Gemma 3 27B IT to dostrojona do instrukcji edycja o rozmiarze 27B z rodziny Gemma 3 firmy Google. Łączy generowanie tekstu z rozumieniem obrazów i jest odrębna od wstępnie wytrenowanego punktu kontrolnego 27B oraz mniejszych modeli 4B i 12B IT. Wynikiem jest tekst: wyjaśnienie oparte na źródłach, podsumowanie, szkic dokumentu, odpowiedź lub propozycja kodu. Model dostrojony do instrukcji został zaprojektowany do prowadzenia rozmowy i realizowania żądanego zadania, a nie wyłącznie do surowego uzupełniania tekstu.
Karta producenta podaje dla tego rozmiaru łączny kontekst 128K tokenów. Wejście i wyjście współdzielą tę pojemność, więc wygenerowana odpowiedź wykorzystuje miejsce pozostałe po żądaniu. Duży zbiór powinien zachowywać identyfikatory źródeł i nadal pozostawiać miejsce na wymagany wynik. Widoki obrazów w podstawowej ścieżce są normalizowane do 896×896 i kodowane jako 256 tokenów wizualnych. W łącznej analizie tekstu i obrazu wyjaśnij, jak obraz strony, diagram lub zrzut ekranu wiąże się ze źródłami pisemnymi, aby model odpowiadał na jedno spójne pytanie.
Zgłoszony budżet wstępnego treningu modelu 27B wynosi 14 bilionów tokenów. Dane rodziny obejmują dokumenty internetowe w ponad 140 językach, kod, matematykę i obrazy. Trening wykorzystuje destylację wiedzy, a procedura po treningu dodaje wykonywanie instrukcji i cele uczenia ze wzmocnieniem dotyczące użyteczności, matematyki, programowania, rozumowania i zachowania wielojęzycznego. Fakty te opisują proces rozwoju modelu u producenta. Nie zastępują sprawdzania wygenerowanego twierdzenia względem jego źródła ani uruchomienia proponowanego programu na zamierzonych danych wejściowych.
Raport techniczny opisuje transformer wyłącznie dekoderowy z grouped-query attention i pięcioma warstwami uwagi lokalnej na każdą warstwę globalną. Zasięg lokalny wynosi 1,024 tokenów, natomiast warstwy globalne zapewniają interakcje w dłuższym kontekście. Współdzielony enkoder obrazu SigLIP w rodzinie reprezentuje wejścia wizualne dla modelu językowego. Tokenizer SentencePiece rozdziela cyfry, zachowuje białe znaki i stosuje kodowanie na poziomie bajtów. Zachowaj zapis liczbowy, wcięcia kodu i terminologię języka źródłowego, gdy mają znaczenie dla interpretacji.
Dla obrazów niekwadratowych lub szczegółowych raport opisuje Pan and Scan, które może dodawać niepokrywające się kadry przed zmianą rozmiaru widoków dla enkodera wizualnego. Pomaga to zachować drobne treści, które mogłyby zniknąć przy pojedynczym przeskalowaniu do kwadratu, ale znaczenie ma rzeczywista konfiguracja przetwarzania. W zadaniu badawczym lub dotyczącym dokumentacji technicznej można dostarczyć całą stronę i czytelny szczegół diagramu, oznaczając ich relację. Poproś, aby odpowiedź wskazywała widoczne wartości, odpowiedni warunek tekstowy i wniosek poparty oboma źródłami.
Używaj natywnego formatu rozmowy IT producenta z turami user i model. Osobna tura systemowa nie jest obsługiwana w tym formacie; instrukcje dotyczące roli i odpowiedzi umieść w pierwszej wiadomości użytkownika i użyj wyznaczonej ścieżki formatowania. W długim raporcie nazwij pytanie, sekcje do porównania i reguły pierwszeństwa na wypadek sprzeczności źródeł. Przykładowym samodzielnym zadaniem jest uzgodnienie pisemnej specyfikacji z diagramem i zwrócenie tabeli wymagań, listy rozbieżności oraz założeń potrzebnych do proponowanego rozwiązania.
Kategorie zamierzonego zastosowania obejmują pisanie, podsumowywanie, rozmowę, ekstrakcję danych z obrazów oraz eksplorację edukacyjną lub badawczą. Przy analizie kodu podaj rzeczywisty moduł, przykłady wejścia i ograniczenia interfejsu, a następnie poproś o wyjaśnienie lub proponowaną zmianę powiązaną z tymi faktami. Przy pisaniu wielojęzycznym określ odbiorców i terminy, które muszą pozostać niezmienione. Przy pytaniu wizualnym poproś o obserwacje powiązane z nazwanymi elementami zamiast ogólnego opisu obrazu. Skwantowane punkty kontrolne rodziny są osobnymi opublikowanymi artefaktami, więc podczas porównywania wyników zachowuj dokładną tożsamość 27B IT i ustawienia przetwarzania.
Producent wskazuje, że modele mogą podawać niepoprawne lub nieaktualne fakty oraz mieć trudności z niejednoznacznością, niuansami i bardzo otwartymi instrukcjami. Google ostrzega też, że wiarygodny wzorzec językowy może prowadzić do odpowiedzi pomijającej zwykłe ograniczenie rzeczywistego świata. Większy kontekst jest przydatny tylko wtedy, gdy istotne warunki są jasne. Zachowuj oryginalne źródła, sprawdzaj wyodrębnione dane i obliczenia oraz waliduj każdą odpowiedź wyglądającą na strukturalną przed przetworzeniem jej jako rekordu. Wyjaśnienie oparte na wielu źródłach powinno odróżniać dostarczone dowody, interpretację i brakujące informacje. Ten profil 27B obsługuje przygotowane zadanie rozumowania na podstawie tekstu i obrazów; każde wyszukiwanie, wykonanie narzędzia lub aktualizacja faktów przez aplikację wymaga własnych zwróconych dowodów, zamiast być wnioskowane z płynności odpowiedzi.
", "aboutText": "Gemma 3 27B IT to dostrojona do instrukcji edycja o rozmiarze 27B z rodziny Gemma 3 firmy Google. Łączy generowanie tekstu z rozumieniem obrazów i jest odrębna od wstępnie wytrenowanego punktu kontrolnego 27B oraz mniejszych modeli 4B i 12B IT. Wynikiem jest tekst: wyjaśnienie oparte na źródłach, podsumowanie, szkic dokumentu, odpowiedź lub propozycja kodu. Model dostrojony do instrukcji został zaprojektowany do prowadzenia rozmowy i realizowania żądanego zadania, a nie wyłącznie do surowego uzupełniania tekstu.\n\nKarta producenta podaje dla tego rozmiaru łączny kontekst 128K tokenów. Wejście i wyjście współdzielą tę pojemność, więc wygenerowana odpowiedź wykorzystuje miejsce pozostałe po żądaniu. Duży zbiór powinien zachowywać identyfikatory źródeł i nadal pozostawiać miejsce na wymagany wynik. Widoki obrazów w podstawowej ścieżce są normalizowane do 896×896 i kodowane jako 256 tokenów wizualnych. W łącznej analizie tekstu i obrazu wyjaśnij, jak obraz strony, diagram lub zrzut ekranu wiąże się ze źródłami pisemnymi, aby model odpowiadał na jedno spójne pytanie.\n\nZgłoszony budżet wstępnego treningu modelu 27B wynosi 14 bilionów tokenów. Dane rodziny obejmują dokumenty internetowe w ponad 140 językach, kod, matematykę i obrazy. Trening wykorzystuje destylację wiedzy, a procedura po treningu dodaje wykonywanie instrukcji i cele uczenia ze wzmocnieniem dotyczące użyteczności, matematyki, programowania, rozumowania i zachowania wielojęzycznego. Fakty te opisują proces rozwoju modelu u producenta. Nie zastępują sprawdzania wygenerowanego twierdzenia względem jego źródła ani uruchomienia proponowanego programu na zamierzonych danych wejściowych.\n\nRaport techniczny opisuje transformer wyłącznie dekoderowy z grouped-query attention i pięcioma warstwami uwagi lokalnej na każdą warstwę globalną. Zasięg lokalny wynosi 1,024 tokenów, natomiast warstwy globalne zapewniają interakcje w dłuższym kontekście. Współdzielony enkoder obrazu SigLIP w rodzinie reprezentuje wejścia wizualne dla modelu językowego. Tokenizer SentencePiece rozdziela cyfry, zachowuje białe znaki i stosuje kodowanie na poziomie bajtów. Zachowaj zapis liczbowy, wcięcia kodu i terminologię języka źródłowego, gdy mają znaczenie dla interpretacji.\n\nDla obrazów niekwadratowych lub szczegółowych raport opisuje Pan and Scan, które może dodawać niepokrywające się kadry przed zmianą rozmiaru widoków dla enkodera wizualnego. Pomaga to zachować drobne treści, które mogłyby zniknąć przy pojedynczym przeskalowaniu do kwadratu, ale znaczenie ma rzeczywista konfiguracja przetwarzania. W zadaniu badawczym lub dotyczącym dokumentacji technicznej można dostarczyć całą stronę i czytelny szczegół diagramu, oznaczając ich relację. Poproś, aby odpowiedź wskazywała widoczne wartości, odpowiedni warunek tekstowy i wniosek poparty oboma źródłami.\n\nUżywaj natywnego formatu rozmowy IT producenta z turami user i model. Osobna tura systemowa nie jest obsługiwana w tym formacie; instrukcje dotyczące roli i odpowiedzi umieść w pierwszej wiadomości użytkownika i użyj wyznaczonej ścieżki formatowania. W długim raporcie nazwij pytanie, sekcje do porównania i reguły pierwszeństwa na wypadek sprzeczności źródeł. Przykładowym samodzielnym zadaniem jest uzgodnienie pisemnej specyfikacji z diagramem i zwrócenie tabeli wymagań, listy rozbieżności oraz założeń potrzebnych do proponowanego rozwiązania.\n\nKategorie zamierzonego zastosowania obejmują pisanie, podsumowywanie, rozmowę, ekstrakcję danych z obrazów oraz eksplorację edukacyjną lub badawczą. Przy analizie kodu podaj rzeczywisty moduł, przykłady wejścia i ograniczenia interfejsu, a następnie poproś o wyjaśnienie lub proponowaną zmianę powiązaną z tymi faktami. Przy pisaniu wielojęzycznym określ odbiorców i terminy, które muszą pozostać niezmienione. Przy pytaniu wizualnym poproś o obserwacje powiązane z nazwanymi elementami zamiast ogólnego opisu obrazu. Skwantowane punkty kontrolne rodziny są osobnymi opublikowanymi artefaktami, więc podczas porównywania wyników zachowuj dokładną tożsamość 27B IT i ustawienia przetwarzania.\n\nProducent wskazuje, że modele mogą podawać niepoprawne lub nieaktualne fakty oraz mieć trudności z niejednoznacznością, niuansami i bardzo otwartymi instrukcjami. Google ostrzega też, że wiarygodny wzorzec językowy może prowadzić do odpowiedzi pomijającej zwykłe ograniczenie rzeczywistego świata. Większy kontekst jest przydatny tylko wtedy, gdy istotne warunki są jasne. Zachowuj oryginalne źródła, sprawdzaj wyodrębnione dane i obliczenia oraz waliduj każdą odpowiedź wyglądającą na strukturalną przed przetworzeniem jej jako rekordu. Wyjaśnienie oparte na wielu źródłach powinno odróżniać dostarczone dowody, interpretację i brakujące informacje. Ten profil 27B obsługuje przygotowane zadanie rozumowania na podstawie tekstu i obrazów; każde wyszukiwanie, wykonanie narzędzia lub aktualizacja faktów przez aplikację wymaga własnych zwróconych dowodów, zamiast być wnioskowane z płynności odpowiedzi.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.google/gemma-3-27b-itGemma 3 27B IT to dostrojony do instrukcji model o rozmiarze 27B z rodziny Gemma 3 firmy Google. Przyjmuje tekst i obrazy, a generuje tekst na potrzeby analizy obszernych materiałów źródłowych, pisania, pracy z kodem i odpowiadania na pytania dotyczące obrazów; oferuje współdzielony kontekst 128K i wielojęzyczną obsługę w ramach rodziny.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemma 3 27B IT to dostrojona do instrukcji edycja o rozmiarze 27B z rodziny Gemma 3 firmy Google. Łączy generowanie tekstu z rozumieniem obrazów i jest odrębna od wstępnie wytrenowanego punktu kontrolnego 27B oraz mniejszych modeli 4B i 12B IT. Wynikiem jest tekst: wyjaśnienie oparte na źródłach, podsumowanie, szkic dokumentu, odpowiedź lub propozycja kodu. Model dostrojony do instrukcji został zaprojektowany do prowadzenia rozmowy i realizowania żądanego zadania, a nie wyłącznie do surowego uzupełniania tekstu.
Karta producenta podaje dla tego rozmiaru łączny kontekst 128K tokenów. Wejście i wyjście współdzielą tę pojemność, więc wygenerowana odpowiedź wykorzystuje miejsce pozostałe po żądaniu. Duży zbiór powinien zachowywać identyfikatory źródeł i nadal pozostawiać miejsce na wymagany wynik. Widoki obrazów w podstawowej ścieżce są normalizowane do 896×896 i kodowane jako 256 tokenów wizualnych. W łącznej analizie tekstu i obrazu wyjaśnij, jak obraz strony, diagram lub zrzut ekranu wiąże się ze źródłami pisemnymi, aby model odpowiadał na jedno spójne pytanie.
Zgłoszony budżet wstępnego treningu modelu 27B wynosi 14 bilionów tokenów. Dane rodziny obejmują dokumenty internetowe w ponad 140 językach, kod, matematykę i obrazy. Trening wykorzystuje destylację wiedzy, a procedura po treningu dodaje wykonywanie instrukcji i cele uczenia ze wzmocnieniem dotyczące użyteczności, matematyki, programowania, rozumowania i zachowania wielojęzycznego. Fakty te opisują proces rozwoju modelu u producenta. Nie zastępują sprawdzania wygenerowanego twierdzenia względem jego źródła ani uruchomienia proponowanego programu na zamierzonych danych wejściowych.
Raport techniczny opisuje transformer wyłącznie dekoderowy z grouped-query attention i pięcioma warstwami uwagi lokalnej na każdą warstwę globalną. Zasięg lokalny wynosi 1,024 tokenów, natomiast warstwy globalne zapewniają interakcje w dłuższym kontekście. Współdzielony enkoder obrazu SigLIP w rodzinie reprezentuje wejścia wizualne dla modelu językowego. Tokenizer SentencePiece rozdziela cyfry, zachowuje białe znaki i stosuje kodowanie na poziomie bajtów. Zachowaj zapis liczbowy, wcięcia kodu i terminologię języka źródłowego, gdy mają znaczenie dla interpretacji.
Dla obrazów niekwadratowych lub szczegółowych raport opisuje Pan and Scan, które może dodawać niepokrywające się kadry przed zmianą rozmiaru widoków dla enkodera wizualnego. Pomaga to zachować drobne treści, które mogłyby zniknąć przy pojedynczym przeskalowaniu do kwadratu, ale znaczenie ma rzeczywista konfiguracja przetwarzania. W zadaniu badawczym lub dotyczącym dokumentacji technicznej można dostarczyć całą stronę i czytelny szczegół diagramu, oznaczając ich relację. Poproś, aby odpowiedź wskazywała widoczne wartości, odpowiedni warunek tekstowy i wniosek poparty oboma źródłami.
Używaj natywnego formatu rozmowy IT producenta z turami user i model. Osobna tura systemowa nie jest obsługiwana w tym formacie; instrukcje dotyczące roli i odpowiedzi umieść w pierwszej wiadomości użytkownika i użyj wyznaczonej ścieżki formatowania. W długim raporcie nazwij pytanie, sekcje do porównania i reguły pierwszeństwa na wypadek sprzeczności źródeł. Przykładowym samodzielnym zadaniem jest uzgodnienie pisemnej specyfikacji z diagramem i zwrócenie tabeli wymagań, listy rozbieżności oraz założeń potrzebnych do proponowanego rozwiązania.
Kategorie zamierzonego zastosowania obejmują pisanie, podsumowywanie, rozmowę, ekstrakcję danych z obrazów oraz eksplorację edukacyjną lub badawczą. Przy analizie kodu podaj rzeczywisty moduł, przykłady wejścia i ograniczenia interfejsu, a następnie poproś o wyjaśnienie lub proponowaną zmianę powiązaną z tymi faktami. Przy pisaniu wielojęzycznym określ odbiorców i terminy, które muszą pozostać niezmienione. Przy pytaniu wizualnym poproś o obserwacje powiązane z nazwanymi elementami zamiast ogólnego opisu obrazu. Skwantowane punkty kontrolne rodziny są osobnymi opublikowanymi artefaktami, więc podczas porównywania wyników zachowuj dokładną tożsamość 27B IT i ustawienia przetwarzania.
Producent wskazuje, że modele mogą podawać niepoprawne lub nieaktualne fakty oraz mieć trudności z niejednoznacznością, niuansami i bardzo otwartymi instrukcjami. Google ostrzega też, że wiarygodny wzorzec językowy może prowadzić do odpowiedzi pomijającej zwykłe ograniczenie rzeczywistego świata. Większy kontekst jest przydatny tylko wtedy, gdy istotne warunki są jasne. Zachowuj oryginalne źródła, sprawdzaj wyodrębnione dane i obliczenia oraz waliduj każdą odpowiedź wyglądającą na strukturalną przed przetworzeniem jej jako rekordu. Wyjaśnienie oparte na wielu źródłach powinno odróżniać dostarczone dowody, interpretację i brakujące informacje. Ten profil 27B obsługuje przygotowane zadanie rozumowania na podstawie tekstu i obrazów; każde wyszukiwanie, wykonanie narzędzia lub aktualizacja faktów przez aplikację wymaga własnych zwróconych dowodów, zamiast być wnioskowane z płynności odpowiedzi.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/gemma-3-27b-it | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00016 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0007 / 1K tokenów Wejście · Odczyt cache $0.00008 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00016 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0007 / 1K tokenów Wejście · Odczyt cache $0.00008 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-27b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-3-27b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-3-27b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra google/gemma-3-27b-it
Użyj ścieżek metod podanych powyżej.
google/gemma-3-27b-itGemma 3 27B IT to dostrojony do instrukcji model o rozmiarze 27B z rodziny Gemma 3 firmy Google. Przyjmuje tekst i obrazy, a generuje tekst na potrzeby analizy obszernych materiałów źródłowych, pisania, pracy z kodem i odpowiadania na pytania dotyczące obrazów; oferuje współdzielony kontekst 128K i wielojęzyczną obsługę w ramach rodziny.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemma 3 27B IT to dostrojona do instrukcji edycja o rozmiarze 27B z rodziny Gemma 3 firmy Google. Łączy generowanie tekstu z rozumieniem obrazów i jest odrębna od wstępnie wytrenowanego punktu kontrolnego 27B oraz mniejszych modeli 4B i 12B IT. Wynikiem jest tekst: wyjaśnienie oparte na źródłach, podsumowanie, szkic dokumentu, odpowiedź lub propozycja kodu. Model dostrojony do instrukcji został zaprojektowany do prowadzenia rozmowy i realizowania żądanego zadania, a nie wyłącznie do surowego uzupełniania tekstu.
Karta producenta podaje dla tego rozmiaru łączny kontekst 128K tokenów. Wejście i wyjście współdzielą tę pojemność, więc wygenerowana odpowiedź wykorzystuje miejsce pozostałe po żądaniu. Duży zbiór powinien zachowywać identyfikatory źródeł i nadal pozostawiać miejsce na wymagany wynik. Widoki obrazów w podstawowej ścieżce są normalizowane do 896×896 i kodowane jako 256 tokenów wizualnych. W łącznej analizie tekstu i obrazu wyjaśnij, jak obraz strony, diagram lub zrzut ekranu wiąże się ze źródłami pisemnymi, aby model odpowiadał na jedno spójne pytanie.
Zgłoszony budżet wstępnego treningu modelu 27B wynosi 14 bilionów tokenów. Dane rodziny obejmują dokumenty internetowe w ponad 140 językach, kod, matematykę i obrazy. Trening wykorzystuje destylację wiedzy, a procedura po treningu dodaje wykonywanie instrukcji i cele uczenia ze wzmocnieniem dotyczące użyteczności, matematyki, programowania, rozumowania i zachowania wielojęzycznego. Fakty te opisują proces rozwoju modelu u producenta. Nie zastępują sprawdzania wygenerowanego twierdzenia względem jego źródła ani uruchomienia proponowanego programu na zamierzonych danych wejściowych.
Raport techniczny opisuje transformer wyłącznie dekoderowy z grouped-query attention i pięcioma warstwami uwagi lokalnej na każdą warstwę globalną. Zasięg lokalny wynosi 1,024 tokenów, natomiast warstwy globalne zapewniają interakcje w dłuższym kontekście. Współdzielony enkoder obrazu SigLIP w rodzinie reprezentuje wejścia wizualne dla modelu językowego. Tokenizer SentencePiece rozdziela cyfry, zachowuje białe znaki i stosuje kodowanie na poziomie bajtów. Zachowaj zapis liczbowy, wcięcia kodu i terminologię języka źródłowego, gdy mają znaczenie dla interpretacji.
Dla obrazów niekwadratowych lub szczegółowych raport opisuje Pan and Scan, które może dodawać niepokrywające się kadry przed zmianą rozmiaru widoków dla enkodera wizualnego. Pomaga to zachować drobne treści, które mogłyby zniknąć przy pojedynczym przeskalowaniu do kwadratu, ale znaczenie ma rzeczywista konfiguracja przetwarzania. W zadaniu badawczym lub dotyczącym dokumentacji technicznej można dostarczyć całą stronę i czytelny szczegół diagramu, oznaczając ich relację. Poproś, aby odpowiedź wskazywała widoczne wartości, odpowiedni warunek tekstowy i wniosek poparty oboma źródłami.
Używaj natywnego formatu rozmowy IT producenta z turami user i model. Osobna tura systemowa nie jest obsługiwana w tym formacie; instrukcje dotyczące roli i odpowiedzi umieść w pierwszej wiadomości użytkownika i użyj wyznaczonej ścieżki formatowania. W długim raporcie nazwij pytanie, sekcje do porównania i reguły pierwszeństwa na wypadek sprzeczności źródeł. Przykładowym samodzielnym zadaniem jest uzgodnienie pisemnej specyfikacji z diagramem i zwrócenie tabeli wymagań, listy rozbieżności oraz założeń potrzebnych do proponowanego rozwiązania.
Kategorie zamierzonego zastosowania obejmują pisanie, podsumowywanie, rozmowę, ekstrakcję danych z obrazów oraz eksplorację edukacyjną lub badawczą. Przy analizie kodu podaj rzeczywisty moduł, przykłady wejścia i ograniczenia interfejsu, a następnie poproś o wyjaśnienie lub proponowaną zmianę powiązaną z tymi faktami. Przy pisaniu wielojęzycznym określ odbiorców i terminy, które muszą pozostać niezmienione. Przy pytaniu wizualnym poproś o obserwacje powiązane z nazwanymi elementami zamiast ogólnego opisu obrazu. Skwantowane punkty kontrolne rodziny są osobnymi opublikowanymi artefaktami, więc podczas porównywania wyników zachowuj dokładną tożsamość 27B IT i ustawienia przetwarzania.
Producent wskazuje, że modele mogą podawać niepoprawne lub nieaktualne fakty oraz mieć trudności z niejednoznacznością, niuansami i bardzo otwartymi instrukcjami. Google ostrzega też, że wiarygodny wzorzec językowy może prowadzić do odpowiedzi pomijającej zwykłe ograniczenie rzeczywistego świata. Większy kontekst jest przydatny tylko wtedy, gdy istotne warunki są jasne. Zachowuj oryginalne źródła, sprawdzaj wyodrębnione dane i obliczenia oraz waliduj każdą odpowiedź wyglądającą na strukturalną przed przetworzeniem jej jako rekordu. Wyjaśnienie oparte na wielu źródłach powinno odróżniać dostarczone dowody, interpretację i brakujące informacje. Ten profil 27B obsługuje przygotowane zadanie rozumowania na podstawie tekstu i obrazów; każde wyszukiwanie, wykonanie narzędzia lub aktualizacja faktów przez aplikację wymaga własnych zwróconych dowodów, zamiast być wnioskowane z płynności odpowiedzi.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/gemma-3-27b-it | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00016 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0007 / 1K tokenów Wejście · Odczyt cache $0.00008 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00016 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0007 / 1K tokenów Wejście · Odczyt cache $0.00008 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "google/gemma-3-27b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-27b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-27b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra google/gemma-3-27b-it
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.