Gemma 3 27B IT is de op instructies afgestemde editie in de 27B-grootteklasse van Googles Gemma 3-familie. Ze combineert tekstgeneratie met beeldbegrip en staat los van het vooraf getrainde 27B-checkpoint en de kleinere modellen 4B en 12B IT. Het resultaat is tekst: een op bronnen gebaseerde uitleg, samenvatting, documentconcept, antwoord of codevoorstel. Het op instructies afgestemde model is ontworpen om een gesprek en een gevraagde taak te volgen, in plaats van alleen als een model voor ruwe tekstaanvulling te werken.
De modelkaart van de maker geeft deze grootte een totale context van 128K tokens. Invoer en uitvoer delen die capaciteit, zodat het gegenereerde antwoord de ruimte gebruikt die na de aanvraag overblijft. Een grote verzameling moet bronidentificaties behouden en nog steeds ruimte voor het gevraagde resultaat laten. Beeldweergaven in het basispad worden genormaliseerd naar 896×896 en gecodeerd in 256 visuele tokens. Leg voor een gezamenlijke tekst- en beeldanalyse uit hoe een paginabeeld, diagram of schermafbeelding verband houdt met de geschreven bronnen, zodat het model één samenhangende vraag kan beantwoorden.
Het gerapporteerde voortrainingsbudget van het 27B-model is 14 biljoen tokens. De gegevens van de familie omvatten webdocumenten in meer dan 140 talen, code, wiskunde en beelden. De training gebruikt kennisdistillatie en de natrainingsaanpak voegt het volgen van instructies en doelen voor bekrachtigend leren toe voor behulpzaamheid, wiskunde, programmeren, redeneren en meertalig gedrag. Deze feiten beschrijven het modelontwikkelingsproces van de maker. Ze vervangen niet het toetsen van een gegenereerde bewering aan de bron of het uitvoeren van een voorgesteld programma op de bedoelde invoer.
Het technische rapport beschrijft een transformer met alleen een decoder, grouped-query attention en vijf lokale aandachtslagen voor elke globale laag. Het lokale bereik is 1.024 tokens, terwijl globale lagen de interacties over de langere context verzorgen. De gedeelde SigLIP-beeldencoder van de familie vertegenwoordigt visuele invoer voor het taalmodel. De SentencePiece-tokenizer gebruikt gesplitste cijfers, behouden witruimte en codering op byteniveau. Houd getalnotatie, code-inspringing en terminologie uit de brontaal intact wanneer die relevant zijn voor de interpretatie.
Voor niet-vierkante of gedetailleerde beelden beschrijft het rapport Pan and Scan, dat vóór het schalen van weergaven voor de visuele encoder niet-overlappende uitsneden kan toevoegen. Dit helpt kleine inhoud te behouden die bij één vierkante schaalbewerking verloren kan gaan, maar de werkelijke verwerkingsconfiguratie blijft van belang. Een onderzoeksopdracht of taak met technische documenten kan zowel een hele pagina als een leesbaar diagramdetail aanbieden en hun verband aangeven. Vraag het antwoord de zichtbare waarden, de relevante tekstuele voorwaarde en de door beide ondersteunde conclusie te benoemen.
Gebruik het native IT-gespreksformaat van de maker met user- en model-beurten. Een afzonderlijke system-beurt wordt in dat formaat niet ondersteund; plaats rol- en antwoordinstructies in het eerste user-bericht en gebruik het daarvoor bedoelde formatteringspad. Benoem voor een lang rapport de vraag, de te vergelijken onderdelen en de voorrangsregels als bronnen elkaar tegenspreken. Een oorspronkelijk voorbeeld is een geschreven specificatie met een diagram in overeenstemming brengen en een eisentabel, een lijst met afwijkingen en de aannames voor een voorgestelde oplossing teruggeven.
De beoogde gebruikscategorieën omvatten schrijven, samenvatten, gesprekken, extractie van beeldgegevens en verkenning voor onderwijs of onderzoek. Geef voor codeanalyse de werkelijke module, invoervoorbeelden en interfacevoorwaarden en vraag vervolgens om een uitleg of voorgestelde wijziging die op die feiten berust. Benoem voor meertalig schrijfwerk de doelgroep en termen die ongewijzigd moeten blijven. Vraag bij een visuele vraag om waarnemingen die aan benoemde elementen zijn gekoppeld in plaats van om een algemene beeldbeschrijving. Gekwantiseerde familiecheckpoints zijn afzonderlijk gepubliceerde artefacten; behoud daarom de exacte identiteit van 27B IT en verwerkingsinstellingen wanneer u resultaten vergelijkt.
De maker merkt op dat modellen onjuiste of verouderde feiten kunnen geven en moeite kunnen hebben met dubbelzinnigheid, nuance en zeer open instructies. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische voorwaarde mist. Meer context is alleen nuttig wanneer de relevante voorwaarden helder zijn. Houd de oorspronkelijke bronnen beschikbaar, controleer geëxtraheerde gegevens en berekeningen en valideer elk antwoord dat er gestructureerd uitziet voordat u het als een record verwerkt. Een uitleg op basis van meerdere bronnen moet aangeleverd bewijs, interpretatie en ontbrekende informatie onderscheiden. Dit 27B-profiel ondersteunt een voorbereide redeneertaak met tekst en beelden; ophalen van informatie, uitvoering van hulpmiddelen of feitelijke actualisering door een toepassing vereist eigen teruggegeven bewijs en mag niet uit vloeiende uitvoer worden afgeleid.
", "aboutText": "Gemma 3 27B IT is de op instructies afgestemde editie in de 27B-grootteklasse van Googles Gemma 3-familie. Ze combineert tekstgeneratie met beeldbegrip en staat los van het vooraf getrainde 27B-checkpoint en de kleinere modellen 4B en 12B IT. Het resultaat is tekst: een op bronnen gebaseerde uitleg, samenvatting, documentconcept, antwoord of codevoorstel. Het op instructies afgestemde model is ontworpen om een gesprek en een gevraagde taak te volgen, in plaats van alleen als een model voor ruwe tekstaanvulling te werken.\n\nDe modelkaart van de maker geeft deze grootte een totale context van 128K tokens. Invoer en uitvoer delen die capaciteit, zodat het gegenereerde antwoord de ruimte gebruikt die na de aanvraag overblijft. Een grote verzameling moet bronidentificaties behouden en nog steeds ruimte voor het gevraagde resultaat laten. Beeldweergaven in het basispad worden genormaliseerd naar 896×896 en gecodeerd in 256 visuele tokens. Leg voor een gezamenlijke tekst- en beeldanalyse uit hoe een paginabeeld, diagram of schermafbeelding verband houdt met de geschreven bronnen, zodat het model één samenhangende vraag kan beantwoorden.\n\nHet gerapporteerde voortrainingsbudget van het 27B-model is 14 biljoen tokens. De gegevens van de familie omvatten webdocumenten in meer dan 140 talen, code, wiskunde en beelden. De training gebruikt kennisdistillatie en de natrainingsaanpak voegt het volgen van instructies en doelen voor bekrachtigend leren toe voor behulpzaamheid, wiskunde, programmeren, redeneren en meertalig gedrag. Deze feiten beschrijven het modelontwikkelingsproces van de maker. Ze vervangen niet het toetsen van een gegenereerde bewering aan de bron of het uitvoeren van een voorgesteld programma op de bedoelde invoer.\n\nHet technische rapport beschrijft een transformer met alleen een decoder, grouped-query attention en vijf lokale aandachtslagen voor elke globale laag. Het lokale bereik is 1.024 tokens, terwijl globale lagen de interacties over de langere context verzorgen. De gedeelde SigLIP-beeldencoder van de familie vertegenwoordigt visuele invoer voor het taalmodel. De SentencePiece-tokenizer gebruikt gesplitste cijfers, behouden witruimte en codering op byteniveau. Houd getalnotatie, code-inspringing en terminologie uit de brontaal intact wanneer die relevant zijn voor de interpretatie.\n\nVoor niet-vierkante of gedetailleerde beelden beschrijft het rapport Pan and Scan, dat vóór het schalen van weergaven voor de visuele encoder niet-overlappende uitsneden kan toevoegen. Dit helpt kleine inhoud te behouden die bij één vierkante schaalbewerking verloren kan gaan, maar de werkelijke verwerkingsconfiguratie blijft van belang. Een onderzoeksopdracht of taak met technische documenten kan zowel een hele pagina als een leesbaar diagramdetail aanbieden en hun verband aangeven. Vraag het antwoord de zichtbare waarden, de relevante tekstuele voorwaarde en de door beide ondersteunde conclusie te benoemen.\n\nGebruik het native IT-gespreksformaat van de maker met user- en model-beurten. Een afzonderlijke system-beurt wordt in dat formaat niet ondersteund; plaats rol- en antwoordinstructies in het eerste user-bericht en gebruik het daarvoor bedoelde formatteringspad. Benoem voor een lang rapport de vraag, de te vergelijken onderdelen en de voorrangsregels als bronnen elkaar tegenspreken. Een oorspronkelijk voorbeeld is een geschreven specificatie met een diagram in overeenstemming brengen en een eisentabel, een lijst met afwijkingen en de aannames voor een voorgestelde oplossing teruggeven.\n\nDe beoogde gebruikscategorieën omvatten schrijven, samenvatten, gesprekken, extractie van beeldgegevens en verkenning voor onderwijs of onderzoek. Geef voor codeanalyse de werkelijke module, invoervoorbeelden en interfacevoorwaarden en vraag vervolgens om een uitleg of voorgestelde wijziging die op die feiten berust. Benoem voor meertalig schrijfwerk de doelgroep en termen die ongewijzigd moeten blijven. Vraag bij een visuele vraag om waarnemingen die aan benoemde elementen zijn gekoppeld in plaats van om een algemene beeldbeschrijving. Gekwantiseerde familiecheckpoints zijn afzonderlijk gepubliceerde artefacten; behoud daarom de exacte identiteit van 27B IT en verwerkingsinstellingen wanneer u resultaten vergelijkt.\n\nDe maker merkt op dat modellen onjuiste of verouderde feiten kunnen geven en moeite kunnen hebben met dubbelzinnigheid, nuance en zeer open instructies. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische voorwaarde mist. Meer context is alleen nuttig wanneer de relevante voorwaarden helder zijn. Houd de oorspronkelijke bronnen beschikbaar, controleer geëxtraheerde gegevens en berekeningen en valideer elk antwoord dat er gestructureerd uitziet voordat u het als een record verwerkt. Een uitleg op basis van meerdere bronnen moet aangeleverd bewijs, interpretatie en ontbrekende informatie onderscheiden. Dit 27B-profiel ondersteunt een voorbereide redeneertaak met tekst en beelden; ophalen van informatie, uitvoering van hulpmiddelen of feitelijke actualisering door een toepassing vereist eigen teruggegeven bewijs en mag niet uit vloeiende uitvoer worden afgeleid.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.google/gemma-3-27b-itGemma 3 27B IT is het op instructies afgestemde model in de 27B-grootteklasse van Googles Gemma 3-familie. Het accepteert tekst en beelden en produceert tekst voor analyse van lange bronnen, schrijfwerk, code en visuele vragen, met een gedeelde context van 128K en meertalige dekking binnen de familie.
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 27B IT is de op instructies afgestemde editie in de 27B-grootteklasse van Googles Gemma 3-familie. Ze combineert tekstgeneratie met beeldbegrip en staat los van het vooraf getrainde 27B-checkpoint en de kleinere modellen 4B en 12B IT. Het resultaat is tekst: een op bronnen gebaseerde uitleg, samenvatting, documentconcept, antwoord of codevoorstel. Het op instructies afgestemde model is ontworpen om een gesprek en een gevraagde taak te volgen, in plaats van alleen als een model voor ruwe tekstaanvulling te werken.
De modelkaart van de maker geeft deze grootte een totale context van 128K tokens. Invoer en uitvoer delen die capaciteit, zodat het gegenereerde antwoord de ruimte gebruikt die na de aanvraag overblijft. Een grote verzameling moet bronidentificaties behouden en nog steeds ruimte voor het gevraagde resultaat laten. Beeldweergaven in het basispad worden genormaliseerd naar 896×896 en gecodeerd in 256 visuele tokens. Leg voor een gezamenlijke tekst- en beeldanalyse uit hoe een paginabeeld, diagram of schermafbeelding verband houdt met de geschreven bronnen, zodat het model één samenhangende vraag kan beantwoorden.
Het gerapporteerde voortrainingsbudget van het 27B-model is 14 biljoen tokens. De gegevens van de familie omvatten webdocumenten in meer dan 140 talen, code, wiskunde en beelden. De training gebruikt kennisdistillatie en de natrainingsaanpak voegt het volgen van instructies en doelen voor bekrachtigend leren toe voor behulpzaamheid, wiskunde, programmeren, redeneren en meertalig gedrag. Deze feiten beschrijven het modelontwikkelingsproces van de maker. Ze vervangen niet het toetsen van een gegenereerde bewering aan de bron of het uitvoeren van een voorgesteld programma op de bedoelde invoer.
Het technische rapport beschrijft een transformer met alleen een decoder, grouped-query attention en vijf lokale aandachtslagen voor elke globale laag. Het lokale bereik is 1.024 tokens, terwijl globale lagen de interacties over de langere context verzorgen. De gedeelde SigLIP-beeldencoder van de familie vertegenwoordigt visuele invoer voor het taalmodel. De SentencePiece-tokenizer gebruikt gesplitste cijfers, behouden witruimte en codering op byteniveau. Houd getalnotatie, code-inspringing en terminologie uit de brontaal intact wanneer die relevant zijn voor de interpretatie.
Voor niet-vierkante of gedetailleerde beelden beschrijft het rapport Pan and Scan, dat vóór het schalen van weergaven voor de visuele encoder niet-overlappende uitsneden kan toevoegen. Dit helpt kleine inhoud te behouden die bij één vierkante schaalbewerking verloren kan gaan, maar de werkelijke verwerkingsconfiguratie blijft van belang. Een onderzoeksopdracht of taak met technische documenten kan zowel een hele pagina als een leesbaar diagramdetail aanbieden en hun verband aangeven. Vraag het antwoord de zichtbare waarden, de relevante tekstuele voorwaarde en de door beide ondersteunde conclusie te benoemen.
Gebruik het native IT-gespreksformaat van de maker met user- en model-beurten. Een afzonderlijke system-beurt wordt in dat formaat niet ondersteund; plaats rol- en antwoordinstructies in het eerste user-bericht en gebruik het daarvoor bedoelde formatteringspad. Benoem voor een lang rapport de vraag, de te vergelijken onderdelen en de voorrangsregels als bronnen elkaar tegenspreken. Een oorspronkelijk voorbeeld is een geschreven specificatie met een diagram in overeenstemming brengen en een eisentabel, een lijst met afwijkingen en de aannames voor een voorgestelde oplossing teruggeven.
De beoogde gebruikscategorieën omvatten schrijven, samenvatten, gesprekken, extractie van beeldgegevens en verkenning voor onderwijs of onderzoek. Geef voor codeanalyse de werkelijke module, invoervoorbeelden en interfacevoorwaarden en vraag vervolgens om een uitleg of voorgestelde wijziging die op die feiten berust. Benoem voor meertalig schrijfwerk de doelgroep en termen die ongewijzigd moeten blijven. Vraag bij een visuele vraag om waarnemingen die aan benoemde elementen zijn gekoppeld in plaats van om een algemene beeldbeschrijving. Gekwantiseerde familiecheckpoints zijn afzonderlijk gepubliceerde artefacten; behoud daarom de exacte identiteit van 27B IT en verwerkingsinstellingen wanneer u resultaten vergelijkt.
De maker merkt op dat modellen onjuiste of verouderde feiten kunnen geven en moeite kunnen hebben met dubbelzinnigheid, nuance en zeer open instructies. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische voorwaarde mist. Meer context is alleen nuttig wanneer de relevante voorwaarden helder zijn. Houd de oorspronkelijke bronnen beschikbaar, controleer geëxtraheerde gegevens en berekeningen en valideer elk antwoord dat er gestructureerd uitziet voordat u het als een record verwerkt. Een uitleg op basis van meerdere bronnen moet aangeleverd bewijs, interpretatie en ontbrekende informatie onderscheiden. Dit 27B-profiel ondersteunt een voorbereide redeneertaak met tekst en beelden; ophalen van informatie, uitvoering van hulpmiddelen of feitelijke actualisering door een toepassing vereist eigen teruggegeven bewijs en mag niet uit vloeiende uitvoer worden afgeleid.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemma-3-27b-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 $0.00016 / 1K tokens Uitvoer · Uitvoertokens $0.0007 / 1K tokens Invoer · Cache lezen $0.00008 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00016 / 1K tokens Uitvoer · Uitvoertokens $0.0007 / 1K tokens Invoer · Cache lezen $0.00008 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-27b-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-3-27b-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-3-27b-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-3-27b-it
Gebruik de hierboven getoonde methodepaden.
google/gemma-3-27b-itGemma 3 27B IT is het op instructies afgestemde model in de 27B-grootteklasse van Googles Gemma 3-familie. Het accepteert tekst en beelden en produceert tekst voor analyse van lange bronnen, schrijfwerk, code en visuele vragen, met een gedeelde context van 128K en meertalige dekking binnen de familie.
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 27B IT is de op instructies afgestemde editie in de 27B-grootteklasse van Googles Gemma 3-familie. Ze combineert tekstgeneratie met beeldbegrip en staat los van het vooraf getrainde 27B-checkpoint en de kleinere modellen 4B en 12B IT. Het resultaat is tekst: een op bronnen gebaseerde uitleg, samenvatting, documentconcept, antwoord of codevoorstel. Het op instructies afgestemde model is ontworpen om een gesprek en een gevraagde taak te volgen, in plaats van alleen als een model voor ruwe tekstaanvulling te werken.
De modelkaart van de maker geeft deze grootte een totale context van 128K tokens. Invoer en uitvoer delen die capaciteit, zodat het gegenereerde antwoord de ruimte gebruikt die na de aanvraag overblijft. Een grote verzameling moet bronidentificaties behouden en nog steeds ruimte voor het gevraagde resultaat laten. Beeldweergaven in het basispad worden genormaliseerd naar 896×896 en gecodeerd in 256 visuele tokens. Leg voor een gezamenlijke tekst- en beeldanalyse uit hoe een paginabeeld, diagram of schermafbeelding verband houdt met de geschreven bronnen, zodat het model één samenhangende vraag kan beantwoorden.
Het gerapporteerde voortrainingsbudget van het 27B-model is 14 biljoen tokens. De gegevens van de familie omvatten webdocumenten in meer dan 140 talen, code, wiskunde en beelden. De training gebruikt kennisdistillatie en de natrainingsaanpak voegt het volgen van instructies en doelen voor bekrachtigend leren toe voor behulpzaamheid, wiskunde, programmeren, redeneren en meertalig gedrag. Deze feiten beschrijven het modelontwikkelingsproces van de maker. Ze vervangen niet het toetsen van een gegenereerde bewering aan de bron of het uitvoeren van een voorgesteld programma op de bedoelde invoer.
Het technische rapport beschrijft een transformer met alleen een decoder, grouped-query attention en vijf lokale aandachtslagen voor elke globale laag. Het lokale bereik is 1.024 tokens, terwijl globale lagen de interacties over de langere context verzorgen. De gedeelde SigLIP-beeldencoder van de familie vertegenwoordigt visuele invoer voor het taalmodel. De SentencePiece-tokenizer gebruikt gesplitste cijfers, behouden witruimte en codering op byteniveau. Houd getalnotatie, code-inspringing en terminologie uit de brontaal intact wanneer die relevant zijn voor de interpretatie.
Voor niet-vierkante of gedetailleerde beelden beschrijft het rapport Pan and Scan, dat vóór het schalen van weergaven voor de visuele encoder niet-overlappende uitsneden kan toevoegen. Dit helpt kleine inhoud te behouden die bij één vierkante schaalbewerking verloren kan gaan, maar de werkelijke verwerkingsconfiguratie blijft van belang. Een onderzoeksopdracht of taak met technische documenten kan zowel een hele pagina als een leesbaar diagramdetail aanbieden en hun verband aangeven. Vraag het antwoord de zichtbare waarden, de relevante tekstuele voorwaarde en de door beide ondersteunde conclusie te benoemen.
Gebruik het native IT-gespreksformaat van de maker met user- en model-beurten. Een afzonderlijke system-beurt wordt in dat formaat niet ondersteund; plaats rol- en antwoordinstructies in het eerste user-bericht en gebruik het daarvoor bedoelde formatteringspad. Benoem voor een lang rapport de vraag, de te vergelijken onderdelen en de voorrangsregels als bronnen elkaar tegenspreken. Een oorspronkelijk voorbeeld is een geschreven specificatie met een diagram in overeenstemming brengen en een eisentabel, een lijst met afwijkingen en de aannames voor een voorgestelde oplossing teruggeven.
De beoogde gebruikscategorieën omvatten schrijven, samenvatten, gesprekken, extractie van beeldgegevens en verkenning voor onderwijs of onderzoek. Geef voor codeanalyse de werkelijke module, invoervoorbeelden en interfacevoorwaarden en vraag vervolgens om een uitleg of voorgestelde wijziging die op die feiten berust. Benoem voor meertalig schrijfwerk de doelgroep en termen die ongewijzigd moeten blijven. Vraag bij een visuele vraag om waarnemingen die aan benoemde elementen zijn gekoppeld in plaats van om een algemene beeldbeschrijving. Gekwantiseerde familiecheckpoints zijn afzonderlijk gepubliceerde artefacten; behoud daarom de exacte identiteit van 27B IT en verwerkingsinstellingen wanneer u resultaten vergelijkt.
De maker merkt op dat modellen onjuiste of verouderde feiten kunnen geven en moeite kunnen hebben met dubbelzinnigheid, nuance en zeer open instructies. Google waarschuwt ook dat een aannemelijk taalpatroon een antwoord kan opleveren dat een alledaagse praktische voorwaarde mist. Meer context is alleen nuttig wanneer de relevante voorwaarden helder zijn. Houd de oorspronkelijke bronnen beschikbaar, controleer geëxtraheerde gegevens en berekeningen en valideer elk antwoord dat er gestructureerd uitziet voordat u het als een record verwerkt. Een uitleg op basis van meerdere bronnen moet aangeleverd bewijs, interpretatie en ontbrekende informatie onderscheiden. Dit 27B-profiel ondersteunt een voorbereide redeneertaak met tekst en beelden; ophalen van informatie, uitvoering van hulpmiddelen of feitelijke actualisering door een toepassing vereist eigen teruggegeven bewijs en mag niet uit vloeiende uitvoer worden afgeleid.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten google/gemma-3-27b-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 $0.00016 / 1K tokens Uitvoer · Uitvoertokens $0.0007 / 1K tokens Invoer · Cache lezen $0.00008 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00016 / 1K tokens Uitvoer · Uitvoertokens $0.0007 / 1K tokens Invoer · Cache lezen $0.00008 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "google/gemma-3-27b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-27b-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-3-27b-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-3-27b-it
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.