Gemma 4 31B IT to gęste wydanie otwartej rodziny Gemma 4 firmy Google DeepMind, dostrojone do instrukcji. Google pozycjonuje model 31B pod kątem jakości i dostosowania do zadania, podczas gdy odrębne wydanie 26B A4B wykorzystuje architekturę mixture-of-experts dla wydajniejszego wnioskowania. Ta karta dotyczy nazwanego wydania 31B dostrojonego do instrukcji, a nie jego wag po treningu wstępnym czy pochodnej wersji skwantyzowanej.
Oficjalna tabela architektury gęstej podaje 30,7 miliarda parametrów, 60 warstw, okno przesuwne 1024 tokenów i kontekst 256K tokenów. Rodzina łączy lokalną uwagę w oknie przesuwnym z uwagą globalną, kończąc warstwą globalną, oraz korzysta z dedykowanego enkodera wizualnego dla tego modelu. Wynikowy profil przyjmuje tekst i obrazy, a zwraca tekst. To fakty dotyczące architektury modelu; nie określają czasu odpowiedzi aplikacji ani nie oznaczają obsługi dźwięku dostępnej w innych rozmiarach Gemma 4.
Kontekst 256K tokenów pozwala łączyć obszerny tekst z dowodami wizualnymi. Obrazy i tekst można przeplatać w jednym poleceniu; producent zaleca umieszczanie obrazu przed powiązanym tekstem, aby uzyskać najlepsze wyniki. Zadania wizualne obejmują wykrywanie obiektów, interpretację stron dokumentów, rozumienie ekranów i interfejsów, wykresy, wielojęzyczne OCR, pismo odręczne i wskazywanie. Wynikiem jest tekst: wyodrębniona treść, wyjaśnienie, kod lub proponowane działanie narzędzia.
Rozumienie wideo przetwarza sekwencję klatek. Karta modelu podaje maksymalnie 60 sekund, gdy obrazy są przetwarzane z częstotliwością jednej klatki na sekundę. Przygotuj odpowiedni fragment, zachowaj kolejność klatek i zadaj pytanie o widoczną sekwencję. Ten profil wizualny 26B/31B nie przyjmuje dźwięku; możliwości mowy mniejszych wariantów Gemma 4 obsługujących audio nie mają tu zastosowania. Jeśli zadanie wymaga treści mówionej, dodaj jej transkrypcję jako tekst.
Konfigurowalne rozumowanie pozwala modelowi analizować przed odpowiedzią lub odpowiedzieć bezpośrednio. Gemma 4 dodaje natywną rolę systemową obok ról użytkownika i asystenta. Format poleceń Google włącza rozumowanie tokenem sterującym <|think|> w poleceniu systemowym i oddziela kanał myśli od odpowiedzi końcowej; udokumentowany procesor potrafi obsłużyć ten szablon. W rozmowie wieloturowej zachowuj wcześniejsze odpowiedzi końcowe w historii i pomijaj wcześniejsze myśli, z wyjątkiem tur wywoływania narzędzi, w których producent zaleca ich zachowanie.
Native Function Calling obsługuje strukturalne użycie narzędzi, a opis premierowy Google dokumentuje również uporządkowane wyjście JSON. Zdefiniuj zadanie, dostępną funkcję i oczekiwany wynik; aplikacja wykonuje żądaną operację i zwraca jej rezultat do kolejnego kroku. Zadanie programistyczne może dotyczyć generowania, uzupełniania lub poprawiania kodu, a asystent wizualny może na podstawie zwróconego tekstu wyjaśnić wykres lub ekran. Instrukcja wywołania funkcji jest czymś innym niż połączone działanie, które faktycznie wykonano.
Zmienną rozdzielczość obrazu określa budżet tokenów wizualnych. Udokumentowane opcje to 70, 140, 280, 560 i 1120 tokenów. Mniejsze budżety pasują do klasyfikacji, podpisów lub sekwencji klatek; większe zachowują więcej szczegółów dla OCR, analizy dokumentów i drobnego tekstu, wymagając dodatkowych obliczeń. Przed przygotowaniem obrazu zdecyduj, czy potrzebujesz całej sceny, czy dokładnych liter. Wyraźne przycięcie etykiety może być przydatniejsze przy wyodrębnianiu danych niż nieprecyzyjne polecenie sprawdzenia każdego szczegółu całej strony.
Google zaleca temperature 1.0, top-p 0.95 i top-k 64 jako konfigurację próbkowania rodziny. Karta modelu odróżnia trening w ponad 140 językach od gotowej obsługi ponad 35 języków. Wyraźnie określ język odpowiedzi i zachowaj w poleceniu nazwy domen, nazwy pól lub wzory. Wartość 256K jest specyfikacją kontekstu; przywołana karta modelu nie określa osobnego uniwersalnego maksimum wyjścia dla tego wydania.
Przy zadaniu łączącym dokumenty i kod dostarcz odpowiedni obraz strony, pisemne wymaganie i fragment źródłowy: „Odczytaj etykiety, wyjaśnij różnice między tym ekranem a specyfikacją i zaproponuj konkretną poprawkę w dostarczonym kodzie”. Przy wykresie poproś o oddzielenie widocznych wartości od wywnioskowanego trendu. Karta Gemma opisuje ograniczenia związane z niejednoznacznym językiem, bardzo złożonymi zadaniami oraz niepoprawnymi lub nieaktualnymi informacjami, dlatego dołącz wiarygodne fakty, na których wynik ma się opierać, zamiast oczekiwać ich od wiedzy z treningu.
", "aboutText": "Gemma 4 31B IT to gęste wydanie otwartej rodziny Gemma 4 firmy Google DeepMind, dostrojone do instrukcji. Google pozycjonuje model 31B pod kątem jakości i dostosowania do zadania, podczas gdy odrębne wydanie 26B A4B wykorzystuje architekturę mixture-of-experts dla wydajniejszego wnioskowania. Ta karta dotyczy nazwanego wydania 31B dostrojonego do instrukcji, a nie jego wag po treningu wstępnym czy pochodnej wersji skwantyzowanej.\n\nOficjalna tabela architektury gęstej podaje 30,7 miliarda parametrów, 60 warstw, okno przesuwne 1024 tokenów i kontekst 256K tokenów. Rodzina łączy lokalną uwagę w oknie przesuwnym z uwagą globalną, kończąc warstwą globalną, oraz korzysta z dedykowanego enkodera wizualnego dla tego modelu. Wynikowy profil przyjmuje tekst i obrazy, a zwraca tekst. To fakty dotyczące architektury modelu; nie określają czasu odpowiedzi aplikacji ani nie oznaczają obsługi dźwięku dostępnej w innych rozmiarach Gemma 4.\n\nKontekst 256K tokenów pozwala łączyć obszerny tekst z dowodami wizualnymi. Obrazy i tekst można przeplatać w jednym poleceniu; producent zaleca umieszczanie obrazu przed powiązanym tekstem, aby uzyskać najlepsze wyniki. Zadania wizualne obejmują wykrywanie obiektów, interpretację stron dokumentów, rozumienie ekranów i interfejsów, wykresy, wielojęzyczne OCR, pismo odręczne i wskazywanie. Wynikiem jest tekst: wyodrębniona treść, wyjaśnienie, kod lub proponowane działanie narzędzia.\n\nRozumienie wideo przetwarza sekwencję klatek. Karta modelu podaje maksymalnie 60 sekund, gdy obrazy są przetwarzane z częstotliwością jednej klatki na sekundę. Przygotuj odpowiedni fragment, zachowaj kolejność klatek i zadaj pytanie o widoczną sekwencję. Ten profil wizualny 26B/31B nie przyjmuje dźwięku; możliwości mowy mniejszych wariantów Gemma 4 obsługujących audio nie mają tu zastosowania. Jeśli zadanie wymaga treści mówionej, dodaj jej transkrypcję jako tekst.\n\nKonfigurowalne rozumowanie pozwala modelowi analizować przed odpowiedzią lub odpowiedzieć bezpośrednio. Gemma 4 dodaje natywną rolę systemową obok ról użytkownika i asystenta. Format poleceń Google włącza rozumowanie tokenem sterującym <|think|> w poleceniu systemowym i oddziela kanał myśli od odpowiedzi końcowej; udokumentowany procesor potrafi obsłużyć ten szablon. W rozmowie wieloturowej zachowuj wcześniejsze odpowiedzi końcowe w historii i pomijaj wcześniejsze myśli, z wyjątkiem tur wywoływania narzędzi, w których producent zaleca ich zachowanie.\n\nNative Function Calling obsługuje strukturalne użycie narzędzi, a opis premierowy Google dokumentuje również uporządkowane wyjście JSON. Zdefiniuj zadanie, dostępną funkcję i oczekiwany wynik; aplikacja wykonuje żądaną operację i zwraca jej rezultat do kolejnego kroku. Zadanie programistyczne może dotyczyć generowania, uzupełniania lub poprawiania kodu, a asystent wizualny może na podstawie zwróconego tekstu wyjaśnić wykres lub ekran. Instrukcja wywołania funkcji jest czymś innym niż połączone działanie, które faktycznie wykonano.\n\nZmienną rozdzielczość obrazu określa budżet tokenów wizualnych. Udokumentowane opcje to 70, 140, 280, 560 i 1120 tokenów. Mniejsze budżety pasują do klasyfikacji, podpisów lub sekwencji klatek; większe zachowują więcej szczegółów dla OCR, analizy dokumentów i drobnego tekstu, wymagając dodatkowych obliczeń. Przed przygotowaniem obrazu zdecyduj, czy potrzebujesz całej sceny, czy dokładnych liter. Wyraźne przycięcie etykiety może być przydatniejsze przy wyodrębnianiu danych niż nieprecyzyjne polecenie sprawdzenia każdego szczegółu całej strony.\n\nGoogle zaleca temperature 1.0, top-p 0.95 i top-k 64 jako konfigurację próbkowania rodziny. Karta modelu odróżnia trening w ponad 140 językach od gotowej obsługi ponad 35 języków. Wyraźnie określ język odpowiedzi i zachowaj w poleceniu nazwy domen, nazwy pól lub wzory. Wartość 256K jest specyfikacją kontekstu; przywołana karta modelu nie określa osobnego uniwersalnego maksimum wyjścia dla tego wydania.\n\nPrzy zadaniu łączącym dokumenty i kod dostarcz odpowiedni obraz strony, pisemne wymaganie i fragment źródłowy: „Odczytaj etykiety, wyjaśnij różnice między tym ekranem a specyfikacją i zaproponuj konkretną poprawkę w dostarczonym kodzie”. Przy wykresie poproś o oddzielenie widocznych wartości od wywnioskowanego trendu. Karta Gemma opisuje ograniczenia związane z niejednoznacznym językiem, bardzo złożonymi zadaniami oraz niepoprawnymi lub nieaktualnymi informacjami, dlatego dołącz wiarygodne fakty, na których wynik ma się opierać, zamiast oczekiwać ich od wiedzy z treningu.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.google/gemma-4-31b-itGemma 4 31B IT to dostrojony do instrukcji gęsty model Google do rozumowania na podstawie tekstu i obrazów. Kontekst 256K, konfigurowalne myślenie, rozumienie obrazów i wideo na podstawie klatek oraz natywne wywoływanie funkcji wspierają zadania programistyczne, dokumentowe i agentowe z wyjściem tekstowym.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemma 4 31B IT to gęste wydanie otwartej rodziny Gemma 4 firmy Google DeepMind, dostrojone do instrukcji. Google pozycjonuje model 31B pod kątem jakości i dostosowania do zadania, podczas gdy odrębne wydanie 26B A4B wykorzystuje architekturę mixture-of-experts dla wydajniejszego wnioskowania. Ta karta dotyczy nazwanego wydania 31B dostrojonego do instrukcji, a nie jego wag po treningu wstępnym czy pochodnej wersji skwantyzowanej.
Oficjalna tabela architektury gęstej podaje 30,7 miliarda parametrów, 60 warstw, okno przesuwne 1024 tokenów i kontekst 256K tokenów. Rodzina łączy lokalną uwagę w oknie przesuwnym z uwagą globalną, kończąc warstwą globalną, oraz korzysta z dedykowanego enkodera wizualnego dla tego modelu. Wynikowy profil przyjmuje tekst i obrazy, a zwraca tekst. To fakty dotyczące architektury modelu; nie określają czasu odpowiedzi aplikacji ani nie oznaczają obsługi dźwięku dostępnej w innych rozmiarach Gemma 4.
Kontekst 256K tokenów pozwala łączyć obszerny tekst z dowodami wizualnymi. Obrazy i tekst można przeplatać w jednym poleceniu; producent zaleca umieszczanie obrazu przed powiązanym tekstem, aby uzyskać najlepsze wyniki. Zadania wizualne obejmują wykrywanie obiektów, interpretację stron dokumentów, rozumienie ekranów i interfejsów, wykresy, wielojęzyczne OCR, pismo odręczne i wskazywanie. Wynikiem jest tekst: wyodrębniona treść, wyjaśnienie, kod lub proponowane działanie narzędzia.
Rozumienie wideo przetwarza sekwencję klatek. Karta modelu podaje maksymalnie 60 sekund, gdy obrazy są przetwarzane z częstotliwością jednej klatki na sekundę. Przygotuj odpowiedni fragment, zachowaj kolejność klatek i zadaj pytanie o widoczną sekwencję. Ten profil wizualny 26B/31B nie przyjmuje dźwięku; możliwości mowy mniejszych wariantów Gemma 4 obsługujących audio nie mają tu zastosowania. Jeśli zadanie wymaga treści mówionej, dodaj jej transkrypcję jako tekst.
Konfigurowalne rozumowanie pozwala modelowi analizować przed odpowiedzią lub odpowiedzieć bezpośrednio. Gemma 4 dodaje natywną rolę systemową obok ról użytkownika i asystenta. Format poleceń Google włącza rozumowanie tokenem sterującym <|think|> w poleceniu systemowym i oddziela kanał myśli od odpowiedzi końcowej; udokumentowany procesor potrafi obsłużyć ten szablon. W rozmowie wieloturowej zachowuj wcześniejsze odpowiedzi końcowe w historii i pomijaj wcześniejsze myśli, z wyjątkiem tur wywoływania narzędzi, w których producent zaleca ich zachowanie.
Native Function Calling obsługuje strukturalne użycie narzędzi, a opis premierowy Google dokumentuje również uporządkowane wyjście JSON. Zdefiniuj zadanie, dostępną funkcję i oczekiwany wynik; aplikacja wykonuje żądaną operację i zwraca jej rezultat do kolejnego kroku. Zadanie programistyczne może dotyczyć generowania, uzupełniania lub poprawiania kodu, a asystent wizualny może na podstawie zwróconego tekstu wyjaśnić wykres lub ekran. Instrukcja wywołania funkcji jest czymś innym niż połączone działanie, które faktycznie wykonano.
Zmienną rozdzielczość obrazu określa budżet tokenów wizualnych. Udokumentowane opcje to 70, 140, 280, 560 i 1120 tokenów. Mniejsze budżety pasują do klasyfikacji, podpisów lub sekwencji klatek; większe zachowują więcej szczegółów dla OCR, analizy dokumentów i drobnego tekstu, wymagając dodatkowych obliczeń. Przed przygotowaniem obrazu zdecyduj, czy potrzebujesz całej sceny, czy dokładnych liter. Wyraźne przycięcie etykiety może być przydatniejsze przy wyodrębnianiu danych niż nieprecyzyjne polecenie sprawdzenia każdego szczegółu całej strony.
Google zaleca temperature 1.0, top-p 0.95 i top-k 64 jako konfigurację próbkowania rodziny. Karta modelu odróżnia trening w ponad 140 językach od gotowej obsługi ponad 35 języków. Wyraźnie określ język odpowiedzi i zachowaj w poleceniu nazwy domen, nazwy pól lub wzory. Wartość 256K jest specyfikacją kontekstu; przywołana karta modelu nie określa osobnego uniwersalnego maksimum wyjścia dla tego wydania.
Przy zadaniu łączącym dokumenty i kod dostarcz odpowiedni obraz strony, pisemne wymaganie i fragment źródłowy: „Odczytaj etykiety, wyjaśnij różnice między tym ekranem a specyfikacją i zaproponuj konkretną poprawkę w dostarczonym kodzie”. Przy wykresie poproś o oddzielenie widocznych wartości od wywnioskowanego trendu. Karta Gemma opisuje ograniczenia związane z niejednoznacznym językiem, bardzo złożonymi zadaniami oraz niepoprawnymi lub nieaktualnymi informacjami, dlatego dołącz wiarygodne fakty, na których wynik ma się opierać, 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-4-31b-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 $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00068 / 1K tokenów Wejście · Odczyt cache $0.0002 / 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 $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00068 / 1K tokenów Wejście · Odczyt cache $0.0002 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-31b-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-4-31b-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-4-31b-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-4-31b-it
Użyj ścieżek metod podanych powyżej.
google/gemma-4-31b-itGemma 4 31B IT to dostrojony do instrukcji gęsty model Google do rozumowania na podstawie tekstu i obrazów. Kontekst 256K, konfigurowalne myślenie, rozumienie obrazów i wideo na podstawie klatek oraz natywne wywoływanie funkcji wspierają zadania programistyczne, dokumentowe i agentowe z wyjściem tekstowym.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Gemma 4 31B IT to gęste wydanie otwartej rodziny Gemma 4 firmy Google DeepMind, dostrojone do instrukcji. Google pozycjonuje model 31B pod kątem jakości i dostosowania do zadania, podczas gdy odrębne wydanie 26B A4B wykorzystuje architekturę mixture-of-experts dla wydajniejszego wnioskowania. Ta karta dotyczy nazwanego wydania 31B dostrojonego do instrukcji, a nie jego wag po treningu wstępnym czy pochodnej wersji skwantyzowanej.
Oficjalna tabela architektury gęstej podaje 30,7 miliarda parametrów, 60 warstw, okno przesuwne 1024 tokenów i kontekst 256K tokenów. Rodzina łączy lokalną uwagę w oknie przesuwnym z uwagą globalną, kończąc warstwą globalną, oraz korzysta z dedykowanego enkodera wizualnego dla tego modelu. Wynikowy profil przyjmuje tekst i obrazy, a zwraca tekst. To fakty dotyczące architektury modelu; nie określają czasu odpowiedzi aplikacji ani nie oznaczają obsługi dźwięku dostępnej w innych rozmiarach Gemma 4.
Kontekst 256K tokenów pozwala łączyć obszerny tekst z dowodami wizualnymi. Obrazy i tekst można przeplatać w jednym poleceniu; producent zaleca umieszczanie obrazu przed powiązanym tekstem, aby uzyskać najlepsze wyniki. Zadania wizualne obejmują wykrywanie obiektów, interpretację stron dokumentów, rozumienie ekranów i interfejsów, wykresy, wielojęzyczne OCR, pismo odręczne i wskazywanie. Wynikiem jest tekst: wyodrębniona treść, wyjaśnienie, kod lub proponowane działanie narzędzia.
Rozumienie wideo przetwarza sekwencję klatek. Karta modelu podaje maksymalnie 60 sekund, gdy obrazy są przetwarzane z częstotliwością jednej klatki na sekundę. Przygotuj odpowiedni fragment, zachowaj kolejność klatek i zadaj pytanie o widoczną sekwencję. Ten profil wizualny 26B/31B nie przyjmuje dźwięku; możliwości mowy mniejszych wariantów Gemma 4 obsługujących audio nie mają tu zastosowania. Jeśli zadanie wymaga treści mówionej, dodaj jej transkrypcję jako tekst.
Konfigurowalne rozumowanie pozwala modelowi analizować przed odpowiedzią lub odpowiedzieć bezpośrednio. Gemma 4 dodaje natywną rolę systemową obok ról użytkownika i asystenta. Format poleceń Google włącza rozumowanie tokenem sterującym <|think|> w poleceniu systemowym i oddziela kanał myśli od odpowiedzi końcowej; udokumentowany procesor potrafi obsłużyć ten szablon. W rozmowie wieloturowej zachowuj wcześniejsze odpowiedzi końcowe w historii i pomijaj wcześniejsze myśli, z wyjątkiem tur wywoływania narzędzi, w których producent zaleca ich zachowanie.
Native Function Calling obsługuje strukturalne użycie narzędzi, a opis premierowy Google dokumentuje również uporządkowane wyjście JSON. Zdefiniuj zadanie, dostępną funkcję i oczekiwany wynik; aplikacja wykonuje żądaną operację i zwraca jej rezultat do kolejnego kroku. Zadanie programistyczne może dotyczyć generowania, uzupełniania lub poprawiania kodu, a asystent wizualny może na podstawie zwróconego tekstu wyjaśnić wykres lub ekran. Instrukcja wywołania funkcji jest czymś innym niż połączone działanie, które faktycznie wykonano.
Zmienną rozdzielczość obrazu określa budżet tokenów wizualnych. Udokumentowane opcje to 70, 140, 280, 560 i 1120 tokenów. Mniejsze budżety pasują do klasyfikacji, podpisów lub sekwencji klatek; większe zachowują więcej szczegółów dla OCR, analizy dokumentów i drobnego tekstu, wymagając dodatkowych obliczeń. Przed przygotowaniem obrazu zdecyduj, czy potrzebujesz całej sceny, czy dokładnych liter. Wyraźne przycięcie etykiety może być przydatniejsze przy wyodrębnianiu danych niż nieprecyzyjne polecenie sprawdzenia każdego szczegółu całej strony.
Google zaleca temperature 1.0, top-p 0.95 i top-k 64 jako konfigurację próbkowania rodziny. Karta modelu odróżnia trening w ponad 140 językach od gotowej obsługi ponad 35 języków. Wyraźnie określ język odpowiedzi i zachowaj w poleceniu nazwy domen, nazwy pól lub wzory. Wartość 256K jest specyfikacją kontekstu; przywołana karta modelu nie określa osobnego uniwersalnego maksimum wyjścia dla tego wydania.
Przy zadaniu łączącym dokumenty i kod dostarcz odpowiedni obraz strony, pisemne wymaganie i fragment źródłowy: „Odczytaj etykiety, wyjaśnij różnice między tym ekranem a specyfikacją i zaproponuj konkretną poprawkę w dostarczonym kodzie”. Przy wykresie poproś o oddzielenie widocznych wartości od wywnioskowanego trendu. Karta Gemma opisuje ograniczenia związane z niejednoznacznym językiem, bardzo złożonymi zadaniami oraz niepoprawnymi lub nieaktualnymi informacjami, dlatego dołącz wiarygodne fakty, na których wynik ma się opierać, 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-4-31b-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 $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00068 / 1K tokenów Wejście · Odczyt cache $0.0002 / 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 $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00068 / 1K tokenów Wejście · Odczyt cache $0.0002 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "google/gemma-4-31b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-31b-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-4-31b-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-4-31b-it
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.