Gemma 3 4B IT is de op instructies afgestemde editie van 4B-grootte binnen Googles Gemma 3-familie voor beeld en taal. IT duidt de versie aan die is aangepast om gebruikersinstructies en gespreksbeurten te volgen, in plaats van het voorgetrainde checkpoint dat als basis voor verdere training dient. Het model ontvangt tekst en afbeeldingen en genereert tekst: een antwoord, samenvatting, uitleg, concept of code. De visuele invoer ondersteunt vragen over aangeleverde afbeeldingen en documentpagina’s; de uitvoer is geen nieuw gegenereerde afbeelding.
De modelkaart kent de 4B-editie een context van 128K tokens toe, gedeeld door het verzoek en het gegenereerde antwoord. De resterende ruimte voor uitvoer is de totale context min de invoer, geen aanvullend zelfstandig uitvoerbudget van 128K. Het standaardbeeldpad normaliseert afbeeldingen naar 896×896 en codeert elke weergave in 256 visuele tokens. Geef voor een gerichte assistent de relevante notitie of afbeelding, één duidelijke vraag en een beknopt gewenst resultaat. Bewaar de brontekst bij het antwoord, zodat een overgenomen naam, datum of label kan worden gecontroleerd.
Het trainingsmateriaal van de familie omvat webtekst in meer dan 140 talen, code, wiskunde en afbeeldingen. De maker vermeldt vier biljoen voortrainingstokens voor het 4B-model. Het technische rapport beschrijft distillatie tijdens voortraining en instructieafstemming, gevolgd door natraining op basis van reinforcement learning om bruikbaarheid, redenering, code, wiskunde en het volgen van instructies te verbeteren. Dit zijn trainingskenmerken van deze grootte en familie, geen garantie dat elk antwoord klopt of dat een ander Gemma-checkpoint hetzelfde gedrag vertoont.
De architectuur is een decoder-only-transformer met grouped-query attention, waarbij telkens vijf lagen voor lokale aandacht worden afgewisseld met één laag voor globale aandacht. Lokale aandacht omvat 1.024 tokens, terwijl de globale lagen de bredere context verwerken. Een gedeelde SigLIP-vision-encoder zet beeldinformatie om in invoer voor het taalmodel. De tokenizer is gebaseerd op SentencePiece, met afzonderlijke cijfers, behoud van witruimte en codering op byteniveau. Gebruik tokentellingen van de daadwerkelijke tokenizer bij het plannen van lange invoer en behoud de inspringing en identifiers van code wanneer die betekenis dragen.
Het rapport beschrijft Pan and Scan voor afbeeldingen waarvan de vorm of details niet behouden blijven bij eenvoudig verkleinen naar een vierkant. Dat kan extra, niet-overlappende weergaven maken die voor de vision-encoder worden geschaald. Deze verwerking heeft eigen gevolgen voor invoer en rekenwerk. Benoem bij een schermafbeelding met kleine labels het relevante gebied en geef een leesbare weergave, in plaats van op een kleine afbeelding van het volledige scherm te vertrouwen. Geef bij meerdere afbeeldingen hun rollen aan en vraag om een antwoord dat met de juiste bron is verbonden.
Het eigen IT-gespreksformaat van de maker gebruikt user- en model-beurten, met expliciete grenzen tussen beurten. Het ondersteunt geen afzonderlijke native system-rol; plaats rol- en opmaakinstructies in de eerste gebruikersprompt. Gebruik de bijpassende formatter of processor, in plaats van het IT-checkpoint als gewone tekstaanvulling te behandelen. Geef voor een voorbeeld met een ondersteuningsnotitie aan wie de lezer is, welke feiten behouden moeten blijven en welke toon nodig is, en vraag vervolgens om een kort antwoord met eventuele openstaande vragen. Definieer voor visuele extractie de velden en hoe een onleesbare waarde moet worden weergegeven.
Gemma is bedoeld voor onder meer schrijven, samenvatten, gespreksondersteuning, extractie van afbeeldingsgegevens en educatieve verkenning. Een afgebakende 4B-workflow kan een servicenotitie omzetten in een actielijst, een zichtbaar diagram uitleggen of een vraag over een aangeleverde passage beantwoorden. Vraag om een resultaat dat eenvoudig te controleren is: een uitleg gekoppeld aan benoemde elementen of een klein record met door de bron onderbouwde velden. Het opzoeken met tools of uitvoeren van code hoort bij de omliggende applicatie; een instructie in toolformaat genereren is iets anders dan een externe handeling voltooien.
De maker wijst op beperkingen door trainingsdekking, taalnuances, feitelijke fouten en de complexiteit van open taken. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische beperking mist. Afbeeldingen kunnen bij schalen belangrijke details verliezen en een lange context maakt een onvolledig gespecificeerde vraag niet duidelijk. Toets het resultaat aan het oorspronkelijke materiaal, valideer gevraagde gestructureerde velden en controleer berekeningen of voorgestelde code onafhankelijk. Evalueer het precieze 4B IT-model op de echte talen en documenttypen van de taak. Houd bij het vastleggen van resultaten de grootte, IT-identiteit en verwerkingsconfiguratie gescheiden van de 12B-, 27B- en nieuwere Gemma-varianten.
", "aboutText": "Gemma 3 4B IT is de op instructies afgestemde editie van 4B-grootte binnen Googles Gemma 3-familie voor beeld en taal. IT duidt de versie aan die is aangepast om gebruikersinstructies en gespreksbeurten te volgen, in plaats van het voorgetrainde checkpoint dat als basis voor verdere training dient. Het model ontvangt tekst en afbeeldingen en genereert tekst: een antwoord, samenvatting, uitleg, concept of code. De visuele invoer ondersteunt vragen over aangeleverde afbeeldingen en documentpagina’s; de uitvoer is geen nieuw gegenereerde afbeelding.\n\nDe modelkaart kent de 4B-editie een context van 128K tokens toe, gedeeld door het verzoek en het gegenereerde antwoord. De resterende ruimte voor uitvoer is de totale context min de invoer, geen aanvullend zelfstandig uitvoerbudget van 128K. Het standaardbeeldpad normaliseert afbeeldingen naar 896×896 en codeert elke weergave in 256 visuele tokens. Geef voor een gerichte assistent de relevante notitie of afbeelding, één duidelijke vraag en een beknopt gewenst resultaat. Bewaar de brontekst bij het antwoord, zodat een overgenomen naam, datum of label kan worden gecontroleerd.\n\nHet trainingsmateriaal van de familie omvat webtekst in meer dan 140 talen, code, wiskunde en afbeeldingen. De maker vermeldt vier biljoen voortrainingstokens voor het 4B-model. Het technische rapport beschrijft distillatie tijdens voortraining en instructieafstemming, gevolgd door natraining op basis van reinforcement learning om bruikbaarheid, redenering, code, wiskunde en het volgen van instructies te verbeteren. Dit zijn trainingskenmerken van deze grootte en familie, geen garantie dat elk antwoord klopt of dat een ander Gemma-checkpoint hetzelfde gedrag vertoont.\n\nDe architectuur is een decoder-only-transformer met grouped-query attention, waarbij telkens vijf lagen voor lokale aandacht worden afgewisseld met één laag voor globale aandacht. Lokale aandacht omvat 1.024 tokens, terwijl de globale lagen de bredere context verwerken. Een gedeelde SigLIP-vision-encoder zet beeldinformatie om in invoer voor het taalmodel. De tokenizer is gebaseerd op SentencePiece, met afzonderlijke cijfers, behoud van witruimte en codering op byteniveau. Gebruik tokentellingen van de daadwerkelijke tokenizer bij het plannen van lange invoer en behoud de inspringing en identifiers van code wanneer die betekenis dragen.\n\nHet rapport beschrijft Pan and Scan voor afbeeldingen waarvan de vorm of details niet behouden blijven bij eenvoudig verkleinen naar een vierkant. Dat kan extra, niet-overlappende weergaven maken die voor de vision-encoder worden geschaald. Deze verwerking heeft eigen gevolgen voor invoer en rekenwerk. Benoem bij een schermafbeelding met kleine labels het relevante gebied en geef een leesbare weergave, in plaats van op een kleine afbeelding van het volledige scherm te vertrouwen. Geef bij meerdere afbeeldingen hun rollen aan en vraag om een antwoord dat met de juiste bron is verbonden.\n\nHet eigen IT-gespreksformaat van de maker gebruikt user- en model-beurten, met expliciete grenzen tussen beurten. Het ondersteunt geen afzonderlijke native system-rol; plaats rol- en opmaakinstructies in de eerste gebruikersprompt. Gebruik de bijpassende formatter of processor, in plaats van het IT-checkpoint als gewone tekstaanvulling te behandelen. Geef voor een voorbeeld met een ondersteuningsnotitie aan wie de lezer is, welke feiten behouden moeten blijven en welke toon nodig is, en vraag vervolgens om een kort antwoord met eventuele openstaande vragen. Definieer voor visuele extractie de velden en hoe een onleesbare waarde moet worden weergegeven.\n\nGemma is bedoeld voor onder meer schrijven, samenvatten, gespreksondersteuning, extractie van afbeeldingsgegevens en educatieve verkenning. Een afgebakende 4B-workflow kan een servicenotitie omzetten in een actielijst, een zichtbaar diagram uitleggen of een vraag over een aangeleverde passage beantwoorden. Vraag om een resultaat dat eenvoudig te controleren is: een uitleg gekoppeld aan benoemde elementen of een klein record met door de bron onderbouwde velden. Het opzoeken met tools of uitvoeren van code hoort bij de omliggende applicatie; een instructie in toolformaat genereren is iets anders dan een externe handeling voltooien.\n\nDe maker wijst op beperkingen door trainingsdekking, taalnuances, feitelijke fouten en de complexiteit van open taken. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische beperking mist. Afbeeldingen kunnen bij schalen belangrijke details verliezen en een lange context maakt een onvolledig gespecificeerde vraag niet duidelijk. Toets het resultaat aan het oorspronkelijke materiaal, valideer gevraagde gestructureerde velden en controleer berekeningen of voorgestelde code onafhankelijk. Evalueer het precieze 4B IT-model op de echte talen en documenttypen van de taak. Houd bij het vastleggen van resultaten de grootte, IT-identiteit en verwerkingsconfiguratie gescheiden van de 12B-, 27B- en nieuwere Gemma-varianten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Explain a seed-growth note\n\nExplain this class note to a ten-year-old: 'Seeds need water and a suitable temperature to germinate. Light requirements differ between species.' Use three short sentences and one question the class could investigate. Preserve the species qualification rather than saying all seeds need light to germinate.A child-friendly three-sentence explanation followed by one investigation question.The explanation must retain the distinction between water, temperature and species-dependent light.google/gemma-3-4b-itGemma 3 4B IT is Googles op instructies afgestemde tekst- en beeldmodel in de 4B-grootteklasse. Het genereert tekst voor vragen, samenvattingen, schrijfwerk en visuele analyse, met een gedeelde context van 128K en familieondersteuning voor meer dan 140 talen.
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 4B IT is de op instructies afgestemde editie van 4B-grootte binnen Googles Gemma 3-familie voor beeld en taal. IT duidt de versie aan die is aangepast om gebruikersinstructies en gespreksbeurten te volgen, in plaats van het voorgetrainde checkpoint dat als basis voor verdere training dient. Het model ontvangt tekst en afbeeldingen en genereert tekst: een antwoord, samenvatting, uitleg, concept of code. De visuele invoer ondersteunt vragen over aangeleverde afbeeldingen en documentpagina’s; de uitvoer is geen nieuw gegenereerde afbeelding.
De modelkaart kent de 4B-editie een context van 128K tokens toe, gedeeld door het verzoek en het gegenereerde antwoord. De resterende ruimte voor uitvoer is de totale context min de invoer, geen aanvullend zelfstandig uitvoerbudget van 128K. Het standaardbeeldpad normaliseert afbeeldingen naar 896×896 en codeert elke weergave in 256 visuele tokens. Geef voor een gerichte assistent de relevante notitie of afbeelding, één duidelijke vraag en een beknopt gewenst resultaat. Bewaar de brontekst bij het antwoord, zodat een overgenomen naam, datum of label kan worden gecontroleerd.
Het trainingsmateriaal van de familie omvat webtekst in meer dan 140 talen, code, wiskunde en afbeeldingen. De maker vermeldt vier biljoen voortrainingstokens voor het 4B-model. Het technische rapport beschrijft distillatie tijdens voortraining en instructieafstemming, gevolgd door natraining op basis van reinforcement learning om bruikbaarheid, redenering, code, wiskunde en het volgen van instructies te verbeteren. Dit zijn trainingskenmerken van deze grootte en familie, geen garantie dat elk antwoord klopt of dat een ander Gemma-checkpoint hetzelfde gedrag vertoont.
De architectuur is een decoder-only-transformer met grouped-query attention, waarbij telkens vijf lagen voor lokale aandacht worden afgewisseld met één laag voor globale aandacht. Lokale aandacht omvat 1.024 tokens, terwijl de globale lagen de bredere context verwerken. Een gedeelde SigLIP-vision-encoder zet beeldinformatie om in invoer voor het taalmodel. De tokenizer is gebaseerd op SentencePiece, met afzonderlijke cijfers, behoud van witruimte en codering op byteniveau. Gebruik tokentellingen van de daadwerkelijke tokenizer bij het plannen van lange invoer en behoud de inspringing en identifiers van code wanneer die betekenis dragen.
Het rapport beschrijft Pan and Scan voor afbeeldingen waarvan de vorm of details niet behouden blijven bij eenvoudig verkleinen naar een vierkant. Dat kan extra, niet-overlappende weergaven maken die voor de vision-encoder worden geschaald. Deze verwerking heeft eigen gevolgen voor invoer en rekenwerk. Benoem bij een schermafbeelding met kleine labels het relevante gebied en geef een leesbare weergave, in plaats van op een kleine afbeelding van het volledige scherm te vertrouwen. Geef bij meerdere afbeeldingen hun rollen aan en vraag om een antwoord dat met de juiste bron is verbonden.
Het eigen IT-gespreksformaat van de maker gebruikt user- en model-beurten, met expliciete grenzen tussen beurten. Het ondersteunt geen afzonderlijke native system-rol; plaats rol- en opmaakinstructies in de eerste gebruikersprompt. Gebruik de bijpassende formatter of processor, in plaats van het IT-checkpoint als gewone tekstaanvulling te behandelen. Geef voor een voorbeeld met een ondersteuningsnotitie aan wie de lezer is, welke feiten behouden moeten blijven en welke toon nodig is, en vraag vervolgens om een kort antwoord met eventuele openstaande vragen. Definieer voor visuele extractie de velden en hoe een onleesbare waarde moet worden weergegeven.
Gemma is bedoeld voor onder meer schrijven, samenvatten, gespreksondersteuning, extractie van afbeeldingsgegevens en educatieve verkenning. Een afgebakende 4B-workflow kan een servicenotitie omzetten in een actielijst, een zichtbaar diagram uitleggen of een vraag over een aangeleverde passage beantwoorden. Vraag om een resultaat dat eenvoudig te controleren is: een uitleg gekoppeld aan benoemde elementen of een klein record met door de bron onderbouwde velden. Het opzoeken met tools of uitvoeren van code hoort bij de omliggende applicatie; een instructie in toolformaat genereren is iets anders dan een externe handeling voltooien.
De maker wijst op beperkingen door trainingsdekking, taalnuances, feitelijke fouten en de complexiteit van open taken. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische beperking mist. Afbeeldingen kunnen bij schalen belangrijke details verliezen en een lange context maakt een onvolledig gespecificeerde vraag niet duidelijk. Toets het resultaat aan het oorspronkelijke materiaal, valideer gevraagde gestructureerde velden en controleer berekeningen of voorgestelde code onafhankelijk. Evalueer het precieze 4B IT-model op de echte talen en documenttypen van de taak. Houd bij het vastleggen van resultaten de grootte, IT-identiteit en verwerkingsconfiguratie gescheiden van de 12B-, 27B- en nieuwere Gemma-varianten.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemma-3-4b-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 $0.0002 / 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 $0.0002 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-4b-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-3-4b-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-3-4b-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-3-4b-it
Gebruik de hierboven getoonde methodepaden.
google/gemma-3-4b-itGemma 3 4B IT is Googles op instructies afgestemde tekst- en beeldmodel in de 4B-grootteklasse. Het genereert tekst voor vragen, samenvattingen, schrijfwerk en visuele analyse, met een gedeelde context van 128K en familieondersteuning voor meer dan 140 talen.
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 4B IT is de op instructies afgestemde editie van 4B-grootte binnen Googles Gemma 3-familie voor beeld en taal. IT duidt de versie aan die is aangepast om gebruikersinstructies en gespreksbeurten te volgen, in plaats van het voorgetrainde checkpoint dat als basis voor verdere training dient. Het model ontvangt tekst en afbeeldingen en genereert tekst: een antwoord, samenvatting, uitleg, concept of code. De visuele invoer ondersteunt vragen over aangeleverde afbeeldingen en documentpagina’s; de uitvoer is geen nieuw gegenereerde afbeelding.
De modelkaart kent de 4B-editie een context van 128K tokens toe, gedeeld door het verzoek en het gegenereerde antwoord. De resterende ruimte voor uitvoer is de totale context min de invoer, geen aanvullend zelfstandig uitvoerbudget van 128K. Het standaardbeeldpad normaliseert afbeeldingen naar 896×896 en codeert elke weergave in 256 visuele tokens. Geef voor een gerichte assistent de relevante notitie of afbeelding, één duidelijke vraag en een beknopt gewenst resultaat. Bewaar de brontekst bij het antwoord, zodat een overgenomen naam, datum of label kan worden gecontroleerd.
Het trainingsmateriaal van de familie omvat webtekst in meer dan 140 talen, code, wiskunde en afbeeldingen. De maker vermeldt vier biljoen voortrainingstokens voor het 4B-model. Het technische rapport beschrijft distillatie tijdens voortraining en instructieafstemming, gevolgd door natraining op basis van reinforcement learning om bruikbaarheid, redenering, code, wiskunde en het volgen van instructies te verbeteren. Dit zijn trainingskenmerken van deze grootte en familie, geen garantie dat elk antwoord klopt of dat een ander Gemma-checkpoint hetzelfde gedrag vertoont.
De architectuur is een decoder-only-transformer met grouped-query attention, waarbij telkens vijf lagen voor lokale aandacht worden afgewisseld met één laag voor globale aandacht. Lokale aandacht omvat 1.024 tokens, terwijl de globale lagen de bredere context verwerken. Een gedeelde SigLIP-vision-encoder zet beeldinformatie om in invoer voor het taalmodel. De tokenizer is gebaseerd op SentencePiece, met afzonderlijke cijfers, behoud van witruimte en codering op byteniveau. Gebruik tokentellingen van de daadwerkelijke tokenizer bij het plannen van lange invoer en behoud de inspringing en identifiers van code wanneer die betekenis dragen.
Het rapport beschrijft Pan and Scan voor afbeeldingen waarvan de vorm of details niet behouden blijven bij eenvoudig verkleinen naar een vierkant. Dat kan extra, niet-overlappende weergaven maken die voor de vision-encoder worden geschaald. Deze verwerking heeft eigen gevolgen voor invoer en rekenwerk. Benoem bij een schermafbeelding met kleine labels het relevante gebied en geef een leesbare weergave, in plaats van op een kleine afbeelding van het volledige scherm te vertrouwen. Geef bij meerdere afbeeldingen hun rollen aan en vraag om een antwoord dat met de juiste bron is verbonden.
Het eigen IT-gespreksformaat van de maker gebruikt user- en model-beurten, met expliciete grenzen tussen beurten. Het ondersteunt geen afzonderlijke native system-rol; plaats rol- en opmaakinstructies in de eerste gebruikersprompt. Gebruik de bijpassende formatter of processor, in plaats van het IT-checkpoint als gewone tekstaanvulling te behandelen. Geef voor een voorbeeld met een ondersteuningsnotitie aan wie de lezer is, welke feiten behouden moeten blijven en welke toon nodig is, en vraag vervolgens om een kort antwoord met eventuele openstaande vragen. Definieer voor visuele extractie de velden en hoe een onleesbare waarde moet worden weergegeven.
Gemma is bedoeld voor onder meer schrijven, samenvatten, gespreksondersteuning, extractie van afbeeldingsgegevens en educatieve verkenning. Een afgebakende 4B-workflow kan een servicenotitie omzetten in een actielijst, een zichtbaar diagram uitleggen of een vraag over een aangeleverde passage beantwoorden. Vraag om een resultaat dat eenvoudig te controleren is: een uitleg gekoppeld aan benoemde elementen of een klein record met door de bron onderbouwde velden. Het opzoeken met tools of uitvoeren van code hoort bij de omliggende applicatie; een instructie in toolformaat genereren is iets anders dan een externe handeling voltooien.
De maker wijst op beperkingen door trainingsdekking, taalnuances, feitelijke fouten en de complexiteit van open taken. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische beperking mist. Afbeeldingen kunnen bij schalen belangrijke details verliezen en een lange context maakt een onvolledig gespecificeerde vraag niet duidelijk. Toets het resultaat aan het oorspronkelijke materiaal, valideer gevraagde gestructureerde velden en controleer berekeningen of voorgestelde code onafhankelijk. Evalueer het precieze 4B IT-model op de echte talen en documenttypen van de taak. Houd bij het vastleggen van resultaten de grootte, IT-identiteit en verwerkingsconfiguratie gescheiden van de 12B-, 27B- en nieuwere Gemma-varianten.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemma-3-4b-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 $0.0002 / 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 $0.0002 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "google/gemma-3-4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-4b-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-3-4b-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-3-4b-it
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Explain a seed-growth note\n\nExplain this class note to a ten-year-old: 'Seeds need water and a suitable temperature to germinate. Light requirements differ between species.' Use three short sentences and one question the class could investigate. Preserve the species qualification rather than saying all seeds need light to germinate.A child-friendly three-sentence explanation followed by one investigation question.The explanation must retain the distinction between water, temperature and species-dependent light.