Gemma 3 12B IT is Googles op instructies afgestemde beeld-taalmodel in de 12B-grootteklasse. Het behoort tot de Gemma 3-familie, die tekstgeneratie met beeldbegrip en meertalige training combineert. Het achtervoegsel IT selecteert het checkpoint voor het volgen van instructies, niet het vooraf getrainde model. Het resultaat is tekst: een uitleg, samenvatting, antwoord, concept of code afgeleid van het geschreven en visuele materiaal in een aanvraag.
Het 12B-model heeft de familiecontext van 128K tokens voor zowel de invoer als het gegenereerde antwoord. De uitvoer gebruikt het deel dat na de aanvraag overblijft; de kaart geeft geen tweede, onafhankelijk uitvoervenster van 128K. Basisbeeldweergaven worden genormaliseerd naar 896×896 en elk door 256 visuele tokens vertegenwoordigd. Behoud bij het voorbereiden van een verzameling pagina’s de pagina-identificaties en reserveer ruimte voor het resultaat. Stel een specifieke vraag over de relevante inhoud in plaats van erop te vertrouwen dat een groot venster automatisch het juiste onderwerp kiest.
De maker rapporteert 12 biljoen voortrainingstokens voor deze grootte. Het trainingsmateriaal omvat meertalige webdocumenten, code, wiskunde en beelden, met dekking van meer dan 140 talen binnen de familie. Het rapport beschrijft kennisdistillatie en een verbeterde aanpak voor instructieafstemming met bekrachtigend leren. Die fasen richten zich op behulpzaamheid, wiskundig en codegericht redeneren, het volgen van instructies en meertalige interactie. Een afzonderlijk trainingsbudget en een eigen checkpointidentiteit bewijzen op zichzelf niet de kwaliteit van een specifiek antwoord; vergelijk de uitvoer daarom met de brontaak.
De architectuur gebruikt een transformer met alleen een decoder, grouped-query attention en een herhalend patroon van vijf lokale aandachtslagen tegenover één globale laag. Lokale lagen gebruiken een bereik van 1.024 tokens, terwijl globale aandacht de langere context ondersteunt. Een SigLIP-beeldencoder die door de 4B-, 12B- en 27B-modellen wordt gedeeld, zet beelden om in representaties die het taalmodel verwerkt. De SentencePiece-tokenizer behoudt witruimte, splitst cijfers en omvat codering op byteniveau. Dit is relevant wanneer codeopmaak, getalnotatie of meertalige tekst intact moet blijven.
De visuele werkstroom omvat ook Pan and Scan: adaptieve, niet-overlappende uitsneden helpen inhoud uit brede of hoge-resolutiebronnen te behouden voordat elke weergave de encoder met vaste resolutie bereikt. Extra weergaven veranderen het materiaal dat wordt verwerkt. Geef voor een technisch document een leesbare pagina en waar nodig een duidelijke weergave van de tabel of het diagram waarover de vraag gaat. Behoud de omringende definitie van een eenheid, symbool of kolom zodat een lokale visuele interpretatie haar betekenis niet verliest.
Het native IT-promptformaat gebruikt user- en model-beurten en heeft geen afzonderlijke system-rol. Plaats de gewenste rol, antwoordregels en taak in de eerste user-prompt en gebruik de aangewezen formatter of processor voor het daadwerkelijke gesprek. Een oorspronkelijke documentanalyse kan twee procedurebeschrijvingen vergelijken, een tabel met overeenkomende eisen teruggeven en eventuele conflicten benoemen. Label de bronnen, geef aan welke eis voorrang heeft en vraag het model aangeleverde feiten van zijn interpretatie te onderscheiden.
De beoogde toepassingen in de modelkaart van de maker omvatten samenvatten, gespreksondersteuning, extractie van beeldgegevens, schrijven en leren. Geef voor een meertalige uitleg de beoogde lezer, terminologie en het detailniveau. Benoem bij een beeldvraag de te bespreken objecten of relaties en vraag om waarnemingen die het eindantwoord ondersteunen. Voeg voor code de werkelijke functie en het verwachte gedrag toe; het resultaat kan een implementatie voorstellen, terwijl een afzonderlijke toepassing die moet uitvoeren en controleren. Het rapport publiceert gekwantiseerde familievarianten afzonderlijk, dus deze identiteit van 12B IT mag bij het vastleggen van resultaten niet stilzwijgend door een ander gekwantiseerd checkpoint worden vervangen.
De maker benoemt beperkingen door trainingsdekking, feitelijke onjuistheden, taalnuance en complexe open taken. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische voorwaarde mist. Kleine visuele details kunnen verloren gaan of verkeerd worden gelezen en lange invoer vereist nog steeds heldere prioriteiten. Bewaar de oorspronkelijke pagina’s, controleer geëxtraheerde labels en hoeveelheden en valideer eventueel gevraagde tekst die er gestructureerd uitziet voordat u die als gegevens gebruikt. Beoordeel het exacte model 12B IT op representatieve vragen en talen. Een bruikbaar eindresultaat vermeldt het op bronnen gebaseerde antwoord, de redenering die nodig is om het te begrijpen en de resterende onzekerheid, zonder een gegenereerde uitleg voor te stellen als een voltooide hulpmiddelactie of een actuele kennisopzoeking.
", "aboutText": "Gemma 3 12B IT is Googles op instructies afgestemde beeld-taalmodel in de 12B-grootteklasse. Het behoort tot de Gemma 3-familie, die tekstgeneratie met beeldbegrip en meertalige training combineert. Het achtervoegsel IT selecteert het checkpoint voor het volgen van instructies, niet het vooraf getrainde model. Het resultaat is tekst: een uitleg, samenvatting, antwoord, concept of code afgeleid van het geschreven en visuele materiaal in een aanvraag.\n\nHet 12B-model heeft de familiecontext van 128K tokens voor zowel de invoer als het gegenereerde antwoord. De uitvoer gebruikt het deel dat na de aanvraag overblijft; de kaart geeft geen tweede, onafhankelijk uitvoervenster van 128K. Basisbeeldweergaven worden genormaliseerd naar 896×896 en elk door 256 visuele tokens vertegenwoordigd. Behoud bij het voorbereiden van een verzameling pagina’s de pagina-identificaties en reserveer ruimte voor het resultaat. Stel een specifieke vraag over de relevante inhoud in plaats van erop te vertrouwen dat een groot venster automatisch het juiste onderwerp kiest.\n\nDe maker rapporteert 12 biljoen voortrainingstokens voor deze grootte. Het trainingsmateriaal omvat meertalige webdocumenten, code, wiskunde en beelden, met dekking van meer dan 140 talen binnen de familie. Het rapport beschrijft kennisdistillatie en een verbeterde aanpak voor instructieafstemming met bekrachtigend leren. Die fasen richten zich op behulpzaamheid, wiskundig en codegericht redeneren, het volgen van instructies en meertalige interactie. Een afzonderlijk trainingsbudget en een eigen checkpointidentiteit bewijzen op zichzelf niet de kwaliteit van een specifiek antwoord; vergelijk de uitvoer daarom met de brontaak.\n\nDe architectuur gebruikt een transformer met alleen een decoder, grouped-query attention en een herhalend patroon van vijf lokale aandachtslagen tegenover één globale laag. Lokale lagen gebruiken een bereik van 1.024 tokens, terwijl globale aandacht de langere context ondersteunt. Een SigLIP-beeldencoder die door de 4B-, 12B- en 27B-modellen wordt gedeeld, zet beelden om in representaties die het taalmodel verwerkt. De SentencePiece-tokenizer behoudt witruimte, splitst cijfers en omvat codering op byteniveau. Dit is relevant wanneer codeopmaak, getalnotatie of meertalige tekst intact moet blijven.\n\nDe visuele werkstroom omvat ook Pan and Scan: adaptieve, niet-overlappende uitsneden helpen inhoud uit brede of hoge-resolutiebronnen te behouden voordat elke weergave de encoder met vaste resolutie bereikt. Extra weergaven veranderen het materiaal dat wordt verwerkt. Geef voor een technisch document een leesbare pagina en waar nodig een duidelijke weergave van de tabel of het diagram waarover de vraag gaat. Behoud de omringende definitie van een eenheid, symbool of kolom zodat een lokale visuele interpretatie haar betekenis niet verliest.\n\nHet native IT-promptformaat gebruikt user- en model-beurten en heeft geen afzonderlijke system-rol. Plaats de gewenste rol, antwoordregels en taak in de eerste user-prompt en gebruik de aangewezen formatter of processor voor het daadwerkelijke gesprek. Een oorspronkelijke documentanalyse kan twee procedurebeschrijvingen vergelijken, een tabel met overeenkomende eisen teruggeven en eventuele conflicten benoemen. Label de bronnen, geef aan welke eis voorrang heeft en vraag het model aangeleverde feiten van zijn interpretatie te onderscheiden.\n\nDe beoogde toepassingen in de modelkaart van de maker omvatten samenvatten, gespreksondersteuning, extractie van beeldgegevens, schrijven en leren. Geef voor een meertalige uitleg de beoogde lezer, terminologie en het detailniveau. Benoem bij een beeldvraag de te bespreken objecten of relaties en vraag om waarnemingen die het eindantwoord ondersteunen. Voeg voor code de werkelijke functie en het verwachte gedrag toe; het resultaat kan een implementatie voorstellen, terwijl een afzonderlijke toepassing die moet uitvoeren en controleren. Het rapport publiceert gekwantiseerde familievarianten afzonderlijk, dus deze identiteit van 12B IT mag bij het vastleggen van resultaten niet stilzwijgend door een ander gekwantiseerd checkpoint worden vervangen.\n\nDe maker benoemt beperkingen door trainingsdekking, feitelijke onjuistheden, taalnuance en complexe open taken. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische voorwaarde mist. Kleine visuele details kunnen verloren gaan of verkeerd worden gelezen en lange invoer vereist nog steeds heldere prioriteiten. Bewaar de oorspronkelijke pagina’s, controleer geëxtraheerde labels en hoeveelheden en valideer eventueel gevraagde tekst die er gestructureerd uitziet voordat u die als gegevens gebruikt. Beoordeel het exacte model 12B IT op representatieve vragen en talen. Een bruikbaar eindresultaat vermeldt het op bronnen gebaseerde antwoord, de redenering die nodig is om het te begrijpen en de resterende onzekerheid, zonder een gegenereerde uitleg voor te stellen als een voltooide hulpmiddelactie of een actuele kennisopzoeking.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.google/gemma-3-12b-itGemma 3 12B IT is een afzonderlijke, op instructies afgestemde Gemma 3-editie voor tekstgeneratie en beeldbegrip. Gebruik het voor documentvragen, uitleg en meertalig schrijfwerk met een gedeelde context van 128K en houd het 12B-checkpoint en het native gespreksformaat expliciet.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gemma 3 12B IT is Googles op instructies afgestemde beeld-taalmodel in de 12B-grootteklasse. Het behoort tot de Gemma 3-familie, die tekstgeneratie met beeldbegrip en meertalige training combineert. Het achtervoegsel IT selecteert het checkpoint voor het volgen van instructies, niet het vooraf getrainde model. Het resultaat is tekst: een uitleg, samenvatting, antwoord, concept of code afgeleid van het geschreven en visuele materiaal in een aanvraag.
Het 12B-model heeft de familiecontext van 128K tokens voor zowel de invoer als het gegenereerde antwoord. De uitvoer gebruikt het deel dat na de aanvraag overblijft; de kaart geeft geen tweede, onafhankelijk uitvoervenster van 128K. Basisbeeldweergaven worden genormaliseerd naar 896×896 en elk door 256 visuele tokens vertegenwoordigd. Behoud bij het voorbereiden van een verzameling pagina’s de pagina-identificaties en reserveer ruimte voor het resultaat. Stel een specifieke vraag over de relevante inhoud in plaats van erop te vertrouwen dat een groot venster automatisch het juiste onderwerp kiest.
De maker rapporteert 12 biljoen voortrainingstokens voor deze grootte. Het trainingsmateriaal omvat meertalige webdocumenten, code, wiskunde en beelden, met dekking van meer dan 140 talen binnen de familie. Het rapport beschrijft kennisdistillatie en een verbeterde aanpak voor instructieafstemming met bekrachtigend leren. Die fasen richten zich op behulpzaamheid, wiskundig en codegericht redeneren, het volgen van instructies en meertalige interactie. Een afzonderlijk trainingsbudget en een eigen checkpointidentiteit bewijzen op zichzelf niet de kwaliteit van een specifiek antwoord; vergelijk de uitvoer daarom met de brontaak.
De architectuur gebruikt een transformer met alleen een decoder, grouped-query attention en een herhalend patroon van vijf lokale aandachtslagen tegenover één globale laag. Lokale lagen gebruiken een bereik van 1.024 tokens, terwijl globale aandacht de langere context ondersteunt. Een SigLIP-beeldencoder die door de 4B-, 12B- en 27B-modellen wordt gedeeld, zet beelden om in representaties die het taalmodel verwerkt. De SentencePiece-tokenizer behoudt witruimte, splitst cijfers en omvat codering op byteniveau. Dit is relevant wanneer codeopmaak, getalnotatie of meertalige tekst intact moet blijven.
De visuele werkstroom omvat ook Pan and Scan: adaptieve, niet-overlappende uitsneden helpen inhoud uit brede of hoge-resolutiebronnen te behouden voordat elke weergave de encoder met vaste resolutie bereikt. Extra weergaven veranderen het materiaal dat wordt verwerkt. Geef voor een technisch document een leesbare pagina en waar nodig een duidelijke weergave van de tabel of het diagram waarover de vraag gaat. Behoud de omringende definitie van een eenheid, symbool of kolom zodat een lokale visuele interpretatie haar betekenis niet verliest.
Het native IT-promptformaat gebruikt user- en model-beurten en heeft geen afzonderlijke system-rol. Plaats de gewenste rol, antwoordregels en taak in de eerste user-prompt en gebruik de aangewezen formatter of processor voor het daadwerkelijke gesprek. Een oorspronkelijke documentanalyse kan twee procedurebeschrijvingen vergelijken, een tabel met overeenkomende eisen teruggeven en eventuele conflicten benoemen. Label de bronnen, geef aan welke eis voorrang heeft en vraag het model aangeleverde feiten van zijn interpretatie te onderscheiden.
De beoogde toepassingen in de modelkaart van de maker omvatten samenvatten, gespreksondersteuning, extractie van beeldgegevens, schrijven en leren. Geef voor een meertalige uitleg de beoogde lezer, terminologie en het detailniveau. Benoem bij een beeldvraag de te bespreken objecten of relaties en vraag om waarnemingen die het eindantwoord ondersteunen. Voeg voor code de werkelijke functie en het verwachte gedrag toe; het resultaat kan een implementatie voorstellen, terwijl een afzonderlijke toepassing die moet uitvoeren en controleren. Het rapport publiceert gekwantiseerde familievarianten afzonderlijk, dus deze identiteit van 12B IT mag bij het vastleggen van resultaten niet stilzwijgend door een ander gekwantiseerd checkpoint worden vervangen.
De maker benoemt beperkingen door trainingsdekking, feitelijke onjuistheden, taalnuance en complexe open taken. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische voorwaarde mist. Kleine visuele details kunnen verloren gaan of verkeerd worden gelezen en lange invoer vereist nog steeds heldere prioriteiten. Bewaar de oorspronkelijke pagina’s, controleer geëxtraheerde labels en hoeveelheden en valideer eventueel gevraagde tekst die er gestructureerd uitziet voordat u die als gegevens gebruikt. Beoordeel het exacte model 12B IT op representatieve vragen en talen. Een bruikbaar eindresultaat vermeldt het op bronnen gebaseerde antwoord, de redenering die nodig is om het te begrijpen en de resterende onzekerheid, zonder een gegenereerde uitleg voor te stellen als een voltooide hulpmiddelactie of een actuele kennisopzoeking.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemma-3-12b-it | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0003 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0003 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-12b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-3-12b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-3-12b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra google/gemma-3-12b-it
Gebruik de hierboven getoonde methodepaden.
google/gemma-3-12b-itGemma 3 12B IT is een afzonderlijke, op instructies afgestemde Gemma 3-editie voor tekstgeneratie en beeldbegrip. Gebruik het voor documentvragen, uitleg en meertalig schrijfwerk met een gedeelde context van 128K en houd het 12B-checkpoint en het native gespreksformaat expliciet.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gemma 3 12B IT is Googles op instructies afgestemde beeld-taalmodel in de 12B-grootteklasse. Het behoort tot de Gemma 3-familie, die tekstgeneratie met beeldbegrip en meertalige training combineert. Het achtervoegsel IT selecteert het checkpoint voor het volgen van instructies, niet het vooraf getrainde model. Het resultaat is tekst: een uitleg, samenvatting, antwoord, concept of code afgeleid van het geschreven en visuele materiaal in een aanvraag.
Het 12B-model heeft de familiecontext van 128K tokens voor zowel de invoer als het gegenereerde antwoord. De uitvoer gebruikt het deel dat na de aanvraag overblijft; de kaart geeft geen tweede, onafhankelijk uitvoervenster van 128K. Basisbeeldweergaven worden genormaliseerd naar 896×896 en elk door 256 visuele tokens vertegenwoordigd. Behoud bij het voorbereiden van een verzameling pagina’s de pagina-identificaties en reserveer ruimte voor het resultaat. Stel een specifieke vraag over de relevante inhoud in plaats van erop te vertrouwen dat een groot venster automatisch het juiste onderwerp kiest.
De maker rapporteert 12 biljoen voortrainingstokens voor deze grootte. Het trainingsmateriaal omvat meertalige webdocumenten, code, wiskunde en beelden, met dekking van meer dan 140 talen binnen de familie. Het rapport beschrijft kennisdistillatie en een verbeterde aanpak voor instructieafstemming met bekrachtigend leren. Die fasen richten zich op behulpzaamheid, wiskundig en codegericht redeneren, het volgen van instructies en meertalige interactie. Een afzonderlijk trainingsbudget en een eigen checkpointidentiteit bewijzen op zichzelf niet de kwaliteit van een specifiek antwoord; vergelijk de uitvoer daarom met de brontaak.
De architectuur gebruikt een transformer met alleen een decoder, grouped-query attention en een herhalend patroon van vijf lokale aandachtslagen tegenover één globale laag. Lokale lagen gebruiken een bereik van 1.024 tokens, terwijl globale aandacht de langere context ondersteunt. Een SigLIP-beeldencoder die door de 4B-, 12B- en 27B-modellen wordt gedeeld, zet beelden om in representaties die het taalmodel verwerkt. De SentencePiece-tokenizer behoudt witruimte, splitst cijfers en omvat codering op byteniveau. Dit is relevant wanneer codeopmaak, getalnotatie of meertalige tekst intact moet blijven.
De visuele werkstroom omvat ook Pan and Scan: adaptieve, niet-overlappende uitsneden helpen inhoud uit brede of hoge-resolutiebronnen te behouden voordat elke weergave de encoder met vaste resolutie bereikt. Extra weergaven veranderen het materiaal dat wordt verwerkt. Geef voor een technisch document een leesbare pagina en waar nodig een duidelijke weergave van de tabel of het diagram waarover de vraag gaat. Behoud de omringende definitie van een eenheid, symbool of kolom zodat een lokale visuele interpretatie haar betekenis niet verliest.
Het native IT-promptformaat gebruikt user- en model-beurten en heeft geen afzonderlijke system-rol. Plaats de gewenste rol, antwoordregels en taak in de eerste user-prompt en gebruik de aangewezen formatter of processor voor het daadwerkelijke gesprek. Een oorspronkelijke documentanalyse kan twee procedurebeschrijvingen vergelijken, een tabel met overeenkomende eisen teruggeven en eventuele conflicten benoemen. Label de bronnen, geef aan welke eis voorrang heeft en vraag het model aangeleverde feiten van zijn interpretatie te onderscheiden.
De beoogde toepassingen in de modelkaart van de maker omvatten samenvatten, gespreksondersteuning, extractie van beeldgegevens, schrijven en leren. Geef voor een meertalige uitleg de beoogde lezer, terminologie en het detailniveau. Benoem bij een beeldvraag de te bespreken objecten of relaties en vraag om waarnemingen die het eindantwoord ondersteunen. Voeg voor code de werkelijke functie en het verwachte gedrag toe; het resultaat kan een implementatie voorstellen, terwijl een afzonderlijke toepassing die moet uitvoeren en controleren. Het rapport publiceert gekwantiseerde familievarianten afzonderlijk, dus deze identiteit van 12B IT mag bij het vastleggen van resultaten niet stilzwijgend door een ander gekwantiseerd checkpoint worden vervangen.
De maker benoemt beperkingen door trainingsdekking, feitelijke onjuistheden, taalnuance en complexe open taken. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische voorwaarde mist. Kleine visuele details kunnen verloren gaan of verkeerd worden gelezen en lange invoer vereist nog steeds heldere prioriteiten. Bewaar de oorspronkelijke pagina’s, controleer geëxtraheerde labels en hoeveelheden en valideer eventueel gevraagde tekst die er gestructureerd uitziet voordat u die als gegevens gebruikt. Beoordeel het exacte model 12B IT op representatieve vragen en talen. Een bruikbaar eindresultaat vermeldt het op bronnen gebaseerde antwoord, de redenering die nodig is om het te begrijpen en de resterende onzekerheid, zonder een gegenereerde uitleg voor te stellen als een voltooide hulpmiddelactie of een actuele kennisopzoeking.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemma-3-12b-it | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0003 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.0003 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "google/gemma-3-12b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-12b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-12b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra google/gemma-3-12b-it
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.