O Gemma 4 26B A4B IT é a edição de mistura de especialistas da família aberta Gemma 4 da Google DeepMind, ajustada para seguir instruções. A tabela oficial da arquitetura apresenta 25.2 mil milhões de parâmetros totais e 3.8 mil milhões de parâmetros ativos; A4B designa a escala arredondada de parâmetros ativos. Destina-se a raciocínio, programação, fluxos de trabalho com agentes e compreensão multimodal. É uma edição distinta da versão pré-treinada e do modelo denso 31B.
A arquitetura de mistura de especialistas ativa um subconjunto dos parâmetros em cada passo de inferência: oito especialistas ativos de um total de 128, mais um especialista partilhado, segundo a tabela de arquitetura publicada. A Google posiciona esta edição em torno da eficiência de inferência face ao modelo denso. Combina uma arquitetura de 30 camadas e uma janela deslizante de 1,024 tokens com atenção global, um contexto de 256K e um codificador visual. Estes valores da arquitetura descrevem o modelo do fabricante, e não uma latência garantida nem a configuração de hardware de uma aplicação específica.
O contexto de 256K tokens permite combinar texto extenso com elementos visuais numa mesma tarefa. É possível intercalar imagens e texto num único prompt; o fabricante recomenda colocar o conteúdo de imagem antes do texto relacionado para obter os melhores resultados. As tarefas visuais incluem deteção de objetos, interpretação de páginas de documentos, compreensão de ecrãs e interfaces, gráficos, OCR multilingue, escrita à mão e indicação de posições. A saída é texto: conteúdo extraído, uma explicação, código ou uma proposta de ação de uma ferramenta.
O raciocínio configurável permite ao modelo raciocinar antes de responder ou dar uma resposta direta. O Gemma 4 acrescenta um papel system nativo aos papéis user e assistant. O formato de prompt da Google ativa o raciocínio através do token de controlo <|think|> no prompt de sistema e separa o canal de raciocínio da resposta final; o processador documentado consegue tratar esse modelo de formatação. Numa conversa com vários turnos, mantenha as respostas finais anteriores no histórico e exclua os raciocínios anteriores, exceto nos turnos com chamadas a ferramentas, nos quais o fabricante indica que devem ser preservados.
O Native Function Calling permite a utilização estruturada de ferramentas, e a descrição de lançamento da Google também documenta a saída JSON estruturada. Defina a tarefa, a função disponível e o resultado esperado; a aplicação executa a operação pedida e devolve a respetiva saída para o passo seguinte. Uma tarefa de programação pode pedir geração, conclusão ou correção de código, enquanto um assistente visual pode utilizar o texto devolvido para explicar um gráfico ou um ecrã. Uma instrução de chamada de função é distinta de uma ação ligada a um sistema que tenha sido efetivamente executada.
A resolução variável das imagens é controlada pelo orçamento de tokens visuais. As opções documentadas são 70, 140, 280, 560 e 1,120 tokens. Os orçamentos mais baixos adequam-se à classificação ou à criação de legendas; os mais elevados preservam mais pormenores para OCR, análise de documentos e texto pequeno, com cálculo adicional. Decida se precisa de compreender a cena global ou de ler as letras exatas antes de preparar a imagem. Um recorte nítido de uma etiqueta pode ser mais útil para uma tarefa de extração do que um pedido genérico para inspecionar todos os pormenores de uma página inteira.
A Google recomenda temperature 1.0, top-p 0.95 e top-k 64 como configuração de amostragem da família. A ficha do modelo distingue o treino em mais de 140 línguas do suporte imediato a mais de 35 línguas. Indique a língua da resposta e explicite no pedido os nomes de domínio, nomes de campos ou fórmulas que devem ser preservados. O valor 256K é uma especificação de contexto; a ficha citada não estabelece um limite máximo de saída universal e separado para esta edição.
Para uma tarefa que combine documentos e código, forneça a imagem da página relevante, o requisito escrito e o excerto de código: «Leia as etiquetas, explique em que é que este ecrã difere da especificação e proponha uma correção pontual ao código fornecido.» Para um gráfico, peça que a resposta distinga os valores visíveis de uma tendência inferida. A ficha do Gemma assinala limitações relacionadas com linguagem ambígua, tarefas muito complexas e afirmações factuais incorretas ou desatualizadas; por isso, inclua os factos de referência que o resultado deve utilizar, em vez de esperar que o conhecimento adquirido no treino os forneça.
Através da Ailoot, selecione este ID exato do modelo em /v1/chat/completions e forneça a tarefa em messages. Cada mensagem contém um role e o respetivo content; mantenha juntas a instrução relevante e as fontes. Recolha a resposta JSON completa ou todos os segmentos SSE quando stream estiver ativado e guarde usage juntamente com o resultado escrito.
", "aboutText": "O Gemma 4 26B A4B IT é a edição de mistura de especialistas da família aberta Gemma 4 da Google DeepMind, ajustada para seguir instruções. A tabela oficial da arquitetura apresenta 25.2 mil milhões de parâmetros totais e 3.8 mil milhões de parâmetros ativos; A4B designa a escala arredondada de parâmetros ativos. Destina-se a raciocínio, programação, fluxos de trabalho com agentes e compreensão multimodal. É uma edição distinta da versão pré-treinada e do modelo denso 31B.\n\nA arquitetura de mistura de especialistas ativa um subconjunto dos parâmetros em cada passo de inferência: oito especialistas ativos de um total de 128, mais um especialista partilhado, segundo a tabela de arquitetura publicada. A Google posiciona esta edição em torno da eficiência de inferência face ao modelo denso. Combina uma arquitetura de 30 camadas e uma janela deslizante de 1,024 tokens com atenção global, um contexto de 256K e um codificador visual. Estes valores da arquitetura descrevem o modelo do fabricante, e não uma latência garantida nem a configuração de hardware de uma aplicação específica.\n\nO contexto de 256K tokens permite combinar texto extenso com elementos visuais numa mesma tarefa. É possível intercalar imagens e texto num único prompt; o fabricante recomenda colocar o conteúdo de imagem antes do texto relacionado para obter os melhores resultados. As tarefas visuais incluem deteção de objetos, interpretação de páginas de documentos, compreensão de ecrãs e interfaces, gráficos, OCR multilingue, escrita à mão e indicação de posições. A saída é texto: conteúdo extraído, uma explicação, código ou uma proposta de ação de uma ferramenta.\n\nO raciocínio configurável permite ao modelo raciocinar antes de responder ou dar uma resposta direta. O Gemma 4 acrescenta um papel system nativo aos papéis user e assistant. O formato de prompt da Google ativa o raciocínio através do token de controlo <|think|> no prompt de sistema e separa o canal de raciocínio da resposta final; o processador documentado consegue tratar esse modelo de formatação. Numa conversa com vários turnos, mantenha as respostas finais anteriores no histórico e exclua os raciocínios anteriores, exceto nos turnos com chamadas a ferramentas, nos quais o fabricante indica que devem ser preservados.\n\nO Native Function Calling permite a utilização estruturada de ferramentas, e a descrição de lançamento da Google também documenta a saída JSON estruturada. Defina a tarefa, a função disponível e o resultado esperado; a aplicação executa a operação pedida e devolve a respetiva saída para o passo seguinte. Uma tarefa de programação pode pedir geração, conclusão ou correção de código, enquanto um assistente visual pode utilizar o texto devolvido para explicar um gráfico ou um ecrã. Uma instrução de chamada de função é distinta de uma ação ligada a um sistema que tenha sido efetivamente executada.\n\nA resolução variável das imagens é controlada pelo orçamento de tokens visuais. As opções documentadas são 70, 140, 280, 560 e 1,120 tokens. Os orçamentos mais baixos adequam-se à classificação ou à criação de legendas; os mais elevados preservam mais pormenores para OCR, análise de documentos e texto pequeno, com cálculo adicional. Decida se precisa de compreender a cena global ou de ler as letras exatas antes de preparar a imagem. Um recorte nítido de uma etiqueta pode ser mais útil para uma tarefa de extração do que um pedido genérico para inspecionar todos os pormenores de uma página inteira.\n\nA Google recomenda temperature 1.0, top-p 0.95 e top-k 64 como configuração de amostragem da família. A ficha do modelo distingue o treino em mais de 140 línguas do suporte imediato a mais de 35 línguas. Indique a língua da resposta e explicite no pedido os nomes de domínio, nomes de campos ou fórmulas que devem ser preservados. O valor 256K é uma especificação de contexto; a ficha citada não estabelece um limite máximo de saída universal e separado para esta edição.\n\nPara uma tarefa que combine documentos e código, forneça a imagem da página relevante, o requisito escrito e o excerto de código: «Leia as etiquetas, explique em que é que este ecrã difere da especificação e proponha uma correção pontual ao código fornecido.» Para um gráfico, peça que a resposta distinga os valores visíveis de uma tendência inferida. A ficha do Gemma assinala limitações relacionadas com linguagem ambígua, tarefas muito complexas e afirmações factuais incorretas ou desatualizadas; por isso, inclua os factos de referência que o resultado deve utilizar, em vez de esperar que o conhecimento adquirido no treino os forneça.\n\nAtravés da Ailoot, selecione este ID exato do modelo em /v1/chat/completions e forneça a tarefa em messages. Cada mensagem contém um role e o respetivo content; mantenha juntas a instrução relevante e as fontes. Recolha a resposta JSON completa ou todos os segmentos SSE quando stream estiver ativado e guarde usage juntamente com o resultado escrito.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d4edecfa16866702c606a33dbce27190a31cd9b86a0465b999663986e7a45c2d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "google/gemma-4-26b-a4b-it:freeO Gemma 4 26B A4B IT é o modelo de mistura de especialistas da Google, ajustado para seguir instruções e realizar raciocínio textual e visual. Combina um contexto de 256K, compreensão de imagens, raciocínio configurável e chamadas de funções nativas com saída em texto.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
O Gemma 4 26B A4B IT é a edição de mistura de especialistas da família aberta Gemma 4 da Google DeepMind, ajustada para seguir instruções. A tabela oficial da arquitetura apresenta 25.2 mil milhões de parâmetros totais e 3.8 mil milhões de parâmetros ativos; A4B designa a escala arredondada de parâmetros ativos. Destina-se a raciocínio, programação, fluxos de trabalho com agentes e compreensão multimodal. É uma edição distinta da versão pré-treinada e do modelo denso 31B.
A arquitetura de mistura de especialistas ativa um subconjunto dos parâmetros em cada passo de inferência: oito especialistas ativos de um total de 128, mais um especialista partilhado, segundo a tabela de arquitetura publicada. A Google posiciona esta edição em torno da eficiência de inferência face ao modelo denso. Combina uma arquitetura de 30 camadas e uma janela deslizante de 1,024 tokens com atenção global, um contexto de 256K e um codificador visual. Estes valores da arquitetura descrevem o modelo do fabricante, e não uma latência garantida nem a configuração de hardware de uma aplicação específica.
O contexto de 256K tokens permite combinar texto extenso com elementos visuais numa mesma tarefa. É possível intercalar imagens e texto num único prompt; o fabricante recomenda colocar o conteúdo de imagem antes do texto relacionado para obter os melhores resultados. As tarefas visuais incluem deteção de objetos, interpretação de páginas de documentos, compreensão de ecrãs e interfaces, gráficos, OCR multilingue, escrita à mão e indicação de posições. A saída é texto: conteúdo extraído, uma explicação, código ou uma proposta de ação de uma ferramenta.
O raciocínio configurável permite ao modelo raciocinar antes de responder ou dar uma resposta direta. O Gemma 4 acrescenta um papel system nativo aos papéis user e assistant. O formato de prompt da Google ativa o raciocínio através do token de controlo <|think|> no prompt de sistema e separa o canal de raciocínio da resposta final; o processador documentado consegue tratar esse modelo de formatação. Numa conversa com vários turnos, mantenha as respostas finais anteriores no histórico e exclua os raciocínios anteriores, exceto nos turnos com chamadas a ferramentas, nos quais o fabricante indica que devem ser preservados.
O Native Function Calling permite a utilização estruturada de ferramentas, e a descrição de lançamento da Google também documenta a saída JSON estruturada. Defina a tarefa, a função disponível e o resultado esperado; a aplicação executa a operação pedida e devolve a respetiva saída para o passo seguinte. Uma tarefa de programação pode pedir geração, conclusão ou correção de código, enquanto um assistente visual pode utilizar o texto devolvido para explicar um gráfico ou um ecrã. Uma instrução de chamada de função é distinta de uma ação ligada a um sistema que tenha sido efetivamente executada.
A resolução variável das imagens é controlada pelo orçamento de tokens visuais. As opções documentadas são 70, 140, 280, 560 e 1,120 tokens. Os orçamentos mais baixos adequam-se à classificação ou à criação de legendas; os mais elevados preservam mais pormenores para OCR, análise de documentos e texto pequeno, com cálculo adicional. Decida se precisa de compreender a cena global ou de ler as letras exatas antes de preparar a imagem. Um recorte nítido de uma etiqueta pode ser mais útil para uma tarefa de extração do que um pedido genérico para inspecionar todos os pormenores de uma página inteira.
A Google recomenda temperature 1.0, top-p 0.95 e top-k 64 como configuração de amostragem da família. A ficha do modelo distingue o treino em mais de 140 línguas do suporte imediato a mais de 35 línguas. Indique a língua da resposta e explicite no pedido os nomes de domínio, nomes de campos ou fórmulas que devem ser preservados. O valor 256K é uma especificação de contexto; a ficha citada não estabelece um limite máximo de saída universal e separado para esta edição.
Para uma tarefa que combine documentos e código, forneça a imagem da página relevante, o requisito escrito e o excerto de código: «Leia as etiquetas, explique em que é que este ecrã difere da especificação e proponha uma correção pontual ao código fornecido.» Para um gráfico, peça que a resposta distinga os valores visíveis de uma tendência inferida. A ficha do Gemma assinala limitações relacionadas com linguagem ambígua, tarefas muito complexas e afirmações factuais incorretas ou desatualizadas; por isso, inclua os factos de referência que o resultado deve utilizar, em vez de esperar que o conhecimento adquirido no treino os forneça.
Através da Ailoot, selecione este ID exato do modelo em /v1/chat/completions e forneça a tarefa em messages. Cada mensagem contém um role e o respetivo content; mantenha juntas a instrução relevante e as fontes. Recolha a resposta JSON completa ou todos os segmentos SSE quando stream estiver ativado e guarde usage juntamente com o resultado escrito.
POST /v1/chat/completionstext, imagetext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites google/gemma-4-26b-a4b-it:free Condições: Utilize exatamente este seletor de encaminhamento do Ailoot. | Predefinição— |
Campomessages | Tipoarray | RequisitoObrigatório | Valores e limites Condições: | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites Condições: | Predefiniçãofalse |
text_input · Obrigatório: messages
image_with_text · Obrigatório: messages with actual image content blocks
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetrooptional | Contratostream |
Parâmetromaterial_types | Contratotext, image |
Parâmetroconditions | ContratoUtilize exatamente este seletor de encaminhamento do Ailoot., Este protocolo transporta conteúdo de imagem quando o modelo concreto selecionado suporta visão. A aceitação de pedidos pelo protocolo não comprova que todos os modelos consigam processar imagens. |
Aliases do método: /chat/completions
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-it:free", "messages": [{"role": "user", "content": "Explain how a rainbow forms."}]}')\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\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON or SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, os ID de chamadas de ferramentas, as assinaturas de raciocínio que sejam devolvidas, todos os incrementos SSE e os dados completos de consumo. O primeiro fragmento de texto não é o resultado completo.
Mantenha o X-Client-Request-ID original, a resposta e os cabeçalhos. Um resultado desconhecido ou result_pending_check não autoriza uma segunda criação.
| Campo | Tipo |
|---|---|
Campochoices[] | Tipoobject |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoUm campo obrigatório, o seletor de modelo, o tipo ou a representação da entrada é inválido. | Passo seguinteAnalise os detalhes de validação devolvidos antes de preparar um pedido separado. |
Resposta | CondiçãoO pedido original ou o respetivo resultado é desconhecido ou requer uma verificação. | Passo seguinteMantenha os identificadores e os cabeçalhos originais; consulte apenas os registos de estado ou da biblioteca suportados. Não volte a enviar o pedido de criação. |
Ailoot Ultra google/gemma-4-26b-a4b-it:free
/chat/completions