Llama 4 Maverick Instruct é o modelo nativamente multimodal da Meta para conversa de assistente e raciocínio visual. Recebe texto multilingue e imagens e gera texto multilingue ou código. A arquitetura de mistura de especialistas usa fusão precoce, combinando informação visual e textual dentro do modelo em vez de tratar a imagem como uma legenda sem relação fornecida por um assistente textual separado.
Informação do modelo e contexto
O fabricante indica 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões de parâmetros no total para Maverick. São distintos da configuração do Scout com 16 especialistas e 109 mil milhões no total, embora ambos tenham a indicação de tamanho ativo de 17B. O nome Instruct identifica o checkpoint orientado para assistente, não o modelo Maverick pré-treinado.
A ficha do modelo documenta uma janela de contexto de 1M para Maverick. Use o contexto para conservar em conjunto as passagens, imagens, conversa e resposta solicitada relevantes. Uma coleção grande de fontes continua a precisar de uma pergunta e de um artefacto definidos. Identifique os documentos e imagens de origem e peça a localização que sustenta cada conclusão extraída, em vez de pedir um resumo sem orientação de todo o material.
As línguas suportadas são árabe, inglês, francês, alemão, hindi, indonésio, italiano, português, espanhol, tagalo, tailandês e vietnamita. O fabricante distingue estas doze línguas suportadas da coleção mais ampla de cerca de duzentas línguas usada no pré-treino. A presença de uma língua no treino não deve ser transformada numa promessa de capacidade igual para todas as línguas.
Tarefas de chat, visão e código
Os usos visuais previstos pela ficha incluem reconhecimento, raciocínio sobre imagens, legendagem descritiva e resposta a perguntas gerais sobre uma imagem. Para uma fotografia, peça ao modelo que identifique os objetos ou a relação relevantes para a tarefa. Para um gráfico, peça uma comparação entre séries identificadas, conservando os eixos e as unidades. Para um diagrama, pergunte que ligação identificada sustenta um requisito fornecido.
Para uma comparação de várias imagens, identifique o papel de cada uma e peça os mesmos critérios para todas. Por exemplo, forneça um design original e uma revisão e peça depois correspondências visíveis, diferenças e pormenores que as imagens não estabelecem. Mantenha as observações separadas de conclusões que dependem do texto acompanhante. Isto facilita a inspeção da saída face à fonte real.
O fabricante refere testes de compreensão de imagens com até cinco imagens de entrada. É o âmbito testado documentado, não um máximo rígido incondicional da contagem de imagens. Preserve o pormenor necessário para a pergunta e a ordem das imagens. Acrescentar um grande número de imagens sem relação não define por si só o que deve ser comparado.
Para uma tarefa de programação, forneça o requisito, o código-fonte relevante e o comportamento esperado. Peça a implementação proposta separadamente dos pressupostos e exemplos. Uma captura de ecrã pode fornecer requisitos visuais, enquanto a condição textual fornece comportamento que a captura não pode mostrar. O código gerado é um artefacto textual; executá-lo, examinar uma interface renderizada ou aplicá-lo a um repositório exige o ambiente ligado.
Preparação da conversa e treino
A ficha do modelo demonstra o processador e o modelo de chat correspondentes com duas imagens e uma pergunta escrita de comparação. Mantenha explícitos os papéis da conversa e a associação entre imagem e texto. Uma instrução de sistema pode definir o público, o tom e a estrutura da resposta, enquanto a mensagem do utilizador fornece a tarefa real e as evidências. O fabricante descreve melhorias de pós-treino na orientação por prompts de sistema e na formatação da conversa.
Maverick é pré-treinado com aproximadamente 22 biliões de tokens de dados multimodais, com um limite declarado dos dados de pré-treino de agosto de 2024. Trata-se de uma fronteira estática dos dados de treino, não de acesso em tempo real a informação atual. Quando uma pergunta depender de material posterior ou privado, forneça esse material como contexto de origem ou através de uma operação de recuperação ligada separadamente.
O lançamento inclui pesos BF16 e pesos FP8 quantizados separadamente. Essas escolhas de precisão não criam outra modalidade de entrada nem atribuem a Maverick o contexto de 10M do Scout. Preserve o checkpoint Instruct exato e a respetiva configuração ao comparar uma tarefa repetida ou uma implementação derivada.
Conceção prática do resultado
Uma tarefa de imagem documental pode pedir o identificador da fonte, a afirmação visível, o valor extraído e a interpretação como campos separados. Uma explicação de conversação pode conservar os termos originais e adaptar a prosa à língua suportada do leitor. Um pedido de programação pode devolver o fragmento revisto e exemplos que distingam o comportamento pretendido.
Defina como será usado o resultado final antes de fornecer o material. Uma legenda curta, uma tabela comparativa e um programa proposto resolvem tarefas diferentes, mesmo quando partilham as mesmas imagens. As capacidades visuais e linguísticas do modelo fornecem a interpretação e o texto; a recuperação externa, a execução ou a produção de ficheiros vêm de componentes da aplicação.
Limites específicos
As entradas documentadas aqui são texto e imagens, com saída de texto e código. A compreensão de áudio ou vídeo, a geração de fala e os controlos identificados de esforço de raciocínio do Muse Spark não devem ser atribuídos a esta edição Maverick. Llama Guard também é um classificador treinado separadamente, não uma saída automática de classificação de uma resposta Maverick.
O exemplo de geração de 256 tokens da ficha é uma definição de exemplo e as fontes consultadas não estabelecem um máximo rígido separado de tokens de saída além da especificação de contexto do modelo. Mantenha explícitos a identidade Maverick, o âmbito das línguas suportadas e o artefacto final ligado às fontes, em vez de importar limites ou modos de outra versão Llama.
", "aboutText": "Llama 4 Maverick Instruct é o modelo nativamente multimodal da Meta para conversa de assistente e raciocínio visual. Recebe texto multilingue e imagens e gera texto multilingue ou código. A arquitetura de mistura de especialistas usa fusão precoce, combinando informação visual e textual dentro do modelo em vez de tratar a imagem como uma legenda sem relação fornecida por um assistente textual separado.\n\nInformação do modelo e contexto\n\nO fabricante indica 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões de parâmetros no total para Maverick. São distintos da configuração do Scout com 16 especialistas e 109 mil milhões no total, embora ambos tenham a indicação de tamanho ativo de 17B. O nome Instruct identifica o checkpoint orientado para assistente, não o modelo Maverick pré-treinado.\n\nA ficha do modelo documenta uma janela de contexto de 1M para Maverick. Use o contexto para conservar em conjunto as passagens, imagens, conversa e resposta solicitada relevantes. Uma coleção grande de fontes continua a precisar de uma pergunta e de um artefacto definidos. Identifique os documentos e imagens de origem e peça a localização que sustenta cada conclusão extraída, em vez de pedir um resumo sem orientação de todo o material.\n\nAs línguas suportadas são árabe, inglês, francês, alemão, hindi, indonésio, italiano, português, espanhol, tagalo, tailandês e vietnamita. O fabricante distingue estas doze línguas suportadas da coleção mais ampla de cerca de duzentas línguas usada no pré-treino. A presença de uma língua no treino não deve ser transformada numa promessa de capacidade igual para todas as línguas.\n\nTarefas de chat, visão e código\n\nOs usos visuais previstos pela ficha incluem reconhecimento, raciocínio sobre imagens, legendagem descritiva e resposta a perguntas gerais sobre uma imagem. Para uma fotografia, peça ao modelo que identifique os objetos ou a relação relevantes para a tarefa. Para um gráfico, peça uma comparação entre séries identificadas, conservando os eixos e as unidades. Para um diagrama, pergunte que ligação identificada sustenta um requisito fornecido.\n\nPara uma comparação de várias imagens, identifique o papel de cada uma e peça os mesmos critérios para todas. Por exemplo, forneça um design original e uma revisão e peça depois correspondências visíveis, diferenças e pormenores que as imagens não estabelecem. Mantenha as observações separadas de conclusões que dependem do texto acompanhante. Isto facilita a inspeção da saída face à fonte real.\n\nO fabricante refere testes de compreensão de imagens com até cinco imagens de entrada. É o âmbito testado documentado, não um máximo rígido incondicional da contagem de imagens. Preserve o pormenor necessário para a pergunta e a ordem das imagens. Acrescentar um grande número de imagens sem relação não define por si só o que deve ser comparado.\n\nPara uma tarefa de programação, forneça o requisito, o código-fonte relevante e o comportamento esperado. Peça a implementação proposta separadamente dos pressupostos e exemplos. Uma captura de ecrã pode fornecer requisitos visuais, enquanto a condição textual fornece comportamento que a captura não pode mostrar. O código gerado é um artefacto textual; executá-lo, examinar uma interface renderizada ou aplicá-lo a um repositório exige o ambiente ligado.\n\nPreparação da conversa e treino\n\nA ficha do modelo demonstra o processador e o modelo de chat correspondentes com duas imagens e uma pergunta escrita de comparação. Mantenha explícitos os papéis da conversa e a associação entre imagem e texto. Uma instrução de sistema pode definir o público, o tom e a estrutura da resposta, enquanto a mensagem do utilizador fornece a tarefa real e as evidências. O fabricante descreve melhorias de pós-treino na orientação por prompts de sistema e na formatação da conversa.\n\nMaverick é pré-treinado com aproximadamente 22 biliões de tokens de dados multimodais, com um limite declarado dos dados de pré-treino de agosto de 2024. Trata-se de uma fronteira estática dos dados de treino, não de acesso em tempo real a informação atual. Quando uma pergunta depender de material posterior ou privado, forneça esse material como contexto de origem ou através de uma operação de recuperação ligada separadamente.\n\nO lançamento inclui pesos BF16 e pesos FP8 quantizados separadamente. Essas escolhas de precisão não criam outra modalidade de entrada nem atribuem a Maverick o contexto de 10M do Scout. Preserve o checkpoint Instruct exato e a respetiva configuração ao comparar uma tarefa repetida ou uma implementação derivada.\n\nConceção prática do resultado\n\nUma tarefa de imagem documental pode pedir o identificador da fonte, a afirmação visível, o valor extraído e a interpretação como campos separados. Uma explicação de conversação pode conservar os termos originais e adaptar a prosa à língua suportada do leitor. Um pedido de programação pode devolver o fragmento revisto e exemplos que distingam o comportamento pretendido.\n\nDefina como será usado o resultado final antes de fornecer o material. Uma legenda curta, uma tabela comparativa e um programa proposto resolvem tarefas diferentes, mesmo quando partilham as mesmas imagens. As capacidades visuais e linguísticas do modelo fornecem a interpretação e o texto; a recuperação externa, a execução ou a produção de ficheiros vêm de componentes da aplicação.\n\nLimites específicos\n\nAs entradas documentadas aqui são texto e imagens, com saída de texto e código. A compreensão de áudio ou vídeo, a geração de fala e os controlos identificados de esforço de raciocínio do Muse Spark não devem ser atribuídos a esta edição Maverick. Llama Guard também é um classificador treinado separadamente, não uma saída automática de classificação de uma resposta Maverick.\n\nO exemplo de geração de 256 tokens da ficha é uma definição de exemplo e as fontes consultadas não estabelecem um máximo rígido separado de tokens de saída além da especificação de contexto do modelo. Mantenha explícitos a identidade Maverick, o âmbito das línguas suportadas e o artefacto final ligado às fontes, em vez de importar limites ou modos de outra versão Llama.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick é o modelo Instruct nativo de texto e imagem da Meta com 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões no total. O fabricante documenta um contexto de 1M, saída de texto multilingue e código, reconhecimento visual, legendagem descritiva e perguntas sobre imagens numa versão distinta do Scout.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama 4 Maverick Instruct é o modelo nativamente multimodal da Meta para conversa de assistente e raciocínio visual. Recebe texto multilingue e imagens e gera texto multilingue ou código. A arquitetura de mistura de especialistas usa fusão precoce, combinando informação visual e textual dentro do modelo em vez de tratar a imagem como uma legenda sem relação fornecida por um assistente textual separado.
Informação do modelo e contexto
O fabricante indica 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões de parâmetros no total para Maverick. São distintos da configuração do Scout com 16 especialistas e 109 mil milhões no total, embora ambos tenham a indicação de tamanho ativo de 17B. O nome Instruct identifica o checkpoint orientado para assistente, não o modelo Maverick pré-treinado.
A ficha do modelo documenta uma janela de contexto de 1M para Maverick. Use o contexto para conservar em conjunto as passagens, imagens, conversa e resposta solicitada relevantes. Uma coleção grande de fontes continua a precisar de uma pergunta e de um artefacto definidos. Identifique os documentos e imagens de origem e peça a localização que sustenta cada conclusão extraída, em vez de pedir um resumo sem orientação de todo o material.
As línguas suportadas são árabe, inglês, francês, alemão, hindi, indonésio, italiano, português, espanhol, tagalo, tailandês e vietnamita. O fabricante distingue estas doze línguas suportadas da coleção mais ampla de cerca de duzentas línguas usada no pré-treino. A presença de uma língua no treino não deve ser transformada numa promessa de capacidade igual para todas as línguas.
Tarefas de chat, visão e código
Os usos visuais previstos pela ficha incluem reconhecimento, raciocínio sobre imagens, legendagem descritiva e resposta a perguntas gerais sobre uma imagem. Para uma fotografia, peça ao modelo que identifique os objetos ou a relação relevantes para a tarefa. Para um gráfico, peça uma comparação entre séries identificadas, conservando os eixos e as unidades. Para um diagrama, pergunte que ligação identificada sustenta um requisito fornecido.
Para uma comparação de várias imagens, identifique o papel de cada uma e peça os mesmos critérios para todas. Por exemplo, forneça um design original e uma revisão e peça depois correspondências visíveis, diferenças e pormenores que as imagens não estabelecem. Mantenha as observações separadas de conclusões que dependem do texto acompanhante. Isto facilita a inspeção da saída face à fonte real.
O fabricante refere testes de compreensão de imagens com até cinco imagens de entrada. É o âmbito testado documentado, não um máximo rígido incondicional da contagem de imagens. Preserve o pormenor necessário para a pergunta e a ordem das imagens. Acrescentar um grande número de imagens sem relação não define por si só o que deve ser comparado.
Para uma tarefa de programação, forneça o requisito, o código-fonte relevante e o comportamento esperado. Peça a implementação proposta separadamente dos pressupostos e exemplos. Uma captura de ecrã pode fornecer requisitos visuais, enquanto a condição textual fornece comportamento que a captura não pode mostrar. O código gerado é um artefacto textual; executá-lo, examinar uma interface renderizada ou aplicá-lo a um repositório exige o ambiente ligado.
Preparação da conversa e treino
A ficha do modelo demonstra o processador e o modelo de chat correspondentes com duas imagens e uma pergunta escrita de comparação. Mantenha explícitos os papéis da conversa e a associação entre imagem e texto. Uma instrução de sistema pode definir o público, o tom e a estrutura da resposta, enquanto a mensagem do utilizador fornece a tarefa real e as evidências. O fabricante descreve melhorias de pós-treino na orientação por prompts de sistema e na formatação da conversa.
Maverick é pré-treinado com aproximadamente 22 biliões de tokens de dados multimodais, com um limite declarado dos dados de pré-treino de agosto de 2024. Trata-se de uma fronteira estática dos dados de treino, não de acesso em tempo real a informação atual. Quando uma pergunta depender de material posterior ou privado, forneça esse material como contexto de origem ou através de uma operação de recuperação ligada separadamente.
O lançamento inclui pesos BF16 e pesos FP8 quantizados separadamente. Essas escolhas de precisão não criam outra modalidade de entrada nem atribuem a Maverick o contexto de 10M do Scout. Preserve o checkpoint Instruct exato e a respetiva configuração ao comparar uma tarefa repetida ou uma implementação derivada.
Conceção prática do resultado
Uma tarefa de imagem documental pode pedir o identificador da fonte, a afirmação visível, o valor extraído e a interpretação como campos separados. Uma explicação de conversação pode conservar os termos originais e adaptar a prosa à língua suportada do leitor. Um pedido de programação pode devolver o fragmento revisto e exemplos que distingam o comportamento pretendido.
Defina como será usado o resultado final antes de fornecer o material. Uma legenda curta, uma tabela comparativa e um programa proposto resolvem tarefas diferentes, mesmo quando partilham as mesmas imagens. As capacidades visuais e linguísticas do modelo fornecem a interpretação e o texto; a recuperação externa, a execução ou a produção de ficheiros vêm de componentes da aplicação.
Limites específicos
As entradas documentadas aqui são texto e imagens, com saída de texto e código. A compreensão de áudio ou vídeo, a geração de fala e os controlos identificados de esforço de raciocínio do Muse Spark não devem ser atribuídos a esta edição Maverick. Llama Guard também é um classificador treinado separadamente, não uma saída automática de classificação de uma resposta Maverick.
O exemplo de geração de 256 tokens da ficha é uma definição de exemplo e as fontes consultadas não estabelecem um máximo rígido separado de tokens de saída além da especificação de contexto do modelo. Mantenha explícitos a identidade Maverick, o âmbito das línguas suportadas e o artefacto final ligado às fontes, em vez de importar limites ou modos de outra versão Llama.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites llama-4-maverick | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Conversação textual | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
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 |
Parâmetrocontrol_scope | ContratoConversação textual; stream é um booleano e tem false como predefinição. |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Aliases do método: /chat/completions
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 $0.000375 / 1K tokens Saída · Tokens de saída $0.001305 / 1K tokens Entrada · Leitura da cache $0.0001 / 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 $0.000375 / 1K tokens Saída · Tokens de saída $0.001305 / 1K tokens Entrada · Leitura da cache $0.0001 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick é o modelo Instruct nativo de texto e imagem da Meta com 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões no total. O fabricante documenta um contexto de 1M, saída de texto multilingue e código, reconhecimento visual, legendagem descritiva e perguntas sobre imagens numa versão distinta do Scout.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama 4 Maverick Instruct é o modelo nativamente multimodal da Meta para conversa de assistente e raciocínio visual. Recebe texto multilingue e imagens e gera texto multilingue ou código. A arquitetura de mistura de especialistas usa fusão precoce, combinando informação visual e textual dentro do modelo em vez de tratar a imagem como uma legenda sem relação fornecida por um assistente textual separado.
Informação do modelo e contexto
O fabricante indica 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões de parâmetros no total para Maverick. São distintos da configuração do Scout com 16 especialistas e 109 mil milhões no total, embora ambos tenham a indicação de tamanho ativo de 17B. O nome Instruct identifica o checkpoint orientado para assistente, não o modelo Maverick pré-treinado.
A ficha do modelo documenta uma janela de contexto de 1M para Maverick. Use o contexto para conservar em conjunto as passagens, imagens, conversa e resposta solicitada relevantes. Uma coleção grande de fontes continua a precisar de uma pergunta e de um artefacto definidos. Identifique os documentos e imagens de origem e peça a localização que sustenta cada conclusão extraída, em vez de pedir um resumo sem orientação de todo o material.
As línguas suportadas são árabe, inglês, francês, alemão, hindi, indonésio, italiano, português, espanhol, tagalo, tailandês e vietnamita. O fabricante distingue estas doze línguas suportadas da coleção mais ampla de cerca de duzentas línguas usada no pré-treino. A presença de uma língua no treino não deve ser transformada numa promessa de capacidade igual para todas as línguas.
Tarefas de chat, visão e código
Os usos visuais previstos pela ficha incluem reconhecimento, raciocínio sobre imagens, legendagem descritiva e resposta a perguntas gerais sobre uma imagem. Para uma fotografia, peça ao modelo que identifique os objetos ou a relação relevantes para a tarefa. Para um gráfico, peça uma comparação entre séries identificadas, conservando os eixos e as unidades. Para um diagrama, pergunte que ligação identificada sustenta um requisito fornecido.
Para uma comparação de várias imagens, identifique o papel de cada uma e peça os mesmos critérios para todas. Por exemplo, forneça um design original e uma revisão e peça depois correspondências visíveis, diferenças e pormenores que as imagens não estabelecem. Mantenha as observações separadas de conclusões que dependem do texto acompanhante. Isto facilita a inspeção da saída face à fonte real.
O fabricante refere testes de compreensão de imagens com até cinco imagens de entrada. É o âmbito testado documentado, não um máximo rígido incondicional da contagem de imagens. Preserve o pormenor necessário para a pergunta e a ordem das imagens. Acrescentar um grande número de imagens sem relação não define por si só o que deve ser comparado.
Para uma tarefa de programação, forneça o requisito, o código-fonte relevante e o comportamento esperado. Peça a implementação proposta separadamente dos pressupostos e exemplos. Uma captura de ecrã pode fornecer requisitos visuais, enquanto a condição textual fornece comportamento que a captura não pode mostrar. O código gerado é um artefacto textual; executá-lo, examinar uma interface renderizada ou aplicá-lo a um repositório exige o ambiente ligado.
Preparação da conversa e treino
A ficha do modelo demonstra o processador e o modelo de chat correspondentes com duas imagens e uma pergunta escrita de comparação. Mantenha explícitos os papéis da conversa e a associação entre imagem e texto. Uma instrução de sistema pode definir o público, o tom e a estrutura da resposta, enquanto a mensagem do utilizador fornece a tarefa real e as evidências. O fabricante descreve melhorias de pós-treino na orientação por prompts de sistema e na formatação da conversa.
Maverick é pré-treinado com aproximadamente 22 biliões de tokens de dados multimodais, com um limite declarado dos dados de pré-treino de agosto de 2024. Trata-se de uma fronteira estática dos dados de treino, não de acesso em tempo real a informação atual. Quando uma pergunta depender de material posterior ou privado, forneça esse material como contexto de origem ou através de uma operação de recuperação ligada separadamente.
O lançamento inclui pesos BF16 e pesos FP8 quantizados separadamente. Essas escolhas de precisão não criam outra modalidade de entrada nem atribuem a Maverick o contexto de 10M do Scout. Preserve o checkpoint Instruct exato e a respetiva configuração ao comparar uma tarefa repetida ou uma implementação derivada.
Conceção prática do resultado
Uma tarefa de imagem documental pode pedir o identificador da fonte, a afirmação visível, o valor extraído e a interpretação como campos separados. Uma explicação de conversação pode conservar os termos originais e adaptar a prosa à língua suportada do leitor. Um pedido de programação pode devolver o fragmento revisto e exemplos que distingam o comportamento pretendido.
Defina como será usado o resultado final antes de fornecer o material. Uma legenda curta, uma tabela comparativa e um programa proposto resolvem tarefas diferentes, mesmo quando partilham as mesmas imagens. As capacidades visuais e linguísticas do modelo fornecem a interpretação e o texto; a recuperação externa, a execução ou a produção de ficheiros vêm de componentes da aplicação.
Limites específicos
As entradas documentadas aqui são texto e imagens, com saída de texto e código. A compreensão de áudio ou vídeo, a geração de fala e os controlos identificados de esforço de raciocínio do Muse Spark não devem ser atribuídos a esta edição Maverick. Llama Guard também é um classificador treinado separadamente, não uma saída automática de classificação de uma resposta Maverick.
O exemplo de geração de 256 tokens da ficha é uma definição de exemplo e as fontes consultadas não estabelecem um máximo rígido separado de tokens de saída além da especificação de contexto do modelo. Mantenha explícitos a identidade Maverick, o âmbito das línguas suportadas e o artefacto final ligado às fontes, em vez de importar limites ou modos de outra versão Llama.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites llama-4-maverick | 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 $0.000375 / 1K tokens Saída · Tokens de saída $0.001305 / 1K tokens Entrada · Leitura da cache $0.0001 / 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 $0.000375 / 1K tokens Saída · Tokens de saída $0.001305 / 1K tokens Entrada · Leitura da cache $0.0001 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'llama-4-maverick', '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': 'llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick é o modelo Instruct nativo de texto e imagem da Meta com 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões no total. O fabricante documenta um contexto de 1M, saída de texto multilingue e código, reconhecimento visual, legendagem descritiva e perguntas sobre imagens numa versão distinta do Scout.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama 4 Maverick Instruct é o modelo nativamente multimodal da Meta para conversa de assistente e raciocínio visual. Recebe texto multilingue e imagens e gera texto multilingue ou código. A arquitetura de mistura de especialistas usa fusão precoce, combinando informação visual e textual dentro do modelo em vez de tratar a imagem como uma legenda sem relação fornecida por um assistente textual separado.
Informação do modelo e contexto
O fabricante indica 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões de parâmetros no total para Maverick. São distintos da configuração do Scout com 16 especialistas e 109 mil milhões no total, embora ambos tenham a indicação de tamanho ativo de 17B. O nome Instruct identifica o checkpoint orientado para assistente, não o modelo Maverick pré-treinado.
A ficha do modelo documenta uma janela de contexto de 1M para Maverick. Use o contexto para conservar em conjunto as passagens, imagens, conversa e resposta solicitada relevantes. Uma coleção grande de fontes continua a precisar de uma pergunta e de um artefacto definidos. Identifique os documentos e imagens de origem e peça a localização que sustenta cada conclusão extraída, em vez de pedir um resumo sem orientação de todo o material.
As línguas suportadas são árabe, inglês, francês, alemão, hindi, indonésio, italiano, português, espanhol, tagalo, tailandês e vietnamita. O fabricante distingue estas doze línguas suportadas da coleção mais ampla de cerca de duzentas línguas usada no pré-treino. A presença de uma língua no treino não deve ser transformada numa promessa de capacidade igual para todas as línguas.
Tarefas de chat, visão e código
Os usos visuais previstos pela ficha incluem reconhecimento, raciocínio sobre imagens, legendagem descritiva e resposta a perguntas gerais sobre uma imagem. Para uma fotografia, peça ao modelo que identifique os objetos ou a relação relevantes para a tarefa. Para um gráfico, peça uma comparação entre séries identificadas, conservando os eixos e as unidades. Para um diagrama, pergunte que ligação identificada sustenta um requisito fornecido.
Para uma comparação de várias imagens, identifique o papel de cada uma e peça os mesmos critérios para todas. Por exemplo, forneça um design original e uma revisão e peça depois correspondências visíveis, diferenças e pormenores que as imagens não estabelecem. Mantenha as observações separadas de conclusões que dependem do texto acompanhante. Isto facilita a inspeção da saída face à fonte real.
O fabricante refere testes de compreensão de imagens com até cinco imagens de entrada. É o âmbito testado documentado, não um máximo rígido incondicional da contagem de imagens. Preserve o pormenor necessário para a pergunta e a ordem das imagens. Acrescentar um grande número de imagens sem relação não define por si só o que deve ser comparado.
Para uma tarefa de programação, forneça o requisito, o código-fonte relevante e o comportamento esperado. Peça a implementação proposta separadamente dos pressupostos e exemplos. Uma captura de ecrã pode fornecer requisitos visuais, enquanto a condição textual fornece comportamento que a captura não pode mostrar. O código gerado é um artefacto textual; executá-lo, examinar uma interface renderizada ou aplicá-lo a um repositório exige o ambiente ligado.
Preparação da conversa e treino
A ficha do modelo demonstra o processador e o modelo de chat correspondentes com duas imagens e uma pergunta escrita de comparação. Mantenha explícitos os papéis da conversa e a associação entre imagem e texto. Uma instrução de sistema pode definir o público, o tom e a estrutura da resposta, enquanto a mensagem do utilizador fornece a tarefa real e as evidências. O fabricante descreve melhorias de pós-treino na orientação por prompts de sistema e na formatação da conversa.
Maverick é pré-treinado com aproximadamente 22 biliões de tokens de dados multimodais, com um limite declarado dos dados de pré-treino de agosto de 2024. Trata-se de uma fronteira estática dos dados de treino, não de acesso em tempo real a informação atual. Quando uma pergunta depender de material posterior ou privado, forneça esse material como contexto de origem ou através de uma operação de recuperação ligada separadamente.
O lançamento inclui pesos BF16 e pesos FP8 quantizados separadamente. Essas escolhas de precisão não criam outra modalidade de entrada nem atribuem a Maverick o contexto de 10M do Scout. Preserve o checkpoint Instruct exato e a respetiva configuração ao comparar uma tarefa repetida ou uma implementação derivada.
Conceção prática do resultado
Uma tarefa de imagem documental pode pedir o identificador da fonte, a afirmação visível, o valor extraído e a interpretação como campos separados. Uma explicação de conversação pode conservar os termos originais e adaptar a prosa à língua suportada do leitor. Um pedido de programação pode devolver o fragmento revisto e exemplos que distingam o comportamento pretendido.
Defina como será usado o resultado final antes de fornecer o material. Uma legenda curta, uma tabela comparativa e um programa proposto resolvem tarefas diferentes, mesmo quando partilham as mesmas imagens. As capacidades visuais e linguísticas do modelo fornecem a interpretação e o texto; a recuperação externa, a execução ou a produção de ficheiros vêm de componentes da aplicação.
Limites específicos
As entradas documentadas aqui são texto e imagens, com saída de texto e código. A compreensão de áudio ou vídeo, a geração de fala e os controlos identificados de esforço de raciocínio do Muse Spark não devem ser atribuídos a esta edição Maverick. Llama Guard também é um classificador treinado separadamente, não uma saída automática de classificação de uma resposta Maverick.
O exemplo de geração de 256 tokens da ficha é uma definição de exemplo e as fontes consultadas não estabelecem um máximo rígido separado de tokens de saída além da especificação de contexto do modelo. Mantenha explícitos a identidade Maverick, o âmbito das línguas suportadas e o artefacto final ligado às fontes, em vez de importar limites ou modos de outra versão Llama.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokens Saída · Tokens de saída $0.001305 / 1K tokens Entrada · Leitura da cache $0.0001 / 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 $0.000375 / 1K tokens Saída · Tokens de saída $0.001305 / 1K tokens Entrada · Leitura da cache $0.0001 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "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='meta-llama/llama-4-maverick',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='meta-llama/llama-4-maverick',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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick é o modelo Instruct nativo de texto e imagem da Meta com 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões no total. O fabricante documenta um contexto de 1M, saída de texto multilingue e código, reconhecimento visual, legendagem descritiva e perguntas sobre imagens numa versão distinta do Scout.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama 4 Maverick Instruct é o modelo nativamente multimodal da Meta para conversa de assistente e raciocínio visual. Recebe texto multilingue e imagens e gera texto multilingue ou código. A arquitetura de mistura de especialistas usa fusão precoce, combinando informação visual e textual dentro do modelo em vez de tratar a imagem como uma legenda sem relação fornecida por um assistente textual separado.
Informação do modelo e contexto
O fabricante indica 128 especialistas, 17 mil milhões de parâmetros ativos e 400 mil milhões de parâmetros no total para Maverick. São distintos da configuração do Scout com 16 especialistas e 109 mil milhões no total, embora ambos tenham a indicação de tamanho ativo de 17B. O nome Instruct identifica o checkpoint orientado para assistente, não o modelo Maverick pré-treinado.
A ficha do modelo documenta uma janela de contexto de 1M para Maverick. Use o contexto para conservar em conjunto as passagens, imagens, conversa e resposta solicitada relevantes. Uma coleção grande de fontes continua a precisar de uma pergunta e de um artefacto definidos. Identifique os documentos e imagens de origem e peça a localização que sustenta cada conclusão extraída, em vez de pedir um resumo sem orientação de todo o material.
As línguas suportadas são árabe, inglês, francês, alemão, hindi, indonésio, italiano, português, espanhol, tagalo, tailandês e vietnamita. O fabricante distingue estas doze línguas suportadas da coleção mais ampla de cerca de duzentas línguas usada no pré-treino. A presença de uma língua no treino não deve ser transformada numa promessa de capacidade igual para todas as línguas.
Tarefas de chat, visão e código
Os usos visuais previstos pela ficha incluem reconhecimento, raciocínio sobre imagens, legendagem descritiva e resposta a perguntas gerais sobre uma imagem. Para uma fotografia, peça ao modelo que identifique os objetos ou a relação relevantes para a tarefa. Para um gráfico, peça uma comparação entre séries identificadas, conservando os eixos e as unidades. Para um diagrama, pergunte que ligação identificada sustenta um requisito fornecido.
Para uma comparação de várias imagens, identifique o papel de cada uma e peça os mesmos critérios para todas. Por exemplo, forneça um design original e uma revisão e peça depois correspondências visíveis, diferenças e pormenores que as imagens não estabelecem. Mantenha as observações separadas de conclusões que dependem do texto acompanhante. Isto facilita a inspeção da saída face à fonte real.
O fabricante refere testes de compreensão de imagens com até cinco imagens de entrada. É o âmbito testado documentado, não um máximo rígido incondicional da contagem de imagens. Preserve o pormenor necessário para a pergunta e a ordem das imagens. Acrescentar um grande número de imagens sem relação não define por si só o que deve ser comparado.
Para uma tarefa de programação, forneça o requisito, o código-fonte relevante e o comportamento esperado. Peça a implementação proposta separadamente dos pressupostos e exemplos. Uma captura de ecrã pode fornecer requisitos visuais, enquanto a condição textual fornece comportamento que a captura não pode mostrar. O código gerado é um artefacto textual; executá-lo, examinar uma interface renderizada ou aplicá-lo a um repositório exige o ambiente ligado.
Preparação da conversa e treino
A ficha do modelo demonstra o processador e o modelo de chat correspondentes com duas imagens e uma pergunta escrita de comparação. Mantenha explícitos os papéis da conversa e a associação entre imagem e texto. Uma instrução de sistema pode definir o público, o tom e a estrutura da resposta, enquanto a mensagem do utilizador fornece a tarefa real e as evidências. O fabricante descreve melhorias de pós-treino na orientação por prompts de sistema e na formatação da conversa.
Maverick é pré-treinado com aproximadamente 22 biliões de tokens de dados multimodais, com um limite declarado dos dados de pré-treino de agosto de 2024. Trata-se de uma fronteira estática dos dados de treino, não de acesso em tempo real a informação atual. Quando uma pergunta depender de material posterior ou privado, forneça esse material como contexto de origem ou através de uma operação de recuperação ligada separadamente.
O lançamento inclui pesos BF16 e pesos FP8 quantizados separadamente. Essas escolhas de precisão não criam outra modalidade de entrada nem atribuem a Maverick o contexto de 10M do Scout. Preserve o checkpoint Instruct exato e a respetiva configuração ao comparar uma tarefa repetida ou uma implementação derivada.
Conceção prática do resultado
Uma tarefa de imagem documental pode pedir o identificador da fonte, a afirmação visível, o valor extraído e a interpretação como campos separados. Uma explicação de conversação pode conservar os termos originais e adaptar a prosa à língua suportada do leitor. Um pedido de programação pode devolver o fragmento revisto e exemplos que distingam o comportamento pretendido.
Defina como será usado o resultado final antes de fornecer o material. Uma legenda curta, uma tabela comparativa e um programa proposto resolvem tarefas diferentes, mesmo quando partilham as mesmas imagens. As capacidades visuais e linguísticas do modelo fornecem a interpretação e o texto; a recuperação externa, a execução ou a produção de ficheiros vêm de componentes da aplicação.
Limites específicos
As entradas documentadas aqui são texto e imagens, com saída de texto e código. A compreensão de áudio ou vídeo, a geração de fala e os controlos identificados de esforço de raciocínio do Muse Spark não devem ser atribuídos a esta edição Maverick. Llama Guard também é um classificador treinado separadamente, não uma saída automática de classificação de uma resposta Maverick.
O exemplo de geração de 256 tokens da ficha é uma definição de exemplo e as fontes consultadas não estabelecem um máximo rígido separado de tokens de saída além da especificação de contexto do modelo. Mantenha explícitos a identidade Maverick, o âmbito das línguas suportadas e o artefacto final ligado às fontes, em vez de importar limites ou modos de outra versão Llama.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta-llama/llama-4-maverick | 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 $0.000375 / 1K tokens Saída · Tokens de saída $0.001305 / 1K tokens Entrada · Leitura da cache $0.0001 / 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 $0.000375 / 1K tokens Saída · Tokens de saída $0.001305 / 1K tokens Entrada · Leitura da cache $0.0001 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'meta-llama/llama-4-maverick', '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': 'meta-llama/llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Exemplo técnico em inglês
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.