Guard 4 har en tett Transformer-arkitektur med tidlig fusjon, beskåret fra et forhåndstrent Llama 4 Scout-kontrollpunkt. Produsenten fjerner rutede eksperter og ruterlag og beholder den delte tette eksperten, og ettertrener deretter den resulterende modellen for innholdsklassifisering. Det utføres ingen ytterligere forhåndstrening etter dette beskjæringstrinnet. Dette skaper en annen modell enn Scouts chatutgave med ekspertblanding.
Modellen deler Llama 4s tokenizer og synskoder og kombinerer trening for klassifisering av bare tekst med multimodal klassifisering. Produsenten beskriver flerspråklige data og trening med flere bilder, der de fleste slike eksempler inneholder to til fem bilder, og en omtrentlig blanding på tre til én mellom data med bare tekst og multimodale data. Dette er treningsegenskaper, ikke absolutte grenser for antall inndata.
Det dokumenterte flerspråklige omfanget følger språkene Llama Guard 3 støtter, og kortet omtaler engelsk sammen med fransk, tysk, hindi, italiensk, portugisisk, spansk og thai. En klassifiseringsforespørsel bør bevare den faktiske ordlyden og visuelle konteksten på språket som evalueres, fremfor å erstatte innholdet med et urelatert sammendrag.
Forbered et nyttig klassifiseringsresultat
For kontroll av inndata legger du ved brukerens melding og de tilknyttede bildene og ber om klassifisering av ledeteksten i produsentens format. For kontroll av utdata legger du ved assistentens faktiske svar sammen med den relevante tidligere meldingen. Et eksempel med flere bilder kan beholde teksten som knytter bildene sammen, slik at modellen evaluerer den samlede forespørselen fremfor uavhengige fragmenter uten kontekst.
Modellkortet viser bruk av den tilhørende samtalemalen og dekoding av bare den genererte klassifiseringen. Genereringseksemplet på ti tokener illustrerer et kort etikettresultat; dette tallet er ikke en egen maksimal svarkapasitet. Hold de forespurte utdataene i samsvar med klassifikatorens formål, fremfor å be den skrive et vanlig samtalesvar.
Spesifikke begrensninger
Produsenten sier at vurderingene kan være begrenset av modellens treningsdata, allmennkunnskap, språkdekning og policydekning. Kategorier knyttet til ærekrenkelse, immaterielle rettigheter og valg kan kreve faktisk, oppdatert kunnskap som klassifikatoren kanskje ikke har. Kategorietiketten bør derfor beholde forbindelsen til innholdet og informasjonen som var tilgjengelig for evalueringen.
Kortet rapporterer testing hovedsakelig på ledetekster med noen få bilder, oftest tre, og påpeker at atferden kan variere med en mye større bildesamling. Dette beskriver testomfanget fremfor en universell grense på tre bilder. Modellen kan også være sårbar for adversarielt innhold eller ledetekstinjeksjon som endrer den tiltenkte atferden.
Llama Guard 4s klassifikatorrolle skal ikke arve Scouts kontekstspesifikasjon eller generelle assistentfunksjoner bare fordi den ble beskåret fra Scout. Det leste kortet oppgir ingen egen absolutt kontekst- eller utdatatokenkapasitet for denne klassifikatoren. Behold det evaluerte materialet og taksonomietikettene som det praktiske artefaktet, og la applikasjonen bestemme handlingen som knyttes til resultatet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokener Utdata · Utgående tokener $0.00036 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00036 / 1K tokener Utdata · Utgående tokener $0.00036 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 meta-llama/llama-guard-4-12b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.