Llama 4 Maverick Instruct is het van oorsprong multimodale model van Meta voor assistentgesprekken en visueel redeneren. Het ontvangt meertalige tekst en afbeeldingen en genereert meertalige tekst of code. De mixture-of-experts-architectuur gebruikt early fusion en combineert visuele en tekstuele informatie binnen het model, in plaats van de afbeelding te behandelen als een losstaand bijschrift dat door een afzonderlijke tekstassistent is aangeleverd.
Modelinformatie en context
De maker vermeldt 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal voor Maverick. Die verschillen van de configuratie van Scout met 16 experts en 109 miljard parameters in totaal, hoewel beide het label 17B voor de actieve grootte dragen. De naam Instruct identificeert het op assistenten gerichte checkpoint, in plaats van het voorgetrainde Maverick-model.
De modelkaart documenteert een contextvenster van 1M voor Maverick. Gebruik de context om de relevante passages, afbeeldingen, het gesprek en het gevraagde antwoord bij elkaar te houden. Een grote bronverzameling heeft nog steeds een afgebakende vraag en een concreet resultaat nodig. Geef de brondocumenten en afbeeldingen labels en vraag om de onderbouwende locatie bij elke geëxtraheerde bevinding, in plaats van om een ongerichte samenvatting van al het materiaal te vragen.
De ondersteunde talen zijn Arabisch, Engels, Frans, Duits, Hindi, Indonesisch, Italiaans, Portugees, Spaans, Tagalog, Thai en Vietnamees. De maker onderscheidt deze twaalf ondersteunde talen van de bredere verzameling van ongeveer tweehonderd talen die in de voortraining is gebruikt. Aanwezigheid van een taal in de training mag niet worden vertaald naar een belofte van gelijke mogelijkheden voor elke taal.
Chat-, beeld- en programmeertaken
De beoogde visuele toepassingen op de modelkaart omvatten herkenning, beeldredenering, bijschriften schrijven en algemene vragen over een afbeelding beantwoorden. Vraag het model voor een foto de objecten of relaties te identificeren die relevant zijn voor de taak. Vraag voor een grafiek om een vergelijking tussen benoemde reeksen, met behoud van assen en eenheden. Vraag voor een diagram welke gelabelde verbinding een aangeleverde eis ondersteunt.
Benoem bij een vergelijking van meerdere afbeeldingen de rol van elke afbeelding en vraag voor alle afbeeldingen om dezelfde criteria. Lever bijvoorbeeld een oorspronkelijk ontwerp en een herziening aan en vraag vervolgens om zichtbare overeenkomsten, verschillen en details die de afbeeldingen niet aantonen. Houd de waarnemingen gescheiden van conclusies die van de begeleidende tekst afhangen. Zo kan de uitvoer eenvoudiger aan de hand van de werkelijke bron worden geïnspecteerd.
De maker meldt beeldbegrip te hebben getest met maximaal vijf invoerafbeeldingen. Dat is het gedocumenteerde testbereik, geen onvoorwaardelijke harde bovengrens voor het aantal afbeeldingen. Behoud de details die nodig zijn voor de vraag en de volgorde van de afbeeldingen. Veel niet-gerelateerde afbeeldingen toevoegen bepaalt op zichzelf niet wat moet worden vergeleken.
Lever voor een programmeertaak de eis, relevante broncode en het verwachte gedrag aan. Vraag de voorgestelde implementatie los van de aannamen en voorbeelden op. Een screenshot kan visuele eisen leveren, terwijl de tekstuele voorwaarde gedrag beschrijft dat het screenshot niet kan tonen. Gegenereerde code is een tekstueel resultaat; het uitvoeren ervan, het inspecteren van een gerenderde interface of het toepassen in een repository vereist de gekoppelde omgeving.
Gespreksvoorbereiding en training
De modelkaart demonstreert de bijbehorende processor en het chatsjabloon met twee afbeeldingen en een schriftelijke vergelijkingsvraag. Houd gespreksrollen en de koppeling tussen afbeeldingen en tekst expliciet. Een systeeminstructie kan doelgroep, toon en antwoordstructuur definiëren, terwijl het gebruikersbericht de werkelijke taak en het bewijsmateriaal aanlevert. De maker beschrijft verbeteringen door natraining in de stuurbaarheid via systeemprompts en de gespreksopmaak.
Maverick is voorgetraind op ongeveer 22 biljoen tokens aan multimodale data, met een opgegeven kennisgrens van augustus 2024 voor de voortrainingsdata. Dit is een statische grens van de trainingsdata, geen live toegang tot actuele informatie. Lever bij een vraag die van nieuwer of privémateriaal afhangt dat materiaal aan als broncontext of via een afzonderlijk gekoppelde ophaalbewerking.
De release omvat BF16-gewichten en afzonderlijk gekwantiseerde FP8-gewichten. Die precisiekeuzes creëren geen andere invoermodaliteit en geven Maverick niet de context van 10M van Scout. Behoud het exacte Instruct-checkpoint en de configuratie bij het vergelijken van een herhaalde taak of een afgeleide implementatie.
Praktisch resultaatontwerp
Een taak met documentafbeeldingen kan de bronidentifier, zichtbare uitspraak, geëxtraheerde waarde en interpretatie als afzonderlijke velden opvragen. Een gespreksuitleg kan de oorspronkelijke termen behouden en de tekst aanpassen aan de ondersteunde taal van de lezer. Een programmeerverzoek kan het herziene fragment en voorbeelden teruggeven die het beoogde gedrag onderscheiden.
Definieer hoe het eindresultaat zal worden gebruikt voordat je het materiaal aanlevert. Een kort bijschrift, vergelijkingstabel en voorgesteld programma lossen verschillende taken op, ook wanneer ze dezelfde afbeeldingen gebruiken. De visuele en taalmogelijkheden van het model leveren interpretatie en tekst; externe informatieophaling, uitvoering of bestandsproductie komt van applicatieonderdelen.
Specifieke grenzen
De hier gedocumenteerde invoer is tekst en afbeeldingen, met tekst en code als uitvoer. Audio- of videobegrip, spraakgeneratie en de benoemde instellingen voor redeneerinspanning van Muse Spark mogen niet aan deze Maverick-editie worden toegeschreven. Llama Guard is ook een afzonderlijk getrainde classificator, in plaats van automatische classificatoruitvoer bij een Maverick-antwoord.
Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling en de geraadpleegde bronnen stellen geen afzonderlijke harde bovengrens voor uitvoertokens vast buiten de contextspecificatie van het model. Houd de Maverick-identiteit, het bereik van ondersteunde talen en het eindresultaat met bronverwijzingen expliciet, in plaats van grenzen of modi van een andere Llama-release over te nemen.
", "aboutText": "Llama 4 Maverick Instruct is het van oorsprong multimodale model van Meta voor assistentgesprekken en visueel redeneren. Het ontvangt meertalige tekst en afbeeldingen en genereert meertalige tekst of code. De mixture-of-experts-architectuur gebruikt early fusion en combineert visuele en tekstuele informatie binnen het model, in plaats van de afbeelding te behandelen als een losstaand bijschrift dat door een afzonderlijke tekstassistent is aangeleverd.\n\nModelinformatie en context\n\nDe maker vermeldt 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal voor Maverick. Die verschillen van de configuratie van Scout met 16 experts en 109 miljard parameters in totaal, hoewel beide het label 17B voor de actieve grootte dragen. De naam Instruct identificeert het op assistenten gerichte checkpoint, in plaats van het voorgetrainde Maverick-model.\n\nDe modelkaart documenteert een contextvenster van 1M voor Maverick. Gebruik de context om de relevante passages, afbeeldingen, het gesprek en het gevraagde antwoord bij elkaar te houden. Een grote bronverzameling heeft nog steeds een afgebakende vraag en een concreet resultaat nodig. Geef de brondocumenten en afbeeldingen labels en vraag om de onderbouwende locatie bij elke geëxtraheerde bevinding, in plaats van om een ongerichte samenvatting van al het materiaal te vragen.\n\nDe ondersteunde talen zijn Arabisch, Engels, Frans, Duits, Hindi, Indonesisch, Italiaans, Portugees, Spaans, Tagalog, Thai en Vietnamees. De maker onderscheidt deze twaalf ondersteunde talen van de bredere verzameling van ongeveer tweehonderd talen die in de voortraining is gebruikt. Aanwezigheid van een taal in de training mag niet worden vertaald naar een belofte van gelijke mogelijkheden voor elke taal.\n\nChat-, beeld- en programmeertaken\n\nDe beoogde visuele toepassingen op de modelkaart omvatten herkenning, beeldredenering, bijschriften schrijven en algemene vragen over een afbeelding beantwoorden. Vraag het model voor een foto de objecten of relaties te identificeren die relevant zijn voor de taak. Vraag voor een grafiek om een vergelijking tussen benoemde reeksen, met behoud van assen en eenheden. Vraag voor een diagram welke gelabelde verbinding een aangeleverde eis ondersteunt.\n\nBenoem bij een vergelijking van meerdere afbeeldingen de rol van elke afbeelding en vraag voor alle afbeeldingen om dezelfde criteria. Lever bijvoorbeeld een oorspronkelijk ontwerp en een herziening aan en vraag vervolgens om zichtbare overeenkomsten, verschillen en details die de afbeeldingen niet aantonen. Houd de waarnemingen gescheiden van conclusies die van de begeleidende tekst afhangen. Zo kan de uitvoer eenvoudiger aan de hand van de werkelijke bron worden geïnspecteerd.\n\nDe maker meldt beeldbegrip te hebben getest met maximaal vijf invoerafbeeldingen. Dat is het gedocumenteerde testbereik, geen onvoorwaardelijke harde bovengrens voor het aantal afbeeldingen. Behoud de details die nodig zijn voor de vraag en de volgorde van de afbeeldingen. Veel niet-gerelateerde afbeeldingen toevoegen bepaalt op zichzelf niet wat moet worden vergeleken.\n\nLever voor een programmeertaak de eis, relevante broncode en het verwachte gedrag aan. Vraag de voorgestelde implementatie los van de aannamen en voorbeelden op. Een screenshot kan visuele eisen leveren, terwijl de tekstuele voorwaarde gedrag beschrijft dat het screenshot niet kan tonen. Gegenereerde code is een tekstueel resultaat; het uitvoeren ervan, het inspecteren van een gerenderde interface of het toepassen in een repository vereist de gekoppelde omgeving.\n\nGespreksvoorbereiding en training\n\nDe modelkaart demonstreert de bijbehorende processor en het chatsjabloon met twee afbeeldingen en een schriftelijke vergelijkingsvraag. Houd gespreksrollen en de koppeling tussen afbeeldingen en tekst expliciet. Een systeeminstructie kan doelgroep, toon en antwoordstructuur definiëren, terwijl het gebruikersbericht de werkelijke taak en het bewijsmateriaal aanlevert. De maker beschrijft verbeteringen door natraining in de stuurbaarheid via systeemprompts en de gespreksopmaak.\n\nMaverick is voorgetraind op ongeveer 22 biljoen tokens aan multimodale data, met een opgegeven kennisgrens van augustus 2024 voor de voortrainingsdata. Dit is een statische grens van de trainingsdata, geen live toegang tot actuele informatie. Lever bij een vraag die van nieuwer of privémateriaal afhangt dat materiaal aan als broncontext of via een afzonderlijk gekoppelde ophaalbewerking.\n\nDe release omvat BF16-gewichten en afzonderlijk gekwantiseerde FP8-gewichten. Die precisiekeuzes creëren geen andere invoermodaliteit en geven Maverick niet de context van 10M van Scout. Behoud het exacte Instruct-checkpoint en de configuratie bij het vergelijken van een herhaalde taak of een afgeleide implementatie.\n\nPraktisch resultaatontwerp\n\nEen taak met documentafbeeldingen kan de bronidentifier, zichtbare uitspraak, geëxtraheerde waarde en interpretatie als afzonderlijke velden opvragen. Een gespreksuitleg kan de oorspronkelijke termen behouden en de tekst aanpassen aan de ondersteunde taal van de lezer. Een programmeerverzoek kan het herziene fragment en voorbeelden teruggeven die het beoogde gedrag onderscheiden.\n\nDefinieer hoe het eindresultaat zal worden gebruikt voordat je het materiaal aanlevert. Een kort bijschrift, vergelijkingstabel en voorgesteld programma lossen verschillende taken op, ook wanneer ze dezelfde afbeeldingen gebruiken. De visuele en taalmogelijkheden van het model leveren interpretatie en tekst; externe informatieophaling, uitvoering of bestandsproductie komt van applicatieonderdelen.\n\nSpecifieke grenzen\n\nDe hier gedocumenteerde invoer is tekst en afbeeldingen, met tekst en code als uitvoer. Audio- of videobegrip, spraakgeneratie en de benoemde instellingen voor redeneerinspanning van Muse Spark mogen niet aan deze Maverick-editie worden toegeschreven. Llama Guard is ook een afzonderlijk getrainde classificator, in plaats van automatische classificatoruitvoer bij een Maverick-antwoord.\n\nHet generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling en de geraadpleegde bronnen stellen geen afzonderlijke harde bovengrens voor uitvoertokens vast buiten de contextspecificatie van het model. Houd de Maverick-identiteit, het bereik van ondersteunde talen en het eindresultaat met bronverwijzingen expliciet, in plaats van grenzen of modi van een andere Llama-release over te nemen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick is het native tekst- en beeldmodel van Meta in de Instruct-editie, met 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal. De maker documenteert een context van 1M, meertalige tekst- en code-uitvoer, visuele herkenning, bijschriften en vragen over afbeeldingen in een release die losstaat van Scout.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama 4 Maverick Instruct is het van oorsprong multimodale model van Meta voor assistentgesprekken en visueel redeneren. Het ontvangt meertalige tekst en afbeeldingen en genereert meertalige tekst of code. De mixture-of-experts-architectuur gebruikt early fusion en combineert visuele en tekstuele informatie binnen het model, in plaats van de afbeelding te behandelen als een losstaand bijschrift dat door een afzonderlijke tekstassistent is aangeleverd.
Modelinformatie en context
De maker vermeldt 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal voor Maverick. Die verschillen van de configuratie van Scout met 16 experts en 109 miljard parameters in totaal, hoewel beide het label 17B voor de actieve grootte dragen. De naam Instruct identificeert het op assistenten gerichte checkpoint, in plaats van het voorgetrainde Maverick-model.
De modelkaart documenteert een contextvenster van 1M voor Maverick. Gebruik de context om de relevante passages, afbeeldingen, het gesprek en het gevraagde antwoord bij elkaar te houden. Een grote bronverzameling heeft nog steeds een afgebakende vraag en een concreet resultaat nodig. Geef de brondocumenten en afbeeldingen labels en vraag om de onderbouwende locatie bij elke geëxtraheerde bevinding, in plaats van om een ongerichte samenvatting van al het materiaal te vragen.
De ondersteunde talen zijn Arabisch, Engels, Frans, Duits, Hindi, Indonesisch, Italiaans, Portugees, Spaans, Tagalog, Thai en Vietnamees. De maker onderscheidt deze twaalf ondersteunde talen van de bredere verzameling van ongeveer tweehonderd talen die in de voortraining is gebruikt. Aanwezigheid van een taal in de training mag niet worden vertaald naar een belofte van gelijke mogelijkheden voor elke taal.
Chat-, beeld- en programmeertaken
De beoogde visuele toepassingen op de modelkaart omvatten herkenning, beeldredenering, bijschriften schrijven en algemene vragen over een afbeelding beantwoorden. Vraag het model voor een foto de objecten of relaties te identificeren die relevant zijn voor de taak. Vraag voor een grafiek om een vergelijking tussen benoemde reeksen, met behoud van assen en eenheden. Vraag voor een diagram welke gelabelde verbinding een aangeleverde eis ondersteunt.
Benoem bij een vergelijking van meerdere afbeeldingen de rol van elke afbeelding en vraag voor alle afbeeldingen om dezelfde criteria. Lever bijvoorbeeld een oorspronkelijk ontwerp en een herziening aan en vraag vervolgens om zichtbare overeenkomsten, verschillen en details die de afbeeldingen niet aantonen. Houd de waarnemingen gescheiden van conclusies die van de begeleidende tekst afhangen. Zo kan de uitvoer eenvoudiger aan de hand van de werkelijke bron worden geïnspecteerd.
De maker meldt beeldbegrip te hebben getest met maximaal vijf invoerafbeeldingen. Dat is het gedocumenteerde testbereik, geen onvoorwaardelijke harde bovengrens voor het aantal afbeeldingen. Behoud de details die nodig zijn voor de vraag en de volgorde van de afbeeldingen. Veel niet-gerelateerde afbeeldingen toevoegen bepaalt op zichzelf niet wat moet worden vergeleken.
Lever voor een programmeertaak de eis, relevante broncode en het verwachte gedrag aan. Vraag de voorgestelde implementatie los van de aannamen en voorbeelden op. Een screenshot kan visuele eisen leveren, terwijl de tekstuele voorwaarde gedrag beschrijft dat het screenshot niet kan tonen. Gegenereerde code is een tekstueel resultaat; het uitvoeren ervan, het inspecteren van een gerenderde interface of het toepassen in een repository vereist de gekoppelde omgeving.
Gespreksvoorbereiding en training
De modelkaart demonstreert de bijbehorende processor en het chatsjabloon met twee afbeeldingen en een schriftelijke vergelijkingsvraag. Houd gespreksrollen en de koppeling tussen afbeeldingen en tekst expliciet. Een systeeminstructie kan doelgroep, toon en antwoordstructuur definiëren, terwijl het gebruikersbericht de werkelijke taak en het bewijsmateriaal aanlevert. De maker beschrijft verbeteringen door natraining in de stuurbaarheid via systeemprompts en de gespreksopmaak.
Maverick is voorgetraind op ongeveer 22 biljoen tokens aan multimodale data, met een opgegeven kennisgrens van augustus 2024 voor de voortrainingsdata. Dit is een statische grens van de trainingsdata, geen live toegang tot actuele informatie. Lever bij een vraag die van nieuwer of privémateriaal afhangt dat materiaal aan als broncontext of via een afzonderlijk gekoppelde ophaalbewerking.
De release omvat BF16-gewichten en afzonderlijk gekwantiseerde FP8-gewichten. Die precisiekeuzes creëren geen andere invoermodaliteit en geven Maverick niet de context van 10M van Scout. Behoud het exacte Instruct-checkpoint en de configuratie bij het vergelijken van een herhaalde taak of een afgeleide implementatie.
Praktisch resultaatontwerp
Een taak met documentafbeeldingen kan de bronidentifier, zichtbare uitspraak, geëxtraheerde waarde en interpretatie als afzonderlijke velden opvragen. Een gespreksuitleg kan de oorspronkelijke termen behouden en de tekst aanpassen aan de ondersteunde taal van de lezer. Een programmeerverzoek kan het herziene fragment en voorbeelden teruggeven die het beoogde gedrag onderscheiden.
Definieer hoe het eindresultaat zal worden gebruikt voordat je het materiaal aanlevert. Een kort bijschrift, vergelijkingstabel en voorgesteld programma lossen verschillende taken op, ook wanneer ze dezelfde afbeeldingen gebruiken. De visuele en taalmogelijkheden van het model leveren interpretatie en tekst; externe informatieophaling, uitvoering of bestandsproductie komt van applicatieonderdelen.
Specifieke grenzen
De hier gedocumenteerde invoer is tekst en afbeeldingen, met tekst en code als uitvoer. Audio- of videobegrip, spraakgeneratie en de benoemde instellingen voor redeneerinspanning van Muse Spark mogen niet aan deze Maverick-editie worden toegeschreven. Llama Guard is ook een afzonderlijk getrainde classificator, in plaats van automatische classificatoruitvoer bij een Maverick-antwoord.
Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling en de geraadpleegde bronnen stellen geen afzonderlijke harde bovengrens voor uitvoertokens vast buiten de contextspecificatie van het model. Houd de Maverick-identiteit, het bereik van ondersteunde talen en het eindresultaat met bronverwijzingen expliciet, in plaats van grenzen of modi van een andere Llama-release over te nemen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten llama-4-maverick | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
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 |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
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 $0.000375 / 1K tokens Uitvoer · Uitvoertokens $0.001305 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.000375 / 1K tokens Uitvoer · Uitvoertokens $0.001305 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick is het native tekst- en beeldmodel van Meta in de Instruct-editie, met 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal. De maker documenteert een context van 1M, meertalige tekst- en code-uitvoer, visuele herkenning, bijschriften en vragen over afbeeldingen in een release die losstaat van Scout.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama 4 Maverick Instruct is het van oorsprong multimodale model van Meta voor assistentgesprekken en visueel redeneren. Het ontvangt meertalige tekst en afbeeldingen en genereert meertalige tekst of code. De mixture-of-experts-architectuur gebruikt early fusion en combineert visuele en tekstuele informatie binnen het model, in plaats van de afbeelding te behandelen als een losstaand bijschrift dat door een afzonderlijke tekstassistent is aangeleverd.
Modelinformatie en context
De maker vermeldt 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal voor Maverick. Die verschillen van de configuratie van Scout met 16 experts en 109 miljard parameters in totaal, hoewel beide het label 17B voor de actieve grootte dragen. De naam Instruct identificeert het op assistenten gerichte checkpoint, in plaats van het voorgetrainde Maverick-model.
De modelkaart documenteert een contextvenster van 1M voor Maverick. Gebruik de context om de relevante passages, afbeeldingen, het gesprek en het gevraagde antwoord bij elkaar te houden. Een grote bronverzameling heeft nog steeds een afgebakende vraag en een concreet resultaat nodig. Geef de brondocumenten en afbeeldingen labels en vraag om de onderbouwende locatie bij elke geëxtraheerde bevinding, in plaats van om een ongerichte samenvatting van al het materiaal te vragen.
De ondersteunde talen zijn Arabisch, Engels, Frans, Duits, Hindi, Indonesisch, Italiaans, Portugees, Spaans, Tagalog, Thai en Vietnamees. De maker onderscheidt deze twaalf ondersteunde talen van de bredere verzameling van ongeveer tweehonderd talen die in de voortraining is gebruikt. Aanwezigheid van een taal in de training mag niet worden vertaald naar een belofte van gelijke mogelijkheden voor elke taal.
Chat-, beeld- en programmeertaken
De beoogde visuele toepassingen op de modelkaart omvatten herkenning, beeldredenering, bijschriften schrijven en algemene vragen over een afbeelding beantwoorden. Vraag het model voor een foto de objecten of relaties te identificeren die relevant zijn voor de taak. Vraag voor een grafiek om een vergelijking tussen benoemde reeksen, met behoud van assen en eenheden. Vraag voor een diagram welke gelabelde verbinding een aangeleverde eis ondersteunt.
Benoem bij een vergelijking van meerdere afbeeldingen de rol van elke afbeelding en vraag voor alle afbeeldingen om dezelfde criteria. Lever bijvoorbeeld een oorspronkelijk ontwerp en een herziening aan en vraag vervolgens om zichtbare overeenkomsten, verschillen en details die de afbeeldingen niet aantonen. Houd de waarnemingen gescheiden van conclusies die van de begeleidende tekst afhangen. Zo kan de uitvoer eenvoudiger aan de hand van de werkelijke bron worden geïnspecteerd.
De maker meldt beeldbegrip te hebben getest met maximaal vijf invoerafbeeldingen. Dat is het gedocumenteerde testbereik, geen onvoorwaardelijke harde bovengrens voor het aantal afbeeldingen. Behoud de details die nodig zijn voor de vraag en de volgorde van de afbeeldingen. Veel niet-gerelateerde afbeeldingen toevoegen bepaalt op zichzelf niet wat moet worden vergeleken.
Lever voor een programmeertaak de eis, relevante broncode en het verwachte gedrag aan. Vraag de voorgestelde implementatie los van de aannamen en voorbeelden op. Een screenshot kan visuele eisen leveren, terwijl de tekstuele voorwaarde gedrag beschrijft dat het screenshot niet kan tonen. Gegenereerde code is een tekstueel resultaat; het uitvoeren ervan, het inspecteren van een gerenderde interface of het toepassen in een repository vereist de gekoppelde omgeving.
Gespreksvoorbereiding en training
De modelkaart demonstreert de bijbehorende processor en het chatsjabloon met twee afbeeldingen en een schriftelijke vergelijkingsvraag. Houd gespreksrollen en de koppeling tussen afbeeldingen en tekst expliciet. Een systeeminstructie kan doelgroep, toon en antwoordstructuur definiëren, terwijl het gebruikersbericht de werkelijke taak en het bewijsmateriaal aanlevert. De maker beschrijft verbeteringen door natraining in de stuurbaarheid via systeemprompts en de gespreksopmaak.
Maverick is voorgetraind op ongeveer 22 biljoen tokens aan multimodale data, met een opgegeven kennisgrens van augustus 2024 voor de voortrainingsdata. Dit is een statische grens van de trainingsdata, geen live toegang tot actuele informatie. Lever bij een vraag die van nieuwer of privémateriaal afhangt dat materiaal aan als broncontext of via een afzonderlijk gekoppelde ophaalbewerking.
De release omvat BF16-gewichten en afzonderlijk gekwantiseerde FP8-gewichten. Die precisiekeuzes creëren geen andere invoermodaliteit en geven Maverick niet de context van 10M van Scout. Behoud het exacte Instruct-checkpoint en de configuratie bij het vergelijken van een herhaalde taak of een afgeleide implementatie.
Praktisch resultaatontwerp
Een taak met documentafbeeldingen kan de bronidentifier, zichtbare uitspraak, geëxtraheerde waarde en interpretatie als afzonderlijke velden opvragen. Een gespreksuitleg kan de oorspronkelijke termen behouden en de tekst aanpassen aan de ondersteunde taal van de lezer. Een programmeerverzoek kan het herziene fragment en voorbeelden teruggeven die het beoogde gedrag onderscheiden.
Definieer hoe het eindresultaat zal worden gebruikt voordat je het materiaal aanlevert. Een kort bijschrift, vergelijkingstabel en voorgesteld programma lossen verschillende taken op, ook wanneer ze dezelfde afbeeldingen gebruiken. De visuele en taalmogelijkheden van het model leveren interpretatie en tekst; externe informatieophaling, uitvoering of bestandsproductie komt van applicatieonderdelen.
Specifieke grenzen
De hier gedocumenteerde invoer is tekst en afbeeldingen, met tekst en code als uitvoer. Audio- of videobegrip, spraakgeneratie en de benoemde instellingen voor redeneerinspanning van Muse Spark mogen niet aan deze Maverick-editie worden toegeschreven. Llama Guard is ook een afzonderlijk getrainde classificator, in plaats van automatische classificatoruitvoer bij een Maverick-antwoord.
Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling en de geraadpleegde bronnen stellen geen afzonderlijke harde bovengrens voor uitvoertokens vast buiten de contextspecificatie van het model. Houd de Maverick-identiteit, het bereik van ondersteunde talen en het eindresultaat met bronverwijzingen expliciet, in plaats van grenzen of modi van een andere Llama-release over te nemen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten llama-4-maverick | 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 $0.000375 / 1K tokens Uitvoer · Uitvoertokens $0.001305 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.000375 / 1K tokens Uitvoer · Uitvoertokens $0.001305 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'llama-4-maverick', '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': 'llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick is het native tekst- en beeldmodel van Meta in de Instruct-editie, met 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal. De maker documenteert een context van 1M, meertalige tekst- en code-uitvoer, visuele herkenning, bijschriften en vragen over afbeeldingen in een release die losstaat van Scout.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama 4 Maverick Instruct is het van oorsprong multimodale model van Meta voor assistentgesprekken en visueel redeneren. Het ontvangt meertalige tekst en afbeeldingen en genereert meertalige tekst of code. De mixture-of-experts-architectuur gebruikt early fusion en combineert visuele en tekstuele informatie binnen het model, in plaats van de afbeelding te behandelen als een losstaand bijschrift dat door een afzonderlijke tekstassistent is aangeleverd.
Modelinformatie en context
De maker vermeldt 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal voor Maverick. Die verschillen van de configuratie van Scout met 16 experts en 109 miljard parameters in totaal, hoewel beide het label 17B voor de actieve grootte dragen. De naam Instruct identificeert het op assistenten gerichte checkpoint, in plaats van het voorgetrainde Maverick-model.
De modelkaart documenteert een contextvenster van 1M voor Maverick. Gebruik de context om de relevante passages, afbeeldingen, het gesprek en het gevraagde antwoord bij elkaar te houden. Een grote bronverzameling heeft nog steeds een afgebakende vraag en een concreet resultaat nodig. Geef de brondocumenten en afbeeldingen labels en vraag om de onderbouwende locatie bij elke geëxtraheerde bevinding, in plaats van om een ongerichte samenvatting van al het materiaal te vragen.
De ondersteunde talen zijn Arabisch, Engels, Frans, Duits, Hindi, Indonesisch, Italiaans, Portugees, Spaans, Tagalog, Thai en Vietnamees. De maker onderscheidt deze twaalf ondersteunde talen van de bredere verzameling van ongeveer tweehonderd talen die in de voortraining is gebruikt. Aanwezigheid van een taal in de training mag niet worden vertaald naar een belofte van gelijke mogelijkheden voor elke taal.
Chat-, beeld- en programmeertaken
De beoogde visuele toepassingen op de modelkaart omvatten herkenning, beeldredenering, bijschriften schrijven en algemene vragen over een afbeelding beantwoorden. Vraag het model voor een foto de objecten of relaties te identificeren die relevant zijn voor de taak. Vraag voor een grafiek om een vergelijking tussen benoemde reeksen, met behoud van assen en eenheden. Vraag voor een diagram welke gelabelde verbinding een aangeleverde eis ondersteunt.
Benoem bij een vergelijking van meerdere afbeeldingen de rol van elke afbeelding en vraag voor alle afbeeldingen om dezelfde criteria. Lever bijvoorbeeld een oorspronkelijk ontwerp en een herziening aan en vraag vervolgens om zichtbare overeenkomsten, verschillen en details die de afbeeldingen niet aantonen. Houd de waarnemingen gescheiden van conclusies die van de begeleidende tekst afhangen. Zo kan de uitvoer eenvoudiger aan de hand van de werkelijke bron worden geïnspecteerd.
De maker meldt beeldbegrip te hebben getest met maximaal vijf invoerafbeeldingen. Dat is het gedocumenteerde testbereik, geen onvoorwaardelijke harde bovengrens voor het aantal afbeeldingen. Behoud de details die nodig zijn voor de vraag en de volgorde van de afbeeldingen. Veel niet-gerelateerde afbeeldingen toevoegen bepaalt op zichzelf niet wat moet worden vergeleken.
Lever voor een programmeertaak de eis, relevante broncode en het verwachte gedrag aan. Vraag de voorgestelde implementatie los van de aannamen en voorbeelden op. Een screenshot kan visuele eisen leveren, terwijl de tekstuele voorwaarde gedrag beschrijft dat het screenshot niet kan tonen. Gegenereerde code is een tekstueel resultaat; het uitvoeren ervan, het inspecteren van een gerenderde interface of het toepassen in een repository vereist de gekoppelde omgeving.
Gespreksvoorbereiding en training
De modelkaart demonstreert de bijbehorende processor en het chatsjabloon met twee afbeeldingen en een schriftelijke vergelijkingsvraag. Houd gespreksrollen en de koppeling tussen afbeeldingen en tekst expliciet. Een systeeminstructie kan doelgroep, toon en antwoordstructuur definiëren, terwijl het gebruikersbericht de werkelijke taak en het bewijsmateriaal aanlevert. De maker beschrijft verbeteringen door natraining in de stuurbaarheid via systeemprompts en de gespreksopmaak.
Maverick is voorgetraind op ongeveer 22 biljoen tokens aan multimodale data, met een opgegeven kennisgrens van augustus 2024 voor de voortrainingsdata. Dit is een statische grens van de trainingsdata, geen live toegang tot actuele informatie. Lever bij een vraag die van nieuwer of privémateriaal afhangt dat materiaal aan als broncontext of via een afzonderlijk gekoppelde ophaalbewerking.
De release omvat BF16-gewichten en afzonderlijk gekwantiseerde FP8-gewichten. Die precisiekeuzes creëren geen andere invoermodaliteit en geven Maverick niet de context van 10M van Scout. Behoud het exacte Instruct-checkpoint en de configuratie bij het vergelijken van een herhaalde taak of een afgeleide implementatie.
Praktisch resultaatontwerp
Een taak met documentafbeeldingen kan de bronidentifier, zichtbare uitspraak, geëxtraheerde waarde en interpretatie als afzonderlijke velden opvragen. Een gespreksuitleg kan de oorspronkelijke termen behouden en de tekst aanpassen aan de ondersteunde taal van de lezer. Een programmeerverzoek kan het herziene fragment en voorbeelden teruggeven die het beoogde gedrag onderscheiden.
Definieer hoe het eindresultaat zal worden gebruikt voordat je het materiaal aanlevert. Een kort bijschrift, vergelijkingstabel en voorgesteld programma lossen verschillende taken op, ook wanneer ze dezelfde afbeeldingen gebruiken. De visuele en taalmogelijkheden van het model leveren interpretatie en tekst; externe informatieophaling, uitvoering of bestandsproductie komt van applicatieonderdelen.
Specifieke grenzen
De hier gedocumenteerde invoer is tekst en afbeeldingen, met tekst en code als uitvoer. Audio- of videobegrip, spraakgeneratie en de benoemde instellingen voor redeneerinspanning van Muse Spark mogen niet aan deze Maverick-editie worden toegeschreven. Llama Guard is ook een afzonderlijk getrainde classificator, in plaats van automatische classificatoruitvoer bij een Maverick-antwoord.
Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling en de geraadpleegde bronnen stellen geen afzonderlijke harde bovengrens voor uitvoertokens vast buiten de contextspecificatie van het model. Houd de Maverick-identiteit, het bereik van ondersteunde talen en het eindresultaat met bronverwijzingen expliciet, in plaats van grenzen of modi van een andere Llama-release over te nemen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokens Uitvoer · Uitvoertokens $0.001305 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.000375 / 1K tokens Uitvoer · Uitvoertokens $0.001305 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick is het native tekst- en beeldmodel van Meta in de Instruct-editie, met 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal. De maker documenteert een context van 1M, meertalige tekst- en code-uitvoer, visuele herkenning, bijschriften en vragen over afbeeldingen in een release die losstaat van Scout.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama 4 Maverick Instruct is het van oorsprong multimodale model van Meta voor assistentgesprekken en visueel redeneren. Het ontvangt meertalige tekst en afbeeldingen en genereert meertalige tekst of code. De mixture-of-experts-architectuur gebruikt early fusion en combineert visuele en tekstuele informatie binnen het model, in plaats van de afbeelding te behandelen als een losstaand bijschrift dat door een afzonderlijke tekstassistent is aangeleverd.
Modelinformatie en context
De maker vermeldt 128 experts, 17 miljard actieve parameters en 400 miljard parameters in totaal voor Maverick. Die verschillen van de configuratie van Scout met 16 experts en 109 miljard parameters in totaal, hoewel beide het label 17B voor de actieve grootte dragen. De naam Instruct identificeert het op assistenten gerichte checkpoint, in plaats van het voorgetrainde Maverick-model.
De modelkaart documenteert een contextvenster van 1M voor Maverick. Gebruik de context om de relevante passages, afbeeldingen, het gesprek en het gevraagde antwoord bij elkaar te houden. Een grote bronverzameling heeft nog steeds een afgebakende vraag en een concreet resultaat nodig. Geef de brondocumenten en afbeeldingen labels en vraag om de onderbouwende locatie bij elke geëxtraheerde bevinding, in plaats van om een ongerichte samenvatting van al het materiaal te vragen.
De ondersteunde talen zijn Arabisch, Engels, Frans, Duits, Hindi, Indonesisch, Italiaans, Portugees, Spaans, Tagalog, Thai en Vietnamees. De maker onderscheidt deze twaalf ondersteunde talen van de bredere verzameling van ongeveer tweehonderd talen die in de voortraining is gebruikt. Aanwezigheid van een taal in de training mag niet worden vertaald naar een belofte van gelijke mogelijkheden voor elke taal.
Chat-, beeld- en programmeertaken
De beoogde visuele toepassingen op de modelkaart omvatten herkenning, beeldredenering, bijschriften schrijven en algemene vragen over een afbeelding beantwoorden. Vraag het model voor een foto de objecten of relaties te identificeren die relevant zijn voor de taak. Vraag voor een grafiek om een vergelijking tussen benoemde reeksen, met behoud van assen en eenheden. Vraag voor een diagram welke gelabelde verbinding een aangeleverde eis ondersteunt.
Benoem bij een vergelijking van meerdere afbeeldingen de rol van elke afbeelding en vraag voor alle afbeeldingen om dezelfde criteria. Lever bijvoorbeeld een oorspronkelijk ontwerp en een herziening aan en vraag vervolgens om zichtbare overeenkomsten, verschillen en details die de afbeeldingen niet aantonen. Houd de waarnemingen gescheiden van conclusies die van de begeleidende tekst afhangen. Zo kan de uitvoer eenvoudiger aan de hand van de werkelijke bron worden geïnspecteerd.
De maker meldt beeldbegrip te hebben getest met maximaal vijf invoerafbeeldingen. Dat is het gedocumenteerde testbereik, geen onvoorwaardelijke harde bovengrens voor het aantal afbeeldingen. Behoud de details die nodig zijn voor de vraag en de volgorde van de afbeeldingen. Veel niet-gerelateerde afbeeldingen toevoegen bepaalt op zichzelf niet wat moet worden vergeleken.
Lever voor een programmeertaak de eis, relevante broncode en het verwachte gedrag aan. Vraag de voorgestelde implementatie los van de aannamen en voorbeelden op. Een screenshot kan visuele eisen leveren, terwijl de tekstuele voorwaarde gedrag beschrijft dat het screenshot niet kan tonen. Gegenereerde code is een tekstueel resultaat; het uitvoeren ervan, het inspecteren van een gerenderde interface of het toepassen in een repository vereist de gekoppelde omgeving.
Gespreksvoorbereiding en training
De modelkaart demonstreert de bijbehorende processor en het chatsjabloon met twee afbeeldingen en een schriftelijke vergelijkingsvraag. Houd gespreksrollen en de koppeling tussen afbeeldingen en tekst expliciet. Een systeeminstructie kan doelgroep, toon en antwoordstructuur definiëren, terwijl het gebruikersbericht de werkelijke taak en het bewijsmateriaal aanlevert. De maker beschrijft verbeteringen door natraining in de stuurbaarheid via systeemprompts en de gespreksopmaak.
Maverick is voorgetraind op ongeveer 22 biljoen tokens aan multimodale data, met een opgegeven kennisgrens van augustus 2024 voor de voortrainingsdata. Dit is een statische grens van de trainingsdata, geen live toegang tot actuele informatie. Lever bij een vraag die van nieuwer of privémateriaal afhangt dat materiaal aan als broncontext of via een afzonderlijk gekoppelde ophaalbewerking.
De release omvat BF16-gewichten en afzonderlijk gekwantiseerde FP8-gewichten. Die precisiekeuzes creëren geen andere invoermodaliteit en geven Maverick niet de context van 10M van Scout. Behoud het exacte Instruct-checkpoint en de configuratie bij het vergelijken van een herhaalde taak of een afgeleide implementatie.
Praktisch resultaatontwerp
Een taak met documentafbeeldingen kan de bronidentifier, zichtbare uitspraak, geëxtraheerde waarde en interpretatie als afzonderlijke velden opvragen. Een gespreksuitleg kan de oorspronkelijke termen behouden en de tekst aanpassen aan de ondersteunde taal van de lezer. Een programmeerverzoek kan het herziene fragment en voorbeelden teruggeven die het beoogde gedrag onderscheiden.
Definieer hoe het eindresultaat zal worden gebruikt voordat je het materiaal aanlevert. Een kort bijschrift, vergelijkingstabel en voorgesteld programma lossen verschillende taken op, ook wanneer ze dezelfde afbeeldingen gebruiken. De visuele en taalmogelijkheden van het model leveren interpretatie en tekst; externe informatieophaling, uitvoering of bestandsproductie komt van applicatieonderdelen.
Specifieke grenzen
De hier gedocumenteerde invoer is tekst en afbeeldingen, met tekst en code als uitvoer. Audio- of videobegrip, spraakgeneratie en de benoemde instellingen voor redeneerinspanning van Muse Spark mogen niet aan deze Maverick-editie worden toegeschreven. Llama Guard is ook een afzonderlijk getrainde classificator, in plaats van automatische classificatoruitvoer bij een Maverick-antwoord.
Het generatievoorbeeld van 256 tokens op de modelkaart is een voorbeeldinstelling en de geraadpleegde bronnen stellen geen afzonderlijke harde bovengrens voor uitvoertokens vast buiten de contextspecificatie van het model. Houd de Maverick-identiteit, het bereik van ondersteunde talen en het eindresultaat met bronverwijzingen expliciet, in plaats van grenzen of modi van een andere Llama-release over te nemen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokens Uitvoer · Uitvoertokens $0.001305 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.000375 / 1K tokens Uitvoer · Uitvoertokens $0.001305 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Technisch voorbeeld in het Engels
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.