Gemma 3 12B IT é o modelo de visão e linguagem da Google, de dimensão 12B, ajustado para seguir instruções. Pertence à família Gemma 3, que combina geração de texto, compreensão de imagens e treino multilingue. O sufixo IT seleciona o checkpoint que segue instruções, em vez do modelo pré-treinado. O resultado é texto: uma explicação, um resumo, uma resposta, um rascunho ou código derivado do material escrito e visual incluído num pedido.
O modelo 12B dispõe do contexto de 128K tokens da família para a entrada e a resposta gerada em conjunto. A saída utiliza a parte que sobra após o pedido; a ficha não concede uma segunda janela independente de 128K para a saída. As vistas de imagem de base são normalizadas para 896×896 e representadas por 256 tokens visuais cada. Ao preparar um conjunto de páginas, mantenha os identificadores das páginas e reserve espaço para o resultado. Faça uma pergunta específica sobre o conteúdo relevante, em vez de confiar numa janela grande para selecionar automaticamente a questão certa.
O fabricante indica 12 biliões de tokens de pré-treino para esta dimensão. O material de treino inclui documentos da Web multilingues, código, matemática e imagens, com cobertura de mais de 140 línguas na família. O relatório descreve destilação de conhecimento e uma receita melhorada de ajuste para seguir instruções com aprendizagem por reforço. Estas etapas visam a utilidade, o raciocínio matemático e sobre código, o cumprimento de instruções e a interação multilingue. Um orçamento de treino distinto e a identidade do checkpoint não bastam, por si só, para estabelecer a qualidade de uma resposta específica; compare, por isso, a saída com a tarefa de origem.
A arquitetura utiliza um transformer apenas com descodificador, com atenção de consultas agrupadas, e um padrão repetido de cinco camadas de atenção local para uma camada global. As camadas locais utilizam uma extensão de 1 024 tokens, enquanto a atenção global suporta o contexto mais longo. Um codificador visual SigLIP, partilhado pelos modelos 4B, 12B e 27B, converte imagens em representações consumidas pelo modelo de linguagem. O tokenizador SentencePiece preserva os espaços em branco, separa os algarismos e inclui codificação ao nível do byte. Isto é relevante quando a formatação do código, a notação numérica ou o texto multilingue têm de permanecer intactos.
O fluxo de trabalho visual inclui também Pan and Scan: recortes adaptativos sem sobreposição ajudam a reter conteúdo de fontes largas ou de alta resolução antes de cada vista chegar ao codificador de resolução fixa. As vistas adicionais alteram o material processado. Para um documento técnico, forneça uma página legível e, quando necessário, uma vista clara da tabela ou do diagrama a que a pergunta se refere. Preserve a definição circundante de uma unidade, símbolo ou coluna, para que uma leitura visual local não perca o seu significado.
O formato nativo de prompts IT utiliza turnos de utilizador e de modelo e não tem um papel de sistema separado. Coloque o papel pretendido, as regras de resposta e a tarefa no prompt inicial do utilizador, utilizando o formatador ou processador designado para a conversação efetiva. Um pedido original de análise documental pode comparar duas descrições de procedimentos, devolver uma tabela dos requisitos correspondentes e identificar eventuais conflitos. Identifique as fontes, indique qual o requisito prioritário e peça ao modelo que distinga os factos fornecidos da sua interpretação.
As utilizações previstas na ficha do fabricante incluem resumos, assistência conversacional, extração de dados de imagens, escrita e aprendizagem. Para uma explicação multilingue, indique o leitor a que se destina, a terminologia e o nível de detalhe. Para uma pergunta sobre uma imagem, identifique os objetos ou relações a abordar e peça observações que sustentem a resposta final. Para código, inclua a função real e o comportamento esperado; o resultado pode propor uma implementação, mas uma aplicação separada tem de a executar e verificar. O relatório publica separadamente variantes quantizadas da família, pelo que esta identidade 12B IT não deve ser substituída silenciosamente por outro checkpoint quantizado ao registar resultados.
O fabricante identifica limitações relacionadas com a cobertura do treino, inexatidões factuais, nuances linguísticas e tarefas complexas de resposta aberta. A Google alerta também que um padrão linguístico plausível pode produzir uma resposta que ignora uma restrição quotidiana do mundo real. Pequenos detalhes visuais podem perder-se ou ser interpretados incorretamente, e entradas longas continuam a precisar de prioridades claras. Mantenha as páginas originais, verifique os rótulos e as quantidades extraídos e valide qualquer texto pedido com aparência estruturada antes de o utilizar como dados. Avalie o modelo 12B IT exato com perguntas e línguas representativas. Um artefacto final útil apresenta a resposta baseada na fonte, o raciocínio necessário para a compreender e a incerteza que subsiste, sem fingir que uma explicação gerada é uma ação de ferramenta concluída ou uma consulta de conhecimento em tempo real.
", "aboutText": "Gemma 3 12B IT é o modelo de visão e linguagem da Google, de dimensão 12B, ajustado para seguir instruções. Pertence à família Gemma 3, que combina geração de texto, compreensão de imagens e treino multilingue. O sufixo IT seleciona o checkpoint que segue instruções, em vez do modelo pré-treinado. O resultado é texto: uma explicação, um resumo, uma resposta, um rascunho ou código derivado do material escrito e visual incluído num pedido.\n\nO modelo 12B dispõe do contexto de 128K tokens da família para a entrada e a resposta gerada em conjunto. A saída utiliza a parte que sobra após o pedido; a ficha não concede uma segunda janela independente de 128K para a saída. As vistas de imagem de base são normalizadas para 896×896 e representadas por 256 tokens visuais cada. Ao preparar um conjunto de páginas, mantenha os identificadores das páginas e reserve espaço para o resultado. Faça uma pergunta específica sobre o conteúdo relevante, em vez de confiar numa janela grande para selecionar automaticamente a questão certa.\n\nO fabricante indica 12 biliões de tokens de pré-treino para esta dimensão. O material de treino inclui documentos da Web multilingues, código, matemática e imagens, com cobertura de mais de 140 línguas na família. O relatório descreve destilação de conhecimento e uma receita melhorada de ajuste para seguir instruções com aprendizagem por reforço. Estas etapas visam a utilidade, o raciocínio matemático e sobre código, o cumprimento de instruções e a interação multilingue. Um orçamento de treino distinto e a identidade do checkpoint não bastam, por si só, para estabelecer a qualidade de uma resposta específica; compare, por isso, a saída com a tarefa de origem.\n\nA arquitetura utiliza um transformer apenas com descodificador, com atenção de consultas agrupadas, e um padrão repetido de cinco camadas de atenção local para uma camada global. As camadas locais utilizam uma extensão de 1 024 tokens, enquanto a atenção global suporta o contexto mais longo. Um codificador visual SigLIP, partilhado pelos modelos 4B, 12B e 27B, converte imagens em representações consumidas pelo modelo de linguagem. O tokenizador SentencePiece preserva os espaços em branco, separa os algarismos e inclui codificação ao nível do byte. Isto é relevante quando a formatação do código, a notação numérica ou o texto multilingue têm de permanecer intactos.\n\nO fluxo de trabalho visual inclui também Pan and Scan: recortes adaptativos sem sobreposição ajudam a reter conteúdo de fontes largas ou de alta resolução antes de cada vista chegar ao codificador de resolução fixa. As vistas adicionais alteram o material processado. Para um documento técnico, forneça uma página legível e, quando necessário, uma vista clara da tabela ou do diagrama a que a pergunta se refere. Preserve a definição circundante de uma unidade, símbolo ou coluna, para que uma leitura visual local não perca o seu significado.\n\nO formato nativo de prompts IT utiliza turnos de utilizador e de modelo e não tem um papel de sistema separado. Coloque o papel pretendido, as regras de resposta e a tarefa no prompt inicial do utilizador, utilizando o formatador ou processador designado para a conversação efetiva. Um pedido original de análise documental pode comparar duas descrições de procedimentos, devolver uma tabela dos requisitos correspondentes e identificar eventuais conflitos. Identifique as fontes, indique qual o requisito prioritário e peça ao modelo que distinga os factos fornecidos da sua interpretação.\n\nAs utilizações previstas na ficha do fabricante incluem resumos, assistência conversacional, extração de dados de imagens, escrita e aprendizagem. Para uma explicação multilingue, indique o leitor a que se destina, a terminologia e o nível de detalhe. Para uma pergunta sobre uma imagem, identifique os objetos ou relações a abordar e peça observações que sustentem a resposta final. Para código, inclua a função real e o comportamento esperado; o resultado pode propor uma implementação, mas uma aplicação separada tem de a executar e verificar. O relatório publica separadamente variantes quantizadas da família, pelo que esta identidade 12B IT não deve ser substituída silenciosamente por outro checkpoint quantizado ao registar resultados.\n\nO fabricante identifica limitações relacionadas com a cobertura do treino, inexatidões factuais, nuances linguísticas e tarefas complexas de resposta aberta. A Google alerta também que um padrão linguístico plausível pode produzir uma resposta que ignora uma restrição quotidiana do mundo real. Pequenos detalhes visuais podem perder-se ou ser interpretados incorretamente, e entradas longas continuam a precisar de prioridades claras. Mantenha as páginas originais, verifique os rótulos e as quantidades extraídos e valide qualquer texto pedido com aparência estruturada antes de o utilizar como dados. Avalie o modelo 12B IT exato com perguntas e línguas representativas. Um artefacto final útil apresenta a resposta baseada na fonte, o raciocínio necessário para a compreender e a incerteza que subsiste, sem fingir que uma explicação gerada é uma ação de ferramenta concluída ou uma consulta de conhecimento em tempo real.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.google/gemma-3-12b-itGemma 3 12B IT é uma edição distinta do Gemma 3, ajustada para seguir instruções, para geração de texto e compreensão de imagens. Utilize-a para perguntas sobre documentos, explicações e escrita multilingue com um contexto partilhado de 128K, identificando explicitamente o checkpoint 12B e o seu formato nativo de conversação.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemma 3 12B IT é o modelo de visão e linguagem da Google, de dimensão 12B, ajustado para seguir instruções. Pertence à família Gemma 3, que combina geração de texto, compreensão de imagens e treino multilingue. O sufixo IT seleciona o checkpoint que segue instruções, em vez do modelo pré-treinado. O resultado é texto: uma explicação, um resumo, uma resposta, um rascunho ou código derivado do material escrito e visual incluído num pedido.
O modelo 12B dispõe do contexto de 128K tokens da família para a entrada e a resposta gerada em conjunto. A saída utiliza a parte que sobra após o pedido; a ficha não concede uma segunda janela independente de 128K para a saída. As vistas de imagem de base são normalizadas para 896×896 e representadas por 256 tokens visuais cada. Ao preparar um conjunto de páginas, mantenha os identificadores das páginas e reserve espaço para o resultado. Faça uma pergunta específica sobre o conteúdo relevante, em vez de confiar numa janela grande para selecionar automaticamente a questão certa.
O fabricante indica 12 biliões de tokens de pré-treino para esta dimensão. O material de treino inclui documentos da Web multilingues, código, matemática e imagens, com cobertura de mais de 140 línguas na família. O relatório descreve destilação de conhecimento e uma receita melhorada de ajuste para seguir instruções com aprendizagem por reforço. Estas etapas visam a utilidade, o raciocínio matemático e sobre código, o cumprimento de instruções e a interação multilingue. Um orçamento de treino distinto e a identidade do checkpoint não bastam, por si só, para estabelecer a qualidade de uma resposta específica; compare, por isso, a saída com a tarefa de origem.
A arquitetura utiliza um transformer apenas com descodificador, com atenção de consultas agrupadas, e um padrão repetido de cinco camadas de atenção local para uma camada global. As camadas locais utilizam uma extensão de 1 024 tokens, enquanto a atenção global suporta o contexto mais longo. Um codificador visual SigLIP, partilhado pelos modelos 4B, 12B e 27B, converte imagens em representações consumidas pelo modelo de linguagem. O tokenizador SentencePiece preserva os espaços em branco, separa os algarismos e inclui codificação ao nível do byte. Isto é relevante quando a formatação do código, a notação numérica ou o texto multilingue têm de permanecer intactos.
O fluxo de trabalho visual inclui também Pan and Scan: recortes adaptativos sem sobreposição ajudam a reter conteúdo de fontes largas ou de alta resolução antes de cada vista chegar ao codificador de resolução fixa. As vistas adicionais alteram o material processado. Para um documento técnico, forneça uma página legível e, quando necessário, uma vista clara da tabela ou do diagrama a que a pergunta se refere. Preserve a definição circundante de uma unidade, símbolo ou coluna, para que uma leitura visual local não perca o seu significado.
O formato nativo de prompts IT utiliza turnos de utilizador e de modelo e não tem um papel de sistema separado. Coloque o papel pretendido, as regras de resposta e a tarefa no prompt inicial do utilizador, utilizando o formatador ou processador designado para a conversação efetiva. Um pedido original de análise documental pode comparar duas descrições de procedimentos, devolver uma tabela dos requisitos correspondentes e identificar eventuais conflitos. Identifique as fontes, indique qual o requisito prioritário e peça ao modelo que distinga os factos fornecidos da sua interpretação.
As utilizações previstas na ficha do fabricante incluem resumos, assistência conversacional, extração de dados de imagens, escrita e aprendizagem. Para uma explicação multilingue, indique o leitor a que se destina, a terminologia e o nível de detalhe. Para uma pergunta sobre uma imagem, identifique os objetos ou relações a abordar e peça observações que sustentem a resposta final. Para código, inclua a função real e o comportamento esperado; o resultado pode propor uma implementação, mas uma aplicação separada tem de a executar e verificar. O relatório publica separadamente variantes quantizadas da família, pelo que esta identidade 12B IT não deve ser substituída silenciosamente por outro checkpoint quantizado ao registar resultados.
O fabricante identifica limitações relacionadas com a cobertura do treino, inexatidões factuais, nuances linguísticas e tarefas complexas de resposta aberta. A Google alerta também que um padrão linguístico plausível pode produzir uma resposta que ignora uma restrição quotidiana do mundo real. Pequenos detalhes visuais podem perder-se ou ser interpretados incorretamente, e entradas longas continuam a precisar de prioridades claras. Mantenha as páginas originais, verifique os rótulos e as quantidades extraídos e valide qualquer texto pedido com aparência estruturada antes de o utilizar como dados. Avalie o modelo 12B IT exato com perguntas e línguas representativas. Um artefacto final útil apresenta a resposta baseada na fonte, o raciocínio necessário para a compreender e a incerteza que subsiste, sem fingir que uma explicação gerada é uma ação de ferramenta concluída ou uma consulta de conhecimento em tempo real.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites google/gemma-3-12b-it | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0001 / 1K tokens Saída · Tokens de saída $0.0003 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0001 / 1K tokens Saída · Tokens de saída $0.0003 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-12b-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-3-12b-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-3-12b-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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra google/gemma-3-12b-it
Use os caminhos dos métodos indicados acima.
google/gemma-3-12b-itGemma 3 12B IT é uma edição distinta do Gemma 3, ajustada para seguir instruções, para geração de texto e compreensão de imagens. Utilize-a para perguntas sobre documentos, explicações e escrita multilingue com um contexto partilhado de 128K, identificando explicitamente o checkpoint 12B e o seu formato nativo de conversação.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemma 3 12B IT é o modelo de visão e linguagem da Google, de dimensão 12B, ajustado para seguir instruções. Pertence à família Gemma 3, que combina geração de texto, compreensão de imagens e treino multilingue. O sufixo IT seleciona o checkpoint que segue instruções, em vez do modelo pré-treinado. O resultado é texto: uma explicação, um resumo, uma resposta, um rascunho ou código derivado do material escrito e visual incluído num pedido.
O modelo 12B dispõe do contexto de 128K tokens da família para a entrada e a resposta gerada em conjunto. A saída utiliza a parte que sobra após o pedido; a ficha não concede uma segunda janela independente de 128K para a saída. As vistas de imagem de base são normalizadas para 896×896 e representadas por 256 tokens visuais cada. Ao preparar um conjunto de páginas, mantenha os identificadores das páginas e reserve espaço para o resultado. Faça uma pergunta específica sobre o conteúdo relevante, em vez de confiar numa janela grande para selecionar automaticamente a questão certa.
O fabricante indica 12 biliões de tokens de pré-treino para esta dimensão. O material de treino inclui documentos da Web multilingues, código, matemática e imagens, com cobertura de mais de 140 línguas na família. O relatório descreve destilação de conhecimento e uma receita melhorada de ajuste para seguir instruções com aprendizagem por reforço. Estas etapas visam a utilidade, o raciocínio matemático e sobre código, o cumprimento de instruções e a interação multilingue. Um orçamento de treino distinto e a identidade do checkpoint não bastam, por si só, para estabelecer a qualidade de uma resposta específica; compare, por isso, a saída com a tarefa de origem.
A arquitetura utiliza um transformer apenas com descodificador, com atenção de consultas agrupadas, e um padrão repetido de cinco camadas de atenção local para uma camada global. As camadas locais utilizam uma extensão de 1 024 tokens, enquanto a atenção global suporta o contexto mais longo. Um codificador visual SigLIP, partilhado pelos modelos 4B, 12B e 27B, converte imagens em representações consumidas pelo modelo de linguagem. O tokenizador SentencePiece preserva os espaços em branco, separa os algarismos e inclui codificação ao nível do byte. Isto é relevante quando a formatação do código, a notação numérica ou o texto multilingue têm de permanecer intactos.
O fluxo de trabalho visual inclui também Pan and Scan: recortes adaptativos sem sobreposição ajudam a reter conteúdo de fontes largas ou de alta resolução antes de cada vista chegar ao codificador de resolução fixa. As vistas adicionais alteram o material processado. Para um documento técnico, forneça uma página legível e, quando necessário, uma vista clara da tabela ou do diagrama a que a pergunta se refere. Preserve a definição circundante de uma unidade, símbolo ou coluna, para que uma leitura visual local não perca o seu significado.
O formato nativo de prompts IT utiliza turnos de utilizador e de modelo e não tem um papel de sistema separado. Coloque o papel pretendido, as regras de resposta e a tarefa no prompt inicial do utilizador, utilizando o formatador ou processador designado para a conversação efetiva. Um pedido original de análise documental pode comparar duas descrições de procedimentos, devolver uma tabela dos requisitos correspondentes e identificar eventuais conflitos. Identifique as fontes, indique qual o requisito prioritário e peça ao modelo que distinga os factos fornecidos da sua interpretação.
As utilizações previstas na ficha do fabricante incluem resumos, assistência conversacional, extração de dados de imagens, escrita e aprendizagem. Para uma explicação multilingue, indique o leitor a que se destina, a terminologia e o nível de detalhe. Para uma pergunta sobre uma imagem, identifique os objetos ou relações a abordar e peça observações que sustentem a resposta final. Para código, inclua a função real e o comportamento esperado; o resultado pode propor uma implementação, mas uma aplicação separada tem de a executar e verificar. O relatório publica separadamente variantes quantizadas da família, pelo que esta identidade 12B IT não deve ser substituída silenciosamente por outro checkpoint quantizado ao registar resultados.
O fabricante identifica limitações relacionadas com a cobertura do treino, inexatidões factuais, nuances linguísticas e tarefas complexas de resposta aberta. A Google alerta também que um padrão linguístico plausível pode produzir uma resposta que ignora uma restrição quotidiana do mundo real. Pequenos detalhes visuais podem perder-se ou ser interpretados incorretamente, e entradas longas continuam a precisar de prioridades claras. Mantenha as páginas originais, verifique os rótulos e as quantidades extraídos e valide qualquer texto pedido com aparência estruturada antes de o utilizar como dados. Avalie o modelo 12B IT exato com perguntas e línguas representativas. Um artefacto final útil apresenta a resposta baseada na fonte, o raciocínio necessário para a compreender e a incerteza que subsiste, sem fingir que uma explicação gerada é uma ação de ferramenta concluída ou uma consulta de conhecimento em tempo real.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites google/gemma-3-12b-it | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0001 / 1K tokens Saída · Tokens de saída $0.0003 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0001 / 1K tokens Saída · Tokens de saída $0.0003 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "google/gemma-3-12b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-12b-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-3-12b-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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra google/gemma-3-12b-it
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.