Gemma 4 26B A4B IT is Google DeepMinds op instructies afgestemde mixture-of-experts-editie van de open Gemma 4-familie. De officiële architectuurtabel vermeldt 25,2 miljard parameters in totaal en 3,8 miljard actieve parameters; A4B benoemt de afgeronde schaal van de actieve parameters. Het beoogde gebruik omvat redeneren, programmeren, agentwerkstromen en multimodaal begrip. Het model staat los van de vooraf getrainde editie en het dense 31B-model.
De mixture-of-experts-architectuur activeert bij elke inferentiestap een deel van de parameters: acht actieve experts uit 128, plus één gedeelde expert, volgens de gepubliceerde architectuurtabel. Google positioneert deze editie op inferentie-efficiëntie ten opzichte van het dense model. Ze combineert een architectuur met 30 lagen en een schuivend venster van 1.024 tokens met globale aandacht, een context van 256K en een visuele encoder. Deze architectuurcijfers beschrijven het model van de producent, geen gegarandeerde latentie of hardwareconfiguratie voor een specifieke toepassing.
De context van 256K tokens ondersteunt een taak die omvangrijke tekst met visueel bewijs combineert. Beelden en tekst kunnen in één prompt worden verweven; de fabrikant raadt voor de beste resultaten aan beeldinhoud vóór de bijbehorende tekst te plaatsen. Visuele taken omvatten objectdetectie, interpretatie van documentpagina’s, begrip van schermen en interfaces, grafieken, meertalige OCR, handschrift en het aanwijzen van beeldlocaties. De uitvoer is tekst: geëxtraheerde inhoud, een uitleg, code of een voorgestelde actie met een hulpmiddel.
Videobegrip verwerkt een reeks frames. De modelkaart geeft een maximum van 60 seconden wanneer de beelden met één frame per seconde worden verwerkt. Bereid het relevante fragment voor, behoud de volgorde van de frames en stel een vraag over de zichtbare reeks. Dit visuele 26B/31B-profiel accepteert geen audio; de spraakmogelijkheden van de kleinere Gemma 4-varianten met audio-ondersteuning gelden hier niet. Voeg een transcript als tekst toe als de taak gesproken informatie vereist.
Instelbaar denken laat het model redeneren voordat het antwoordt of direct een antwoord geven. Gemma 4 voegt een native system-rol toe naast de rollen user en assistant. Googles promptformaat schakelt denken in met het besturingstoken <|think|> in de systeemprompt en scheidt het gedachtenkanaal van het eindantwoord; de gedocumenteerde processor kan dat sjabloon verwerken. Bewaar bij een gesprek met meerdere beurten eerdere eindantwoorden in de geschiedenis en laat eerdere gedachten weg, behalve bij beurten met hulpmiddelaanroepen, waar ze volgens de fabrikant behouden moeten blijven.
Native Function Calling ondersteunt gestructureerd gebruik van hulpmiddelen en Googles introductiebeschrijving documenteert ook gestructureerde JSON-uitvoer. Definieer de taak, de beschikbare functie en het verwachte resultaat; de toepassing voert de gevraagde bewerking uit en geeft de uitvoer terug voor de volgende stap. Een programmeertaak kan om generatie, aanvulling of correctie vragen, terwijl een visuele assistent de teruggegeven tekst kan gebruiken om een grafiek of scherm uit te leggen. Een instructie voor een functieaanroep staat los van een gekoppelde actie die daadwerkelijk is uitgevoerd.
Variabele beeldresolutie wordt geregeld via het visuele tokenbudget. De gedocumenteerde opties zijn 70, 140, 280, 560 en 1.120 tokens. Lagere budgetten passen bij classificatie, bijschriften of framereeksen; hogere budgetten behouden meer detail voor OCR, documentanalyse en kleine tekst, met extra rekenwerk. Bepaal vóór de beeldvoorbereiding of u de volledige scène of exacte belettering nodig hebt. Een duidelijke uitsnede van een label kan nuttiger zijn voor een extractietaak dan een ongerichte vraag om elk detail van een volledige pagina te inspecteren.
Google raadt temperature 1.0, top-p 0.95 en top-k 64 aan als samplingconfiguratie voor de familie. De modelkaart onderscheidt training in meer dan 140 talen van directe ondersteuning voor meer dan 35 talen. Benoem de antwoordtaal en leg domeinnamen, veldnamen of formules expliciet vast in de opdracht. Het getal 256K is een contextspecificatie; de aangehaalde modelkaart stelt geen afzonderlijk universeel uitvoermaximum vast voor deze editie.
Geef voor een document- en codeopdracht het relevante paginabeeld, de schriftelijke eis en het bronfragment: “Lees de labels, leg uit hoe dit scherm van de specificatie afwijkt en stel een gerichte correctie voor van de aangeleverde code.” Vraag bij een grafiek om zichtbare waarden te onderscheiden van een afgeleide trend. Gemma’s modelkaart noemt beperkingen bij dubbelzinnige taal, zeer complexe taken en onjuiste of verouderde feitelijke uitspraken. Voeg daarom de gezaghebbende feiten toe die het gevraagde resultaat moet gebruiken, in plaats van te verwachten dat trainingskennis ze aanlevert.
", "aboutText": "Gemma 4 26B A4B IT is Google DeepMinds op instructies afgestemde mixture-of-experts-editie van de open Gemma 4-familie. De officiële architectuurtabel vermeldt 25,2 miljard parameters in totaal en 3,8 miljard actieve parameters; A4B benoemt de afgeronde schaal van de actieve parameters. Het beoogde gebruik omvat redeneren, programmeren, agentwerkstromen en multimodaal begrip. Het model staat los van de vooraf getrainde editie en het dense 31B-model.\n\nDe mixture-of-experts-architectuur activeert bij elke inferentiestap een deel van de parameters: acht actieve experts uit 128, plus één gedeelde expert, volgens de gepubliceerde architectuurtabel. Google positioneert deze editie op inferentie-efficiëntie ten opzichte van het dense model. Ze combineert een architectuur met 30 lagen en een schuivend venster van 1.024 tokens met globale aandacht, een context van 256K en een visuele encoder. Deze architectuurcijfers beschrijven het model van de producent, geen gegarandeerde latentie of hardwareconfiguratie voor een specifieke toepassing.\n\nDe context van 256K tokens ondersteunt een taak die omvangrijke tekst met visueel bewijs combineert. Beelden en tekst kunnen in één prompt worden verweven; de fabrikant raadt voor de beste resultaten aan beeldinhoud vóór de bijbehorende tekst te plaatsen. Visuele taken omvatten objectdetectie, interpretatie van documentpagina’s, begrip van schermen en interfaces, grafieken, meertalige OCR, handschrift en het aanwijzen van beeldlocaties. De uitvoer is tekst: geëxtraheerde inhoud, een uitleg, code of een voorgestelde actie met een hulpmiddel.\n\nVideobegrip verwerkt een reeks frames. De modelkaart geeft een maximum van 60 seconden wanneer de beelden met één frame per seconde worden verwerkt. Bereid het relevante fragment voor, behoud de volgorde van de frames en stel een vraag over de zichtbare reeks. Dit visuele 26B/31B-profiel accepteert geen audio; de spraakmogelijkheden van de kleinere Gemma 4-varianten met audio-ondersteuning gelden hier niet. Voeg een transcript als tekst toe als de taak gesproken informatie vereist.\n\nInstelbaar denken laat het model redeneren voordat het antwoordt of direct een antwoord geven. Gemma 4 voegt een native system-rol toe naast de rollen user en assistant. Googles promptformaat schakelt denken in met het besturingstoken <|think|> in de systeemprompt en scheidt het gedachtenkanaal van het eindantwoord; de gedocumenteerde processor kan dat sjabloon verwerken. Bewaar bij een gesprek met meerdere beurten eerdere eindantwoorden in de geschiedenis en laat eerdere gedachten weg, behalve bij beurten met hulpmiddelaanroepen, waar ze volgens de fabrikant behouden moeten blijven.\n\nNative Function Calling ondersteunt gestructureerd gebruik van hulpmiddelen en Googles introductiebeschrijving documenteert ook gestructureerde JSON-uitvoer. Definieer de taak, de beschikbare functie en het verwachte resultaat; de toepassing voert de gevraagde bewerking uit en geeft de uitvoer terug voor de volgende stap. Een programmeertaak kan om generatie, aanvulling of correctie vragen, terwijl een visuele assistent de teruggegeven tekst kan gebruiken om een grafiek of scherm uit te leggen. Een instructie voor een functieaanroep staat los van een gekoppelde actie die daadwerkelijk is uitgevoerd.\n\nVariabele beeldresolutie wordt geregeld via het visuele tokenbudget. De gedocumenteerde opties zijn 70, 140, 280, 560 en 1.120 tokens. Lagere budgetten passen bij classificatie, bijschriften of framereeksen; hogere budgetten behouden meer detail voor OCR, documentanalyse en kleine tekst, met extra rekenwerk. Bepaal vóór de beeldvoorbereiding of u de volledige scène of exacte belettering nodig hebt. Een duidelijke uitsnede van een label kan nuttiger zijn voor een extractietaak dan een ongerichte vraag om elk detail van een volledige pagina te inspecteren.\n\nGoogle raadt temperature 1.0, top-p 0.95 en top-k 64 aan als samplingconfiguratie voor de familie. De modelkaart onderscheidt training in meer dan 140 talen van directe ondersteuning voor meer dan 35 talen. Benoem de antwoordtaal en leg domeinnamen, veldnamen of formules expliciet vast in de opdracht. Het getal 256K is een contextspecificatie; de aangehaalde modelkaart stelt geen afzonderlijk universeel uitvoermaximum vast voor deze editie.\n\nGeef voor een document- en codeopdracht het relevante paginabeeld, de schriftelijke eis en het bronfragment: “Lees de labels, leg uit hoe dit scherm van de specificatie afwijkt en stel een gerichte correctie voor van de aangeleverde code.” Vraag bij een grafiek om zichtbare waarden te onderscheiden van een afgeleide trend. Gemma’s modelkaart noemt beperkingen bij dubbelzinnige taal, zeer complexe taken en onjuiste of verouderde feitelijke uitspraken. Voeg daarom de gezaghebbende feiten toe die het gevraagde resultaat moet gebruiken, in plaats van te verwachten dat trainingskennis ze aanlevert.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.google/gemma-4-26b-a4b-itGemma 4 26B A4B IT is Googles mixture-of-experts-model, afgestemd op instructies, voor redeneren over tekst en visueel materiaal. Het combineert een context van 256K, begrip van beelden en video op basis van frames, instelbaar denken en native functieaanroepen met tekstuitvoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gemma 4 26B A4B IT is Google DeepMinds op instructies afgestemde mixture-of-experts-editie van de open Gemma 4-familie. De officiële architectuurtabel vermeldt 25,2 miljard parameters in totaal en 3,8 miljard actieve parameters; A4B benoemt de afgeronde schaal van de actieve parameters. Het beoogde gebruik omvat redeneren, programmeren, agentwerkstromen en multimodaal begrip. Het model staat los van de vooraf getrainde editie en het dense 31B-model.
De mixture-of-experts-architectuur activeert bij elke inferentiestap een deel van de parameters: acht actieve experts uit 128, plus één gedeelde expert, volgens de gepubliceerde architectuurtabel. Google positioneert deze editie op inferentie-efficiëntie ten opzichte van het dense model. Ze combineert een architectuur met 30 lagen en een schuivend venster van 1.024 tokens met globale aandacht, een context van 256K en een visuele encoder. Deze architectuurcijfers beschrijven het model van de producent, geen gegarandeerde latentie of hardwareconfiguratie voor een specifieke toepassing.
De context van 256K tokens ondersteunt een taak die omvangrijke tekst met visueel bewijs combineert. Beelden en tekst kunnen in één prompt worden verweven; de fabrikant raadt voor de beste resultaten aan beeldinhoud vóór de bijbehorende tekst te plaatsen. Visuele taken omvatten objectdetectie, interpretatie van documentpagina’s, begrip van schermen en interfaces, grafieken, meertalige OCR, handschrift en het aanwijzen van beeldlocaties. De uitvoer is tekst: geëxtraheerde inhoud, een uitleg, code of een voorgestelde actie met een hulpmiddel.
Videobegrip verwerkt een reeks frames. De modelkaart geeft een maximum van 60 seconden wanneer de beelden met één frame per seconde worden verwerkt. Bereid het relevante fragment voor, behoud de volgorde van de frames en stel een vraag over de zichtbare reeks. Dit visuele 26B/31B-profiel accepteert geen audio; de spraakmogelijkheden van de kleinere Gemma 4-varianten met audio-ondersteuning gelden hier niet. Voeg een transcript als tekst toe als de taak gesproken informatie vereist.
Instelbaar denken laat het model redeneren voordat het antwoordt of direct een antwoord geven. Gemma 4 voegt een native system-rol toe naast de rollen user en assistant. Googles promptformaat schakelt denken in met het besturingstoken <|think|> in de systeemprompt en scheidt het gedachtenkanaal van het eindantwoord; de gedocumenteerde processor kan dat sjabloon verwerken. Bewaar bij een gesprek met meerdere beurten eerdere eindantwoorden in de geschiedenis en laat eerdere gedachten weg, behalve bij beurten met hulpmiddelaanroepen, waar ze volgens de fabrikant behouden moeten blijven.
Native Function Calling ondersteunt gestructureerd gebruik van hulpmiddelen en Googles introductiebeschrijving documenteert ook gestructureerde JSON-uitvoer. Definieer de taak, de beschikbare functie en het verwachte resultaat; de toepassing voert de gevraagde bewerking uit en geeft de uitvoer terug voor de volgende stap. Een programmeertaak kan om generatie, aanvulling of correctie vragen, terwijl een visuele assistent de teruggegeven tekst kan gebruiken om een grafiek of scherm uit te leggen. Een instructie voor een functieaanroep staat los van een gekoppelde actie die daadwerkelijk is uitgevoerd.
Variabele beeldresolutie wordt geregeld via het visuele tokenbudget. De gedocumenteerde opties zijn 70, 140, 280, 560 en 1.120 tokens. Lagere budgetten passen bij classificatie, bijschriften of framereeksen; hogere budgetten behouden meer detail voor OCR, documentanalyse en kleine tekst, met extra rekenwerk. Bepaal vóór de beeldvoorbereiding of u de volledige scène of exacte belettering nodig hebt. Een duidelijke uitsnede van een label kan nuttiger zijn voor een extractietaak dan een ongerichte vraag om elk detail van een volledige pagina te inspecteren.
Google raadt temperature 1.0, top-p 0.95 en top-k 64 aan als samplingconfiguratie voor de familie. De modelkaart onderscheidt training in meer dan 140 talen van directe ondersteuning voor meer dan 35 talen. Benoem de antwoordtaal en leg domeinnamen, veldnamen of formules expliciet vast in de opdracht. Het getal 256K is een contextspecificatie; de aangehaalde modelkaart stelt geen afzonderlijk universeel uitvoermaximum vast voor deze editie.
Geef voor een document- en codeopdracht het relevante paginabeeld, de schriftelijke eis en het bronfragment: “Lees de labels, leg uit hoe dit scherm van de specificatie afwijkt en stel een gerichte correctie voor van de aangeleverde code.” Vraag bij een grafiek om zichtbare waarden te onderscheiden van een afgeleide trend. Gemma’s modelkaart noemt beperkingen bij dubbelzinnige taal, zeer complexe taken en onjuiste of verouderde feitelijke uitspraken. Voeg daarom de gezaghebbende feiten toe die het gevraagde resultaat moet gebruiken, in plaats van te verwachten dat trainingskennis ze aanlevert.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemma-4-26b-a4b-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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-4-26b-a4b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-4-26b-a4b-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-4-26b-a4b-it
Gebruik de hierboven getoonde methodepaden.
google/gemma-4-26b-a4b-itGemma 4 26B A4B IT is Googles mixture-of-experts-model, afgestemd op instructies, voor redeneren over tekst en visueel materiaal. Het combineert een context van 256K, begrip van beelden en video op basis van frames, instelbaar denken en native functieaanroepen met tekstuitvoer.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Gemma 4 26B A4B IT is Google DeepMinds op instructies afgestemde mixture-of-experts-editie van de open Gemma 4-familie. De officiële architectuurtabel vermeldt 25,2 miljard parameters in totaal en 3,8 miljard actieve parameters; A4B benoemt de afgeronde schaal van de actieve parameters. Het beoogde gebruik omvat redeneren, programmeren, agentwerkstromen en multimodaal begrip. Het model staat los van de vooraf getrainde editie en het dense 31B-model.
De mixture-of-experts-architectuur activeert bij elke inferentiestap een deel van de parameters: acht actieve experts uit 128, plus één gedeelde expert, volgens de gepubliceerde architectuurtabel. Google positioneert deze editie op inferentie-efficiëntie ten opzichte van het dense model. Ze combineert een architectuur met 30 lagen en een schuivend venster van 1.024 tokens met globale aandacht, een context van 256K en een visuele encoder. Deze architectuurcijfers beschrijven het model van de producent, geen gegarandeerde latentie of hardwareconfiguratie voor een specifieke toepassing.
De context van 256K tokens ondersteunt een taak die omvangrijke tekst met visueel bewijs combineert. Beelden en tekst kunnen in één prompt worden verweven; de fabrikant raadt voor de beste resultaten aan beeldinhoud vóór de bijbehorende tekst te plaatsen. Visuele taken omvatten objectdetectie, interpretatie van documentpagina’s, begrip van schermen en interfaces, grafieken, meertalige OCR, handschrift en het aanwijzen van beeldlocaties. De uitvoer is tekst: geëxtraheerde inhoud, een uitleg, code of een voorgestelde actie met een hulpmiddel.
Videobegrip verwerkt een reeks frames. De modelkaart geeft een maximum van 60 seconden wanneer de beelden met één frame per seconde worden verwerkt. Bereid het relevante fragment voor, behoud de volgorde van de frames en stel een vraag over de zichtbare reeks. Dit visuele 26B/31B-profiel accepteert geen audio; de spraakmogelijkheden van de kleinere Gemma 4-varianten met audio-ondersteuning gelden hier niet. Voeg een transcript als tekst toe als de taak gesproken informatie vereist.
Instelbaar denken laat het model redeneren voordat het antwoordt of direct een antwoord geven. Gemma 4 voegt een native system-rol toe naast de rollen user en assistant. Googles promptformaat schakelt denken in met het besturingstoken <|think|> in de systeemprompt en scheidt het gedachtenkanaal van het eindantwoord; de gedocumenteerde processor kan dat sjabloon verwerken. Bewaar bij een gesprek met meerdere beurten eerdere eindantwoorden in de geschiedenis en laat eerdere gedachten weg, behalve bij beurten met hulpmiddelaanroepen, waar ze volgens de fabrikant behouden moeten blijven.
Native Function Calling ondersteunt gestructureerd gebruik van hulpmiddelen en Googles introductiebeschrijving documenteert ook gestructureerde JSON-uitvoer. Definieer de taak, de beschikbare functie en het verwachte resultaat; de toepassing voert de gevraagde bewerking uit en geeft de uitvoer terug voor de volgende stap. Een programmeertaak kan om generatie, aanvulling of correctie vragen, terwijl een visuele assistent de teruggegeven tekst kan gebruiken om een grafiek of scherm uit te leggen. Een instructie voor een functieaanroep staat los van een gekoppelde actie die daadwerkelijk is uitgevoerd.
Variabele beeldresolutie wordt geregeld via het visuele tokenbudget. De gedocumenteerde opties zijn 70, 140, 280, 560 en 1.120 tokens. Lagere budgetten passen bij classificatie, bijschriften of framereeksen; hogere budgetten behouden meer detail voor OCR, documentanalyse en kleine tekst, met extra rekenwerk. Bepaal vóór de beeldvoorbereiding of u de volledige scène of exacte belettering nodig hebt. Een duidelijke uitsnede van een label kan nuttiger zijn voor een extractietaak dan een ongerichte vraag om elk detail van een volledige pagina te inspecteren.
Google raadt temperature 1.0, top-p 0.95 en top-k 64 aan als samplingconfiguratie voor de familie. De modelkaart onderscheidt training in meer dan 140 talen van directe ondersteuning voor meer dan 35 talen. Benoem de antwoordtaal en leg domeinnamen, veldnamen of formules expliciet vast in de opdracht. Het getal 256K is een contextspecificatie; de aangehaalde modelkaart stelt geen afzonderlijk universeel uitvoermaximum vast voor deze editie.
Geef voor een document- en codeopdracht het relevante paginabeeld, de schriftelijke eis en het bronfragment: “Lees de labels, leg uit hoe dit scherm van de specificatie afwijkt en stel een gerichte correctie voor van de aangeleverde code.” Vraag bij een grafiek om zichtbare waarden te onderscheiden van een afgeleide trend. Gemma’s modelkaart noemt beperkingen bij dubbelzinnige taal, zeer complexe taken en onjuiste of verouderde feitelijke uitspraken. Voeg daarom de gezaghebbende feiten toe die het gevraagde resultaat moet gebruiken, in plaats van te verwachten dat trainingskennis ze aanlevert.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemma-4-26b-a4b-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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-26b-a4b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-26b-a4b-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-4-26b-a4b-it
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.