Llama Guard 4 12B is de van oorsprong multimodale veiligheidsclassificator van Meta met 12 miljard parameters. Het wordt gezamenlijk op tekst en meerdere afbeeldingen getraind en genereert een tekstuele classificatie: safe of unsafe, met de geschonden risicocategorieën wanneer het resultaat unsafe is. Het doel is inhoud in een prompt of gegenereerd antwoord te beoordelen, in plaats van als algemene chatassistent op te treden.
Classificatie van prompts en antwoorden
Het model kan materiaal classificeren voordat het naar een generatief model wordt gestuurd, nadat dat model een antwoord produceert of op beide momenten. Dit zijn verschillende vragen. Promptclassificatie beoordeelt de gebruikersinvoer, terwijl antwoordclassificatie beoordeelt wat een assistent daadwerkelijk heeft geschreven. Een systeem kan zo een riskant verzoek onderscheiden van een antwoord dat het verzoek volgens de taxonomie van de classificator op een aanvaardbare manier behandelt.
Lever de exacte te classificeren inhoud aan met de gespreksrollen en relevante context. Behoud, wanneer een antwoord wordt beoordeeld, de vraag die het antwoord betekenis geeft. Voeg bij gemengde tekst- en afbeeldingsinvoer de afbeeldingen toe die bij die prompt horen, in plaats van niet-gerelateerde tekst of één willekeurig geselecteerde afbeelding te classificeren. Het classificatieresultaat is informatie voor de regel- of beoordelingsstap van de applicatie; het blokkeert zelf geen verzoek en wijzigt geen bestand.
Veertien risicocategorieën
De maker stemt de classificator af op de risicotaxonomie van MLCommons en voegt een categorie voor code-interpreters toe die uitsluitend tekst betreft. De veertien labels omvatten geweldsmisdrijven, niet-gewelddadige misdrijven, zedenmisdrijven, seksuele uitbuiting van kinderen, smaad, gespecialiseerd advies, privacy, intellectueel eigendom, wapens die zonder onderscheid treffen, haat, zelfdoding en zelfbeschadiging, seksuele inhoud, verkiezingen en misbruik van code-interpreters.
De categorieën gebruiken de identifiers S1 tot en met S14. S14, Code Interpreter Abuse, is specifiek bedoeld voor toepassingen met uitsluitend tekstuele toolaanroepen. Bewaar de taxonomie-identifier bij het resultaat safe/unsafe, zodat een latere applicatiestap de classificatie volgens dezelfde categoriedefinities kan interpreteren. Een kort resultaat is een oordeel over een categorie, geen volledige uitleg, juridische vaststelling of garantie dat elke mogelijke schade is gedetecteerd.
Als voorbeeldformaat kan een classificatie unsafe worden gevolgd door de toepasselijke categorie-identifier. Bewaar de oorspronkelijke beoordeelde tekst, de bron of gesprekspositie en de teruggegeven labels samen. Door die koppeling kan een applicatie de onderzochte inhoud onderscheiden van een later herschreven antwoord of een afzonderlijke prompt.
Architectuur en training
Llama Guard 4 heeft een dense Transformer-architectuur met early fusion, die door pruning uit een voorgetraind Llama 4 Scout-checkpoint is afgeleid. De maker verwijdert gerouteerde experts en routerlagen en behoudt de gedeelde dense expert, waarna het resulterende model wordt nagetraind voor inhoudsclassificatie. Na die pruningstap wordt geen aanvullende voortraining uitgevoerd. Dit levert een ander model op dan de mixture-of-experts-chateditie van Scout.
Het model deelt de tokenizer en beeldencoder van Llama 4 en combineert classificatietraining met uitsluitend tekst en multimodale classificatietraining. De maker beschrijft meertalige data en training met meerdere afbeeldingen, waarbij de meeste van die voorbeelden twee tot vijf afbeeldingen bevatten en de verhouding tussen uitsluitend tekstuele en multimodale data ongeveer drie op één is. Dit zijn trainingskenmerken, geen harde limieten voor het aantal invoerelementen.
Het gedocumenteerde meertalige bereik volgt de door Llama Guard 3 ondersteunde talen en de modelkaart bespreekt Engels samen met Frans, Duits, Hindi, Italiaans, Portugees, Spaans en Thai. Een classificatieverzoek moet de werkelijke formulering en visuele context in de beoordeelde taal behouden, in plaats van de inhoud door een niet-gerelateerde samenvatting te vervangen.
Een bruikbaar classificatieresultaat voorbereiden
Lever voor een invoercontrole het gebruikersbericht en de bijbehorende afbeeldingen aan en vraag om promptclassificatie in het formaat van de maker. Lever voor een uitvoercontrole het werkelijke antwoord van de assistent samen met het relevante eerdere bericht aan. Een voorbeeld met meerdere afbeeldingen kan de verbindende tekst behouden, zodat het model het gecombineerde verzoek beoordeelt in plaats van losse fragmenten zonder context.
De modelkaart demonstreert het toepassen van het bijbehorende gesprekssjabloon en het decoderen van alleen de gegenereerde classificatie. Het generatievoorbeeld van tien tokens illustreert een kort labelresultaat; dat getal is geen afzonderlijke maximale antwoordcapaciteit. Houd de gevraagde uitvoer in lijn met het doel van de classificator, in plaats van om een gewoon gespreksantwoord te vragen.
Specifieke beperkingen
De maker stelt dat oordelen beperkt kunnen zijn door de trainingsdata, alledaagse kennis, taaldekking en beleidsdekking van het model. Categorieën rond smaad, intellectueel eigendom en verkiezingen kunnen feitelijke, actuele kennis vereisen die de classificator mogelijk niet heeft. Het categorielabel moet daarom verbonden blijven met de inhoud en de informatie die voor die beoordeling beschikbaar is.
De modelkaart meldt dat vooral is getest op prompts met enkele afbeeldingen, meestal drie, en merkt op dat het gedrag bij een veel grotere verzameling afbeeldingen kan verschillen. Dit beschrijft het geteste bereik, geen universeel maximum van drie afbeeldingen. Het model kan ook gevoelig zijn voor adversariële inhoud of promptinjectie die het beoogde gedrag verandert.
De classificatorrol van Llama Guard 4 mag niet de contextspecificatie of algemene assistentmogelijkheden van Scout overnemen alleen omdat het model door pruning uit Scout is afgeleid. De geraadpleegde modelkaart geeft geen afzonderlijke harde context- of uitvoertokencapaciteit voor deze classificator. Bewaar het beoordeelde materiaal en de taxonomielabels als praktisch resultaat en laat de applicatie bepalen welke actie bij dat resultaat hoort.
", "aboutText": "Llama Guard 4 12B is de van oorsprong multimodale veiligheidsclassificator van Meta met 12 miljard parameters. Het wordt gezamenlijk op tekst en meerdere afbeeldingen getraind en genereert een tekstuele classificatie: safe of unsafe, met de geschonden risicocategorieën wanneer het resultaat unsafe is. Het doel is inhoud in een prompt of gegenereerd antwoord te beoordelen, in plaats van als algemene chatassistent op te treden.\n\nClassificatie van prompts en antwoorden\n\nHet model kan materiaal classificeren voordat het naar een generatief model wordt gestuurd, nadat dat model een antwoord produceert of op beide momenten. Dit zijn verschillende vragen. Promptclassificatie beoordeelt de gebruikersinvoer, terwijl antwoordclassificatie beoordeelt wat een assistent daadwerkelijk heeft geschreven. Een systeem kan zo een riskant verzoek onderscheiden van een antwoord dat het verzoek volgens de taxonomie van de classificator op een aanvaardbare manier behandelt.\n\nLever de exacte te classificeren inhoud aan met de gespreksrollen en relevante context. Behoud, wanneer een antwoord wordt beoordeeld, de vraag die het antwoord betekenis geeft. Voeg bij gemengde tekst- en afbeeldingsinvoer de afbeeldingen toe die bij die prompt horen, in plaats van niet-gerelateerde tekst of één willekeurig geselecteerde afbeelding te classificeren. Het classificatieresultaat is informatie voor de regel- of beoordelingsstap van de applicatie; het blokkeert zelf geen verzoek en wijzigt geen bestand.\n\nVeertien risicocategorieën\n\nDe maker stemt de classificator af op de risicotaxonomie van MLCommons en voegt een categorie voor code-interpreters toe die uitsluitend tekst betreft. De veertien labels omvatten geweldsmisdrijven, niet-gewelddadige misdrijven, zedenmisdrijven, seksuele uitbuiting van kinderen, smaad, gespecialiseerd advies, privacy, intellectueel eigendom, wapens die zonder onderscheid treffen, haat, zelfdoding en zelfbeschadiging, seksuele inhoud, verkiezingen en misbruik van code-interpreters.\n\nDe categorieën gebruiken de identifiers S1 tot en met S14. S14, Code Interpreter Abuse, is specifiek bedoeld voor toepassingen met uitsluitend tekstuele toolaanroepen. Bewaar de taxonomie-identifier bij het resultaat safe/unsafe, zodat een latere applicatiestap de classificatie volgens dezelfde categoriedefinities kan interpreteren. Een kort resultaat is een oordeel over een categorie, geen volledige uitleg, juridische vaststelling of garantie dat elke mogelijke schade is gedetecteerd.\n\nAls voorbeeldformaat kan een classificatie unsafe worden gevolgd door de toepasselijke categorie-identifier. Bewaar de oorspronkelijke beoordeelde tekst, de bron of gesprekspositie en de teruggegeven labels samen. Door die koppeling kan een applicatie de onderzochte inhoud onderscheiden van een later herschreven antwoord of een afzonderlijke prompt.\n\nArchitectuur en training\n\nLlama Guard 4 heeft een dense Transformer-architectuur met early fusion, die door pruning uit een voorgetraind Llama 4 Scout-checkpoint is afgeleid. De maker verwijdert gerouteerde experts en routerlagen en behoudt de gedeelde dense expert, waarna het resulterende model wordt nagetraind voor inhoudsclassificatie. Na die pruningstap wordt geen aanvullende voortraining uitgevoerd. Dit levert een ander model op dan de mixture-of-experts-chateditie van Scout.\n\nHet model deelt de tokenizer en beeldencoder van Llama 4 en combineert classificatietraining met uitsluitend tekst en multimodale classificatietraining. De maker beschrijft meertalige data en training met meerdere afbeeldingen, waarbij de meeste van die voorbeelden twee tot vijf afbeeldingen bevatten en de verhouding tussen uitsluitend tekstuele en multimodale data ongeveer drie op één is. Dit zijn trainingskenmerken, geen harde limieten voor het aantal invoerelementen.\n\nHet gedocumenteerde meertalige bereik volgt de door Llama Guard 3 ondersteunde talen en de modelkaart bespreekt Engels samen met Frans, Duits, Hindi, Italiaans, Portugees, Spaans en Thai. Een classificatieverzoek moet de werkelijke formulering en visuele context in de beoordeelde taal behouden, in plaats van de inhoud door een niet-gerelateerde samenvatting te vervangen.\n\nEen bruikbaar classificatieresultaat voorbereiden\n\nLever voor een invoercontrole het gebruikersbericht en de bijbehorende afbeeldingen aan en vraag om promptclassificatie in het formaat van de maker. Lever voor een uitvoercontrole het werkelijke antwoord van de assistent samen met het relevante eerdere bericht aan. Een voorbeeld met meerdere afbeeldingen kan de verbindende tekst behouden, zodat het model het gecombineerde verzoek beoordeelt in plaats van losse fragmenten zonder context.\n\nDe modelkaart demonstreert het toepassen van het bijbehorende gesprekssjabloon en het decoderen van alleen de gegenereerde classificatie. Het generatievoorbeeld van tien tokens illustreert een kort labelresultaat; dat getal is geen afzonderlijke maximale antwoordcapaciteit. Houd de gevraagde uitvoer in lijn met het doel van de classificator, in plaats van om een gewoon gespreksantwoord te vragen.\n\nSpecifieke beperkingen\n\nDe maker stelt dat oordelen beperkt kunnen zijn door de trainingsdata, alledaagse kennis, taaldekking en beleidsdekking van het model. Categorieën rond smaad, intellectueel eigendom en verkiezingen kunnen feitelijke, actuele kennis vereisen die de classificator mogelijk niet heeft. Het categorielabel moet daarom verbonden blijven met de inhoud en de informatie die voor die beoordeling beschikbaar is.\n\nDe modelkaart meldt dat vooral is getest op prompts met enkele afbeeldingen, meestal drie, en merkt op dat het gedrag bij een veel grotere verzameling afbeeldingen kan verschillen. Dit beschrijft het geteste bereik, geen universeel maximum van drie afbeeldingen. Het model kan ook gevoelig zijn voor adversariële inhoud of promptinjectie die het beoogde gedrag verandert.\n\nDe classificatorrol van Llama Guard 4 mag niet de contextspecificatie of algemene assistentmogelijkheden van Scout overnemen alleen omdat het model door pruning uit Scout is afgeleid. De geraadpleegde modelkaart geeft geen afzonderlijke harde context- of uitvoertokencapaciteit voor deze classificator. Bewaar het beoordeelde materiaal en de taxonomielabels als praktisch resultaat en laat de applicatie bepalen welke actie bij dat resultaat hoort.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B is de multimodale inhoudsclassificator van Meta voor prompts en gegenereerde antwoorden. Het analyseert tekst met één of meer afbeeldingen en geeft een label safe/unsafe plus de toepasselijke risicocategorieën terug, met een dense architectuur die door pruning uit Llama 4 Scout is afgeleid.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama Guard 4 12B is de van oorsprong multimodale veiligheidsclassificator van Meta met 12 miljard parameters. Het wordt gezamenlijk op tekst en meerdere afbeeldingen getraind en genereert een tekstuele classificatie: safe of unsafe, met de geschonden risicocategorieën wanneer het resultaat unsafe is. Het doel is inhoud in een prompt of gegenereerd antwoord te beoordelen, in plaats van als algemene chatassistent op te treden.
Classificatie van prompts en antwoorden
Het model kan materiaal classificeren voordat het naar een generatief model wordt gestuurd, nadat dat model een antwoord produceert of op beide momenten. Dit zijn verschillende vragen. Promptclassificatie beoordeelt de gebruikersinvoer, terwijl antwoordclassificatie beoordeelt wat een assistent daadwerkelijk heeft geschreven. Een systeem kan zo een riskant verzoek onderscheiden van een antwoord dat het verzoek volgens de taxonomie van de classificator op een aanvaardbare manier behandelt.
Lever de exacte te classificeren inhoud aan met de gespreksrollen en relevante context. Behoud, wanneer een antwoord wordt beoordeeld, de vraag die het antwoord betekenis geeft. Voeg bij gemengde tekst- en afbeeldingsinvoer de afbeeldingen toe die bij die prompt horen, in plaats van niet-gerelateerde tekst of één willekeurig geselecteerde afbeelding te classificeren. Het classificatieresultaat is informatie voor de regel- of beoordelingsstap van de applicatie; het blokkeert zelf geen verzoek en wijzigt geen bestand.
Veertien risicocategorieën
De maker stemt de classificator af op de risicotaxonomie van MLCommons en voegt een categorie voor code-interpreters toe die uitsluitend tekst betreft. De veertien labels omvatten geweldsmisdrijven, niet-gewelddadige misdrijven, zedenmisdrijven, seksuele uitbuiting van kinderen, smaad, gespecialiseerd advies, privacy, intellectueel eigendom, wapens die zonder onderscheid treffen, haat, zelfdoding en zelfbeschadiging, seksuele inhoud, verkiezingen en misbruik van code-interpreters.
De categorieën gebruiken de identifiers S1 tot en met S14. S14, Code Interpreter Abuse, is specifiek bedoeld voor toepassingen met uitsluitend tekstuele toolaanroepen. Bewaar de taxonomie-identifier bij het resultaat safe/unsafe, zodat een latere applicatiestap de classificatie volgens dezelfde categoriedefinities kan interpreteren. Een kort resultaat is een oordeel over een categorie, geen volledige uitleg, juridische vaststelling of garantie dat elke mogelijke schade is gedetecteerd.
Als voorbeeldformaat kan een classificatie unsafe worden gevolgd door de toepasselijke categorie-identifier. Bewaar de oorspronkelijke beoordeelde tekst, de bron of gesprekspositie en de teruggegeven labels samen. Door die koppeling kan een applicatie de onderzochte inhoud onderscheiden van een later herschreven antwoord of een afzonderlijke prompt.
Architectuur en training
Llama Guard 4 heeft een dense Transformer-architectuur met early fusion, die door pruning uit een voorgetraind Llama 4 Scout-checkpoint is afgeleid. De maker verwijdert gerouteerde experts en routerlagen en behoudt de gedeelde dense expert, waarna het resulterende model wordt nagetraind voor inhoudsclassificatie. Na die pruningstap wordt geen aanvullende voortraining uitgevoerd. Dit levert een ander model op dan de mixture-of-experts-chateditie van Scout.
Het model deelt de tokenizer en beeldencoder van Llama 4 en combineert classificatietraining met uitsluitend tekst en multimodale classificatietraining. De maker beschrijft meertalige data en training met meerdere afbeeldingen, waarbij de meeste van die voorbeelden twee tot vijf afbeeldingen bevatten en de verhouding tussen uitsluitend tekstuele en multimodale data ongeveer drie op één is. Dit zijn trainingskenmerken, geen harde limieten voor het aantal invoerelementen.
Het gedocumenteerde meertalige bereik volgt de door Llama Guard 3 ondersteunde talen en de modelkaart bespreekt Engels samen met Frans, Duits, Hindi, Italiaans, Portugees, Spaans en Thai. Een classificatieverzoek moet de werkelijke formulering en visuele context in de beoordeelde taal behouden, in plaats van de inhoud door een niet-gerelateerde samenvatting te vervangen.
Een bruikbaar classificatieresultaat voorbereiden
Lever voor een invoercontrole het gebruikersbericht en de bijbehorende afbeeldingen aan en vraag om promptclassificatie in het formaat van de maker. Lever voor een uitvoercontrole het werkelijke antwoord van de assistent samen met het relevante eerdere bericht aan. Een voorbeeld met meerdere afbeeldingen kan de verbindende tekst behouden, zodat het model het gecombineerde verzoek beoordeelt in plaats van losse fragmenten zonder context.
De modelkaart demonstreert het toepassen van het bijbehorende gesprekssjabloon en het decoderen van alleen de gegenereerde classificatie. Het generatievoorbeeld van tien tokens illustreert een kort labelresultaat; dat getal is geen afzonderlijke maximale antwoordcapaciteit. Houd de gevraagde uitvoer in lijn met het doel van de classificator, in plaats van om een gewoon gespreksantwoord te vragen.
Specifieke beperkingen
De maker stelt dat oordelen beperkt kunnen zijn door de trainingsdata, alledaagse kennis, taaldekking en beleidsdekking van het model. Categorieën rond smaad, intellectueel eigendom en verkiezingen kunnen feitelijke, actuele kennis vereisen die de classificator mogelijk niet heeft. Het categorielabel moet daarom verbonden blijven met de inhoud en de informatie die voor die beoordeling beschikbaar is.
De modelkaart meldt dat vooral is getest op prompts met enkele afbeeldingen, meestal drie, en merkt op dat het gedrag bij een veel grotere verzameling afbeeldingen kan verschillen. Dit beschrijft het geteste bereik, geen universeel maximum van drie afbeeldingen. Het model kan ook gevoelig zijn voor adversariële inhoud of promptinjectie die het beoogde gedrag verandert.
De classificatorrol van Llama Guard 4 mag niet de contextspecificatie of algemene assistentmogelijkheden van Scout overnemen alleen omdat het model door pruning uit Scout is afgeleid. De geraadpleegde modelkaart geeft geen afzonderlijke harde context- of uitvoertokencapaciteit voor deze classificator. Bewaar het beoordeelde materiaal en de taxonomielabels als praktisch resultaat en laat de applicatie bepalen welke actie bij dat resultaat hoort.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Uitvoer · Uitvoertokens $0.00036 / 1K tokens Invoer · Cache lezen — / 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 $0.00036 / 1K tokens Uitvoer · Uitvoertokens $0.00036 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-guard-4-12b", "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-guard-4-12b',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-guard-4-12b',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 meta-llama/llama-guard-4-12b
Gebruik de hierboven getoonde methodepaden.
meta-llama/llama-guard-4-12bLlama Guard 4 12B is de multimodale inhoudsclassificator van Meta voor prompts en gegenereerde antwoorden. Het analyseert tekst met één of meer afbeeldingen en geeft een label safe/unsafe plus de toepasselijke risicocategorieën terug, met een dense architectuur die door pruning uit Llama 4 Scout is afgeleid.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Llama Guard 4 12B is de van oorsprong multimodale veiligheidsclassificator van Meta met 12 miljard parameters. Het wordt gezamenlijk op tekst en meerdere afbeeldingen getraind en genereert een tekstuele classificatie: safe of unsafe, met de geschonden risicocategorieën wanneer het resultaat unsafe is. Het doel is inhoud in een prompt of gegenereerd antwoord te beoordelen, in plaats van als algemene chatassistent op te treden.
Classificatie van prompts en antwoorden
Het model kan materiaal classificeren voordat het naar een generatief model wordt gestuurd, nadat dat model een antwoord produceert of op beide momenten. Dit zijn verschillende vragen. Promptclassificatie beoordeelt de gebruikersinvoer, terwijl antwoordclassificatie beoordeelt wat een assistent daadwerkelijk heeft geschreven. Een systeem kan zo een riskant verzoek onderscheiden van een antwoord dat het verzoek volgens de taxonomie van de classificator op een aanvaardbare manier behandelt.
Lever de exacte te classificeren inhoud aan met de gespreksrollen en relevante context. Behoud, wanneer een antwoord wordt beoordeeld, de vraag die het antwoord betekenis geeft. Voeg bij gemengde tekst- en afbeeldingsinvoer de afbeeldingen toe die bij die prompt horen, in plaats van niet-gerelateerde tekst of één willekeurig geselecteerde afbeelding te classificeren. Het classificatieresultaat is informatie voor de regel- of beoordelingsstap van de applicatie; het blokkeert zelf geen verzoek en wijzigt geen bestand.
Veertien risicocategorieën
De maker stemt de classificator af op de risicotaxonomie van MLCommons en voegt een categorie voor code-interpreters toe die uitsluitend tekst betreft. De veertien labels omvatten geweldsmisdrijven, niet-gewelddadige misdrijven, zedenmisdrijven, seksuele uitbuiting van kinderen, smaad, gespecialiseerd advies, privacy, intellectueel eigendom, wapens die zonder onderscheid treffen, haat, zelfdoding en zelfbeschadiging, seksuele inhoud, verkiezingen en misbruik van code-interpreters.
De categorieën gebruiken de identifiers S1 tot en met S14. S14, Code Interpreter Abuse, is specifiek bedoeld voor toepassingen met uitsluitend tekstuele toolaanroepen. Bewaar de taxonomie-identifier bij het resultaat safe/unsafe, zodat een latere applicatiestap de classificatie volgens dezelfde categoriedefinities kan interpreteren. Een kort resultaat is een oordeel over een categorie, geen volledige uitleg, juridische vaststelling of garantie dat elke mogelijke schade is gedetecteerd.
Als voorbeeldformaat kan een classificatie unsafe worden gevolgd door de toepasselijke categorie-identifier. Bewaar de oorspronkelijke beoordeelde tekst, de bron of gesprekspositie en de teruggegeven labels samen. Door die koppeling kan een applicatie de onderzochte inhoud onderscheiden van een later herschreven antwoord of een afzonderlijke prompt.
Architectuur en training
Llama Guard 4 heeft een dense Transformer-architectuur met early fusion, die door pruning uit een voorgetraind Llama 4 Scout-checkpoint is afgeleid. De maker verwijdert gerouteerde experts en routerlagen en behoudt de gedeelde dense expert, waarna het resulterende model wordt nagetraind voor inhoudsclassificatie. Na die pruningstap wordt geen aanvullende voortraining uitgevoerd. Dit levert een ander model op dan de mixture-of-experts-chateditie van Scout.
Het model deelt de tokenizer en beeldencoder van Llama 4 en combineert classificatietraining met uitsluitend tekst en multimodale classificatietraining. De maker beschrijft meertalige data en training met meerdere afbeeldingen, waarbij de meeste van die voorbeelden twee tot vijf afbeeldingen bevatten en de verhouding tussen uitsluitend tekstuele en multimodale data ongeveer drie op één is. Dit zijn trainingskenmerken, geen harde limieten voor het aantal invoerelementen.
Het gedocumenteerde meertalige bereik volgt de door Llama Guard 3 ondersteunde talen en de modelkaart bespreekt Engels samen met Frans, Duits, Hindi, Italiaans, Portugees, Spaans en Thai. Een classificatieverzoek moet de werkelijke formulering en visuele context in de beoordeelde taal behouden, in plaats van de inhoud door een niet-gerelateerde samenvatting te vervangen.
Een bruikbaar classificatieresultaat voorbereiden
Lever voor een invoercontrole het gebruikersbericht en de bijbehorende afbeeldingen aan en vraag om promptclassificatie in het formaat van de maker. Lever voor een uitvoercontrole het werkelijke antwoord van de assistent samen met het relevante eerdere bericht aan. Een voorbeeld met meerdere afbeeldingen kan de verbindende tekst behouden, zodat het model het gecombineerde verzoek beoordeelt in plaats van losse fragmenten zonder context.
De modelkaart demonstreert het toepassen van het bijbehorende gesprekssjabloon en het decoderen van alleen de gegenereerde classificatie. Het generatievoorbeeld van tien tokens illustreert een kort labelresultaat; dat getal is geen afzonderlijke maximale antwoordcapaciteit. Houd de gevraagde uitvoer in lijn met het doel van de classificator, in plaats van om een gewoon gespreksantwoord te vragen.
Specifieke beperkingen
De maker stelt dat oordelen beperkt kunnen zijn door de trainingsdata, alledaagse kennis, taaldekking en beleidsdekking van het model. Categorieën rond smaad, intellectueel eigendom en verkiezingen kunnen feitelijke, actuele kennis vereisen die de classificator mogelijk niet heeft. Het categorielabel moet daarom verbonden blijven met de inhoud en de informatie die voor die beoordeling beschikbaar is.
De modelkaart meldt dat vooral is getest op prompts met enkele afbeeldingen, meestal drie, en merkt op dat het gedrag bij een veel grotere verzameling afbeeldingen kan verschillen. Dit beschrijft het geteste bereik, geen universeel maximum van drie afbeeldingen. Het model kan ook gevoelig zijn voor adversariële inhoud of promptinjectie die het beoogde gedrag verandert.
De classificatorrol van Llama Guard 4 mag niet de contextspecificatie of algemene assistentmogelijkheden van Scout overnemen alleen omdat het model door pruning uit Scout is afgeleid. De geraadpleegde modelkaart geeft geen afzonderlijke harde context- of uitvoertokencapaciteit voor deze classificator. Bewaar het beoordeelde materiaal en de taxonomielabels als praktisch resultaat en laat de applicatie bepalen welke actie bij dat resultaat hoort.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Uitvoer · Uitvoertokens $0.00036 / 1K tokens Invoer · Cache lezen — / 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 $0.00036 / 1K tokens Uitvoer · Uitvoertokens $0.00036 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-guard-4-12b', '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-guard-4-12b', '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 meta-llama/llama-guard-4-12b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.