Gemma 4 26B A4B IT to dostrojona do instrukcji edycja typu mixture-of-experts z otwartej rodziny Gemma 4 firmy Google DeepMind. Oficjalna tabela architektury podaje 25.2 miliarda parametrów łącznie i 3.8 miliarda parametrów aktywnych; A4B oznacza zaokrągloną skalę aktywnych parametrów. Jej przeznaczenie obejmuje rozumowanie, programowanie, przepływy pracy agentów i rozumienie multimodalne. Jest odrębna od edycji wstępnie wytrenowanej oraz gęstego modelu 31B.
Architektura mixture-of-experts aktywuje podzbiór parametrów w każdym kroku inferencji: według opublikowanej tabeli architektury jest to ośmiu aktywnych ekspertów ze 128 oraz jeden ekspert współdzielony. Google pozycjonuje tę edycję pod kątem wydajności inferencji w porównaniu z modelem gęstym. Łączy ona architekturę z 30 warstwami i okno przesuwne 1,024 tokenów z uwagą globalną, kontekstem 256K oraz enkoderem wizualnym. Te dane architektoniczne opisują model producenta, a nie gwarantowane opóźnienie lub konfigurację sprzętową konkretnej aplikacji.
Kontekst 256K tokenów wspiera zadanie łączące obszerny tekst z dowodami wizualnymi. Obrazy i tekst mogą być przeplatane w jednym prompcie; dla uzyskania najlepszych wyników producent zaleca umieszczanie obrazu przed powiązanym tekstem. Zadania wizualne obejmują wykrywanie obiektów, interpretację stron dokumentów, rozumienie ekranów i interfejsów, wykresy, wielojęzyczny OCR, pismo odręczne i wskazywanie. Wyjściem jest tekst: wyodrębniona treść, wyjaśnienie, kod lub proponowane działanie narzędzia.
Rozumienie wideo polega na przetwarzaniu sekwencji klatek. Karta modelu podaje maksymalnie 60 sekund przy przetwarzaniu obrazów z częstotliwością jednej klatki na sekundę. Przygotuj odpowiedni fragment, zachowaj kolejność klatek i zadaj pytanie dotyczące widocznej sekwencji. Ten profil wizualny 26B/31B nie przyjmuje dźwięku; możliwości mowy mniejszych wariantów Gemma 4 obsługujących audio nie mają tu zastosowania. Jeśli zadanie wymaga informacji wypowiedzianych, dodaj ich transkrypcję jako tekst.
Konfigurowalne myślenie pozwala modelowi rozumować przed odpowiedzią lub odpowiedzieć bezpośrednio. Gemma 4 dodaje natywną rolę systemową obok ról użytkownika i asystenta. Format promptu Google włącza myślenie za pomocą tokenu sterującego <|think|> w prompcie systemowym i oddziela kanał myśli od odpowiedzi końcowej; udokumentowany procesor potrafi obsłużyć ten szablon. W rozmowie wieloturowej zachowuj w historii wcześniejsze odpowiedzi końcowe i pomijaj wcześniejsze myśli, z wyjątkiem tur z wywołaniami narzędzi, w których według producenta należy je zachować.
Native Function Calling obsługuje strukturalne użycie narzędzi, a opis premiery Google dokumentuje również strukturalne wyjście JSON. Określ zadanie, dostępną funkcję i oczekiwany wynik; aplikacja wykonuje żądaną operację i zwraca jej wyjście do następnego etapu. Zadanie programistyczne może wymagać generowania, uzupełniania lub poprawiania kodu, a asystent wizualny może użyć zwróconego tekstu do objaśnienia wykresu lub ekranu. Instrukcja wywołania funkcji jest odrębna od połączonego działania, które rzeczywiście zostało wykonane.
Zmienną rozdzielczością obrazu steruje budżet tokenów wizualnych. Udokumentowane opcje to 70, 140, 280, 560 i 1,120 tokenów. Niższe budżety pasują do klasyfikacji, podpisów lub sekwencji klatek; wyższe zachowują więcej szczegółów dla OCR, analizy dokumentów i małego tekstu, wymagając dodatkowych obliczeń. Przed przygotowaniem obrazu zdecyduj, czy potrzebujesz całej sceny, czy dokładnego odczytu liter. Czytelny kadr etykiety może być przydatniejszy w ekstrakcji niż ogólne żądanie zbadania każdego szczegółu całej strony.
Google zaleca jako konfigurację próbkowania rodziny temperature 1.0, top-p 0.95 i top-k 64. Karta modelu odróżnia trening w ponad 140 językach od obsługi ponad 35 języków bez dodatkowego dostrajania. W opisie jawnie określ język odpowiedzi i zachowaj nazwy domen, nazwy pól lub wzory. Wartość 256K jest specyfikacją kontekstu; cytowana karta modelu nie ustala osobnej uniwersalnej maksymalnej wielkości wyjścia dla tej edycji.
W zadaniu łączącym dokument i kod podaj odpowiedni obraz strony, pisemne wymaganie i fragment źródła: „Odczytaj etykiety, wyjaśnij, czym ten ekran różni się od specyfikacji, i zaproponuj konkretną poprawkę dostarczonego kodu”. W przypadku wykresu poproś, aby odpowiedź oddzielała widoczne wartości od wywnioskowanego trendu. Karta modelu Gemma wskazuje ograniczenia związane z niejednoznacznym językiem, bardzo złożonymi zadaniami oraz niepoprawnymi lub nieaktualnymi twierdzeniami faktograficznymi, dlatego dołącz wiarygodne fakty, na których ma opierać się żądany wynik, zamiast oczekiwać ich od wiedzy z treningu.
", "aboutText": "Gemma 4 26B A4B IT to dostrojona do instrukcji edycja typu mixture-of-experts z otwartej rodziny Gemma 4 firmy Google DeepMind. Oficjalna tabela architektury podaje 25.2 miliarda parametrów łącznie i 3.8 miliarda parametrów aktywnych; A4B oznacza zaokrągloną skalę aktywnych parametrów. Jej przeznaczenie obejmuje rozumowanie, programowanie, przepływy pracy agentów i rozumienie multimodalne. Jest odrębna od edycji wstępnie wytrenowanej oraz gęstego modelu 31B.\n\nArchitektura mixture-of-experts aktywuje podzbiór parametrów w każdym kroku inferencji: według opublikowanej tabeli architektury jest to ośmiu aktywnych ekspertów ze 128 oraz jeden ekspert współdzielony. Google pozycjonuje tę edycję pod kątem wydajności inferencji w porównaniu z modelem gęstym. Łączy ona architekturę z 30 warstwami i okno przesuwne 1,024 tokenów z uwagą globalną, kontekstem 256K oraz enkoderem wizualnym. Te dane architektoniczne opisują model producenta, a nie gwarantowane opóźnienie lub konfigurację sprzętową konkretnej aplikacji.\n\nKontekst 256K tokenów wspiera zadanie łączące obszerny tekst z dowodami wizualnymi. Obrazy i tekst mogą być przeplatane w jednym prompcie; dla uzyskania najlepszych wyników producent zaleca umieszczanie obrazu przed powiązanym tekstem. Zadania wizualne obejmują wykrywanie obiektów, interpretację stron dokumentów, rozumienie ekranów i interfejsów, wykresy, wielojęzyczny OCR, pismo odręczne i wskazywanie. Wyjściem jest tekst: wyodrębniona treść, wyjaśnienie, kod lub proponowane działanie narzędzia.\n\nRozumienie wideo polega na przetwarzaniu sekwencji klatek. Karta modelu podaje maksymalnie 60 sekund przy przetwarzaniu obrazów z częstotliwością jednej klatki na sekundę. Przygotuj odpowiedni fragment, zachowaj kolejność klatek i zadaj pytanie dotyczące widocznej sekwencji. Ten profil wizualny 26B/31B nie przyjmuje dźwięku; możliwości mowy mniejszych wariantów Gemma 4 obsługujących audio nie mają tu zastosowania. Jeśli zadanie wymaga informacji wypowiedzianych, dodaj ich transkrypcję jako tekst.\n\nKonfigurowalne myślenie pozwala modelowi rozumować przed odpowiedzią lub odpowiedzieć bezpośrednio. Gemma 4 dodaje natywną rolę systemową obok ról użytkownika i asystenta. Format promptu Google włącza myślenie za pomocą tokenu sterującego <|think|> w prompcie systemowym i oddziela kanał myśli od odpowiedzi końcowej; udokumentowany procesor potrafi obsłużyć ten szablon. W rozmowie wieloturowej zachowuj w historii wcześniejsze odpowiedzi końcowe i pomijaj wcześniejsze myśli, z wyjątkiem tur z wywołaniami narzędzi, w których według producenta należy je zachować.\n\nNative Function Calling obsługuje strukturalne użycie narzędzi, a opis premiery Google dokumentuje również strukturalne wyjście JSON. Określ zadanie, dostępną funkcję i oczekiwany wynik; aplikacja wykonuje żądaną operację i zwraca jej wyjście do następnego etapu. Zadanie programistyczne może wymagać generowania, uzupełniania lub poprawiania kodu, a asystent wizualny może użyć zwróconego tekstu do objaśnienia wykresu lub ekranu. Instrukcja wywołania funkcji jest odrębna od połączonego działania, które rzeczywiście zostało wykonane.\n\nZmienną rozdzielczością obrazu steruje budżet tokenów wizualnych. Udokumentowane opcje to 70, 140, 280, 560 i 1,120 tokenów. Niższe budżety pasują do klasyfikacji, podpisów lub sekwencji klatek; wyższe zachowują więcej szczegółów dla OCR, analizy dokumentów i małego tekstu, wymagając dodatkowych obliczeń. Przed przygotowaniem obrazu zdecyduj, czy potrzebujesz całej sceny, czy dokładnego odczytu liter. Czytelny kadr etykiety może być przydatniejszy w ekstrakcji niż ogólne żądanie zbadania każdego szczegółu całej strony.\n\nGoogle zaleca jako konfigurację próbkowania rodziny temperature 1.0, top-p 0.95 i top-k 64. Karta modelu odróżnia trening w ponad 140 językach od obsługi ponad 35 języków bez dodatkowego dostrajania. W opisie jawnie określ język odpowiedzi i zachowaj nazwy domen, nazwy pól lub wzory. Wartość 256K jest specyfikacją kontekstu; cytowana karta modelu nie ustala osobnej uniwersalnej maksymalnej wielkości wyjścia dla tej edycji.\n\nW zadaniu łączącym dokument i kod podaj odpowiedni obraz strony, pisemne wymaganie i fragment źródła: „Odczytaj etykiety, wyjaśnij, czym ten ekran różni się od specyfikacji, i zaproponuj konkretną poprawkę dostarczonego kodu”. W przypadku wykresu poproś, aby odpowiedź oddzielała widoczne wartości od wywnioskowanego trendu. Karta modelu Gemma wskazuje ograniczenia związane z niejednoznacznym językiem, bardzo złożonymi zadaniami oraz niepoprawnymi lub nieaktualnymi twierdzeniami faktograficznymi, dlatego dołącz wiarygodne fakty, na których ma opierać się żądany wynik, zamiast oczekiwać ich od wiedzy z treningu.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.google/gemma-4-26b-a4b-itGemma 4 26B A4B IT to dostrojony do instrukcji model Google typu mixture-of-experts do rozumowania na podstawie tekstu i obrazów. Łączy kontekst 256K, rozumienie obrazów i wideo na podstawie klatek, konfigurowalne myślenie i natywne wywoływanie funkcji z wyjściem tekstowym.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemma 4 26B A4B IT to dostrojona do instrukcji edycja typu mixture-of-experts z otwartej rodziny Gemma 4 firmy Google DeepMind. Oficjalna tabela architektury podaje 25.2 miliarda parametrów łącznie i 3.8 miliarda parametrów aktywnych; A4B oznacza zaokrągloną skalę aktywnych parametrów. Jej przeznaczenie obejmuje rozumowanie, programowanie, przepływy pracy agentów i rozumienie multimodalne. Jest odrębna od edycji wstępnie wytrenowanej oraz gęstego modelu 31B.
Architektura mixture-of-experts aktywuje podzbiór parametrów w każdym kroku inferencji: według opublikowanej tabeli architektury jest to ośmiu aktywnych ekspertów ze 128 oraz jeden ekspert współdzielony. Google pozycjonuje tę edycję pod kątem wydajności inferencji w porównaniu z modelem gęstym. Łączy ona architekturę z 30 warstwami i okno przesuwne 1,024 tokenów z uwagą globalną, kontekstem 256K oraz enkoderem wizualnym. Te dane architektoniczne opisują model producenta, a nie gwarantowane opóźnienie lub konfigurację sprzętową konkretnej aplikacji.
Kontekst 256K tokenów wspiera zadanie łączące obszerny tekst z dowodami wizualnymi. Obrazy i tekst mogą być przeplatane w jednym prompcie; dla uzyskania najlepszych wyników producent zaleca umieszczanie obrazu przed powiązanym tekstem. Zadania wizualne obejmują wykrywanie obiektów, interpretację stron dokumentów, rozumienie ekranów i interfejsów, wykresy, wielojęzyczny OCR, pismo odręczne i wskazywanie. Wyjściem jest tekst: wyodrębniona treść, wyjaśnienie, kod lub proponowane działanie narzędzia.
Rozumienie wideo polega na przetwarzaniu sekwencji klatek. Karta modelu podaje maksymalnie 60 sekund przy przetwarzaniu obrazów z częstotliwością jednej klatki na sekundę. Przygotuj odpowiedni fragment, zachowaj kolejność klatek i zadaj pytanie dotyczące widocznej sekwencji. Ten profil wizualny 26B/31B nie przyjmuje dźwięku; możliwości mowy mniejszych wariantów Gemma 4 obsługujących audio nie mają tu zastosowania. Jeśli zadanie wymaga informacji wypowiedzianych, dodaj ich transkrypcję jako tekst.
Konfigurowalne myślenie pozwala modelowi rozumować przed odpowiedzią lub odpowiedzieć bezpośrednio. Gemma 4 dodaje natywną rolę systemową obok ról użytkownika i asystenta. Format promptu Google włącza myślenie za pomocą tokenu sterującego <|think|> w prompcie systemowym i oddziela kanał myśli od odpowiedzi końcowej; udokumentowany procesor potrafi obsłużyć ten szablon. W rozmowie wieloturowej zachowuj w historii wcześniejsze odpowiedzi końcowe i pomijaj wcześniejsze myśli, z wyjątkiem tur z wywołaniami narzędzi, w których według producenta należy je zachować.
Native Function Calling obsługuje strukturalne użycie narzędzi, a opis premiery Google dokumentuje również strukturalne wyjście JSON. Określ zadanie, dostępną funkcję i oczekiwany wynik; aplikacja wykonuje żądaną operację i zwraca jej wyjście do następnego etapu. Zadanie programistyczne może wymagać generowania, uzupełniania lub poprawiania kodu, a asystent wizualny może użyć zwróconego tekstu do objaśnienia wykresu lub ekranu. Instrukcja wywołania funkcji jest odrębna od połączonego działania, które rzeczywiście zostało wykonane.
Zmienną rozdzielczością obrazu steruje budżet tokenów wizualnych. Udokumentowane opcje to 70, 140, 280, 560 i 1,120 tokenów. Niższe budżety pasują do klasyfikacji, podpisów lub sekwencji klatek; wyższe zachowują więcej szczegółów dla OCR, analizy dokumentów i małego tekstu, wymagając dodatkowych obliczeń. Przed przygotowaniem obrazu zdecyduj, czy potrzebujesz całej sceny, czy dokładnego odczytu liter. Czytelny kadr etykiety może być przydatniejszy w ekstrakcji niż ogólne żądanie zbadania każdego szczegółu całej strony.
Google zaleca jako konfigurację próbkowania rodziny temperature 1.0, top-p 0.95 i top-k 64. Karta modelu odróżnia trening w ponad 140 językach od obsługi ponad 35 języków bez dodatkowego dostrajania. W opisie jawnie określ język odpowiedzi i zachowaj nazwy domen, nazwy pól lub wzory. Wartość 256K jest specyfikacją kontekstu; cytowana karta modelu nie ustala osobnej uniwersalnej maksymalnej wielkości wyjścia dla tej edycji.
W zadaniu łączącym dokument i kod podaj odpowiedni obraz strony, pisemne wymaganie i fragment źródła: „Odczytaj etykiety, wyjaśnij, czym ten ekran różni się od specyfikacji, i zaproponuj konkretną poprawkę dostarczonego kodu”. W przypadku wykresu poproś, aby odpowiedź oddzielała widoczne wartości od wywnioskowanego trendu. Karta modelu Gemma wskazuje ograniczenia związane z niejednoznacznym językiem, bardzo złożonymi zadaniami oraz niepoprawnymi lub nieaktualnymi twierdzeniami faktograficznymi, dlatego dołącz wiarygodne fakty, na których ma opierać się żądany wynik, zamiast oczekiwać ich od wiedzy z treningu.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/gemma-4-26b-a4b-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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0012 / 1K tokenów Wejście · Odczyt cache — / 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0012 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-4-26b-a4b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-4-26b-a4b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-4-26b-a4b-it
Użyj ścieżek metod podanych powyżej.
google/gemma-4-26b-a4b-itGemma 4 26B A4B IT to dostrojony do instrukcji model Google typu mixture-of-experts do rozumowania na podstawie tekstu i obrazów. Łączy kontekst 256K, rozumienie obrazów i wideo na podstawie klatek, konfigurowalne myślenie i natywne wywoływanie funkcji z wyjściem tekstowym.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemma 4 26B A4B IT to dostrojona do instrukcji edycja typu mixture-of-experts z otwartej rodziny Gemma 4 firmy Google DeepMind. Oficjalna tabela architektury podaje 25.2 miliarda parametrów łącznie i 3.8 miliarda parametrów aktywnych; A4B oznacza zaokrągloną skalę aktywnych parametrów. Jej przeznaczenie obejmuje rozumowanie, programowanie, przepływy pracy agentów i rozumienie multimodalne. Jest odrębna od edycji wstępnie wytrenowanej oraz gęstego modelu 31B.
Architektura mixture-of-experts aktywuje podzbiór parametrów w każdym kroku inferencji: według opublikowanej tabeli architektury jest to ośmiu aktywnych ekspertów ze 128 oraz jeden ekspert współdzielony. Google pozycjonuje tę edycję pod kątem wydajności inferencji w porównaniu z modelem gęstym. Łączy ona architekturę z 30 warstwami i okno przesuwne 1,024 tokenów z uwagą globalną, kontekstem 256K oraz enkoderem wizualnym. Te dane architektoniczne opisują model producenta, a nie gwarantowane opóźnienie lub konfigurację sprzętową konkretnej aplikacji.
Kontekst 256K tokenów wspiera zadanie łączące obszerny tekst z dowodami wizualnymi. Obrazy i tekst mogą być przeplatane w jednym prompcie; dla uzyskania najlepszych wyników producent zaleca umieszczanie obrazu przed powiązanym tekstem. Zadania wizualne obejmują wykrywanie obiektów, interpretację stron dokumentów, rozumienie ekranów i interfejsów, wykresy, wielojęzyczny OCR, pismo odręczne i wskazywanie. Wyjściem jest tekst: wyodrębniona treść, wyjaśnienie, kod lub proponowane działanie narzędzia.
Rozumienie wideo polega na przetwarzaniu sekwencji klatek. Karta modelu podaje maksymalnie 60 sekund przy przetwarzaniu obrazów z częstotliwością jednej klatki na sekundę. Przygotuj odpowiedni fragment, zachowaj kolejność klatek i zadaj pytanie dotyczące widocznej sekwencji. Ten profil wizualny 26B/31B nie przyjmuje dźwięku; możliwości mowy mniejszych wariantów Gemma 4 obsługujących audio nie mają tu zastosowania. Jeśli zadanie wymaga informacji wypowiedzianych, dodaj ich transkrypcję jako tekst.
Konfigurowalne myślenie pozwala modelowi rozumować przed odpowiedzią lub odpowiedzieć bezpośrednio. Gemma 4 dodaje natywną rolę systemową obok ról użytkownika i asystenta. Format promptu Google włącza myślenie za pomocą tokenu sterującego <|think|> w prompcie systemowym i oddziela kanał myśli od odpowiedzi końcowej; udokumentowany procesor potrafi obsłużyć ten szablon. W rozmowie wieloturowej zachowuj w historii wcześniejsze odpowiedzi końcowe i pomijaj wcześniejsze myśli, z wyjątkiem tur z wywołaniami narzędzi, w których według producenta należy je zachować.
Native Function Calling obsługuje strukturalne użycie narzędzi, a opis premiery Google dokumentuje również strukturalne wyjście JSON. Określ zadanie, dostępną funkcję i oczekiwany wynik; aplikacja wykonuje żądaną operację i zwraca jej wyjście do następnego etapu. Zadanie programistyczne może wymagać generowania, uzupełniania lub poprawiania kodu, a asystent wizualny może użyć zwróconego tekstu do objaśnienia wykresu lub ekranu. Instrukcja wywołania funkcji jest odrębna od połączonego działania, które rzeczywiście zostało wykonane.
Zmienną rozdzielczością obrazu steruje budżet tokenów wizualnych. Udokumentowane opcje to 70, 140, 280, 560 i 1,120 tokenów. Niższe budżety pasują do klasyfikacji, podpisów lub sekwencji klatek; wyższe zachowują więcej szczegółów dla OCR, analizy dokumentów i małego tekstu, wymagając dodatkowych obliczeń. Przed przygotowaniem obrazu zdecyduj, czy potrzebujesz całej sceny, czy dokładnego odczytu liter. Czytelny kadr etykiety może być przydatniejszy w ekstrakcji niż ogólne żądanie zbadania każdego szczegółu całej strony.
Google zaleca jako konfigurację próbkowania rodziny temperature 1.0, top-p 0.95 i top-k 64. Karta modelu odróżnia trening w ponad 140 językach od obsługi ponad 35 języków bez dodatkowego dostrajania. W opisie jawnie określ język odpowiedzi i zachowaj nazwy domen, nazwy pól lub wzory. Wartość 256K jest specyfikacją kontekstu; cytowana karta modelu nie ustala osobnej uniwersalnej maksymalnej wielkości wyjścia dla tej edycji.
W zadaniu łączącym dokument i kod podaj odpowiedni obraz strony, pisemne wymaganie i fragment źródła: „Odczytaj etykiety, wyjaśnij, czym ten ekran różni się od specyfikacji, i zaproponuj konkretną poprawkę dostarczonego kodu”. W przypadku wykresu poproś, aby odpowiedź oddzielała widoczne wartości od wywnioskowanego trendu. Karta modelu Gemma wskazuje ograniczenia związane z niejednoznacznym językiem, bardzo złożonymi zadaniami oraz niepoprawnymi lub nieaktualnymi twierdzeniami faktograficznymi, dlatego dołącz wiarygodne fakty, na których ma opierać się żądany wynik, zamiast oczekiwać ich od wiedzy z treningu.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/gemma-4-26b-a4b-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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0012 / 1K tokenów Wejście · Odczyt cache — / 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0012 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-26b-a4b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-4-26b-a4b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-4-26b-a4b-it
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.