Llama Guard 4 12B é o classificador de segurança nativamente multimodal da Meta com 12 mil milhões de parâmetros. É treinado conjuntamente com texto e várias imagens e gera uma classificação textual: safe ou unsafe, com as categorias de perigo violadas quando o resultado é unsafe. O seu objetivo é avaliar conteúdo num prompt ou numa resposta gerada, em vez de funcionar como um assistente de chat geral.
Classificação de prompts e respostas
O modelo pode classificar material antes de ser enviado a um modelo generativo, depois de esse modelo produzir uma resposta ou em ambos os pontos. São perguntas diferentes. A classificação de prompts avalia a entrada do utilizador, enquanto a classificação de respostas avalia o que um assistente escreveu efetivamente. Um sistema pode, por isso, distinguir um pedido arriscado de uma resposta que trata o pedido de forma aceitável segundo a taxonomia do classificador.
Forneça o conteúdo exato a classificar com os papéis da conversa e o contexto relevante. Se o alvo for uma resposta, conserve a pergunta que lhe dá significado. Para uma entrada mista de texto e imagem, inclua as imagens associadas a esse prompt, em vez de classificar texto sem relação ou uma imagem selecionada arbitrariamente. O resultado do classificador é informação para a regra ou etapa de revisão da aplicação; não bloqueia por si só um pedido nem altera um ficheiro.
Catorze categorias de perigo
O fabricante alinha o classificador com a taxonomia de perigos MLCommons e acrescenta uma categoria de interpretador de código exclusivamente textual. As catorze etiquetas abrangem crimes violentos, crimes não violentos, crimes de natureza sexual, exploração sexual de crianças, difamação, aconselhamento especializado, privacidade, propriedade intelectual, armas indiscriminadas, ódio, suicídio e automutilação, conteúdo sexual, eleições e abuso de interpretador de código.
As categorias usam os identificadores S1 a S14. S14, Code Interpreter Abuse, destina-se especificamente a casos de utilização de chamadas de ferramentas exclusivamente textuais. Mantenha o identificador da taxonomia junto do resultado safe/unsafe, para que um passo posterior da aplicação possa interpretar a classificação segundo as mesmas definições de categorias. Um resultado curto é um juízo de categoria, não uma explicação completa, uma determinação jurídica ou uma garantia de que todos os danos possíveis foram detetados.
Como formato ilustrativo, uma classificação unsafe pode ser seguida do identificador da categoria aplicável. Conserve em conjunto o texto original avaliado, a sua fonte ou posição na conversa e as etiquetas devolvidas. Essa associação permite a uma aplicação distinguir o conteúdo examinado de uma resposta reformulada posterior ou de um prompt separado.
Arquitetura e treino
Llama Guard 4 tem uma arquitetura Transformer densa de fusão precoce, obtida por poda de um checkpoint Llama 4 Scout pré-treinado. O fabricante remove os especialistas encaminhados e as camadas de encaminhamento e conserva o especialista denso partilhado, realizando depois pós-treino do modelo resultante para classificação de conteúdo. Não realiza pré-treino adicional após essa etapa de poda. Isto cria um modelo diferente da edição de chat de mistura de especialistas do Scout.
O modelo partilha o tokenizador e o codificador de visão do Llama 4 e combina treino de classificação exclusivamente textual e multimodal. O fabricante descreve dados multilingues e treino com várias imagens, com a maioria dessas amostras a conter entre duas e cinco imagens e uma mistura aproximada de três para um entre dados exclusivamente textuais e multimodais. São características de treino, não limites rígidos da contagem de entradas.
O âmbito multilingue documentado segue as línguas suportadas pelo Llama Guard 3 e a ficha aborda o inglês juntamente com francês, alemão, hindi, italiano, português, espanhol e tailandês. Um pedido de classificação deve preservar a formulação real e o contexto visual na língua avaliada, em vez de substituir o conteúdo por um resumo sem relação.
Preparação de um resultado de classificação útil
Para uma verificação da entrada, forneça a mensagem do utilizador e as imagens associadas e peça a classificação do prompt no formato do fabricante. Para uma verificação da saída, forneça a resposta real do assistente juntamente com a mensagem anterior relevante. Um exemplo com várias imagens pode conservar o texto que as liga, para que o modelo avalie o pedido combinado, em vez de fragmentos independentes sem contexto.
A ficha do modelo demonstra a aplicação do modelo de conversa correspondente e a descodificação apenas da classificação gerada. O exemplo de geração de dez tokens ilustra um resultado curto de etiquetas; esse número não é uma capacidade máxima separada de resposta. Mantenha a saída solicitada alinhada com o objetivo do classificador, em vez de lhe pedir uma resposta de conversação comum.
Limitações específicas
O fabricante afirma que os juízos podem ser limitados pelos dados de treino do modelo, pelo conhecimento de senso comum, pela cobertura linguística e pela cobertura das políticas. As categorias de difamação, propriedade intelectual e eleições podem exigir conhecimento factual atual que o classificador pode não possuir. A etiqueta de categoria deve, por isso, conservar a sua relação com o conteúdo e a informação disponível para essa avaliação.
A ficha refere testes sobretudo com prompts com poucas imagens, mais frequentemente três, e observa que o comportamento pode variar com uma coleção de imagens muito maior. Isto descreve o âmbito testado, não um máximo universal de três imagens. O modelo também pode ser suscetível a conteúdo adversarial ou de injeção de prompts que altere o comportamento pretendido.
O papel de classificador do Llama Guard 4 não deve herdar a especificação de contexto ou as capacidades gerais de assistente do Scout apenas porque foi obtido por poda do Scout. A ficha consultada não indica uma capacidade rígida separada de contexto ou tokens de saída para este classificador. Preserve o material avaliado e as etiquetas da taxonomia como artefacto prático e deixe a aplicação decidir a ação associada a esse resultado.
", "aboutText": "Llama Guard 4 12B é o classificador de segurança nativamente multimodal da Meta com 12 mil milhões de parâmetros. É treinado conjuntamente com texto e várias imagens e gera uma classificação textual: safe ou unsafe, com as categorias de perigo violadas quando o resultado é unsafe. O seu objetivo é avaliar conteúdo num prompt ou numa resposta gerada, em vez de funcionar como um assistente de chat geral.\n\nClassificação de prompts e respostas\n\nO modelo pode classificar material antes de ser enviado a um modelo generativo, depois de esse modelo produzir uma resposta ou em ambos os pontos. São perguntas diferentes. A classificação de prompts avalia a entrada do utilizador, enquanto a classificação de respostas avalia o que um assistente escreveu efetivamente. Um sistema pode, por isso, distinguir um pedido arriscado de uma resposta que trata o pedido de forma aceitável segundo a taxonomia do classificador.\n\nForneça o conteúdo exato a classificar com os papéis da conversa e o contexto relevante. Se o alvo for uma resposta, conserve a pergunta que lhe dá significado. Para uma entrada mista de texto e imagem, inclua as imagens associadas a esse prompt, em vez de classificar texto sem relação ou uma imagem selecionada arbitrariamente. O resultado do classificador é informação para a regra ou etapa de revisão da aplicação; não bloqueia por si só um pedido nem altera um ficheiro.\n\nCatorze categorias de perigo\n\nO fabricante alinha o classificador com a taxonomia de perigos MLCommons e acrescenta uma categoria de interpretador de código exclusivamente textual. As catorze etiquetas abrangem crimes violentos, crimes não violentos, crimes de natureza sexual, exploração sexual de crianças, difamação, aconselhamento especializado, privacidade, propriedade intelectual, armas indiscriminadas, ódio, suicídio e automutilação, conteúdo sexual, eleições e abuso de interpretador de código.\n\nAs categorias usam os identificadores S1 a S14. S14, Code Interpreter Abuse, destina-se especificamente a casos de utilização de chamadas de ferramentas exclusivamente textuais. Mantenha o identificador da taxonomia junto do resultado safe/unsafe, para que um passo posterior da aplicação possa interpretar a classificação segundo as mesmas definições de categorias. Um resultado curto é um juízo de categoria, não uma explicação completa, uma determinação jurídica ou uma garantia de que todos os danos possíveis foram detetados.\n\nComo formato ilustrativo, uma classificação unsafe pode ser seguida do identificador da categoria aplicável. Conserve em conjunto o texto original avaliado, a sua fonte ou posição na conversa e as etiquetas devolvidas. Essa associação permite a uma aplicação distinguir o conteúdo examinado de uma resposta reformulada posterior ou de um prompt separado.\n\nArquitetura e treino\n\nLlama Guard 4 tem uma arquitetura Transformer densa de fusão precoce, obtida por poda de um checkpoint Llama 4 Scout pré-treinado. O fabricante remove os especialistas encaminhados e as camadas de encaminhamento e conserva o especialista denso partilhado, realizando depois pós-treino do modelo resultante para classificação de conteúdo. Não realiza pré-treino adicional após essa etapa de poda. Isto cria um modelo diferente da edição de chat de mistura de especialistas do Scout.\n\nO modelo partilha o tokenizador e o codificador de visão do Llama 4 e combina treino de classificação exclusivamente textual e multimodal. O fabricante descreve dados multilingues e treino com várias imagens, com a maioria dessas amostras a conter entre duas e cinco imagens e uma mistura aproximada de três para um entre dados exclusivamente textuais e multimodais. São características de treino, não limites rígidos da contagem de entradas.\n\nO âmbito multilingue documentado segue as línguas suportadas pelo Llama Guard 3 e a ficha aborda o inglês juntamente com francês, alemão, hindi, italiano, português, espanhol e tailandês. Um pedido de classificação deve preservar a formulação real e o contexto visual na língua avaliada, em vez de substituir o conteúdo por um resumo sem relação.\n\nPreparação de um resultado de classificação útil\n\nPara uma verificação da entrada, forneça a mensagem do utilizador e as imagens associadas e peça a classificação do prompt no formato do fabricante. Para uma verificação da saída, forneça a resposta real do assistente juntamente com a mensagem anterior relevante. Um exemplo com várias imagens pode conservar o texto que as liga, para que o modelo avalie o pedido combinado, em vez de fragmentos independentes sem contexto.\n\nA ficha do modelo demonstra a aplicação do modelo de conversa correspondente e a descodificação apenas da classificação gerada. O exemplo de geração de dez tokens ilustra um resultado curto de etiquetas; esse número não é uma capacidade máxima separada de resposta. Mantenha a saída solicitada alinhada com o objetivo do classificador, em vez de lhe pedir uma resposta de conversação comum.\n\nLimitações específicas\n\nO fabricante afirma que os juízos podem ser limitados pelos dados de treino do modelo, pelo conhecimento de senso comum, pela cobertura linguística e pela cobertura das políticas. As categorias de difamação, propriedade intelectual e eleições podem exigir conhecimento factual atual que o classificador pode não possuir. A etiqueta de categoria deve, por isso, conservar a sua relação com o conteúdo e a informação disponível para essa avaliação.\n\nA ficha refere testes sobretudo com prompts com poucas imagens, mais frequentemente três, e observa que o comportamento pode variar com uma coleção de imagens muito maior. Isto descreve o âmbito testado, não um máximo universal de três imagens. O modelo também pode ser suscetível a conteúdo adversarial ou de injeção de prompts que altere o comportamento pretendido.\n\nO papel de classificador do Llama Guard 4 não deve herdar a especificação de contexto ou as capacidades gerais de assistente do Scout apenas porque foi obtido por poda do Scout. A ficha consultada não indica uma capacidade rígida separada de contexto ou tokens de saída para este classificador. Preserve o material avaliado e as etiquetas da taxonomia como artefacto prático e deixe a aplicação decidir a ação associada a esse resultado.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B é o classificador multimodal de conteúdo da Meta para prompts e respostas geradas. Analisa texto com uma ou mais imagens e devolve uma etiqueta safe/unsafe e as categorias de perigo aplicáveis, usando uma arquitetura densa obtida por poda do Llama 4 Scout.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama Guard 4 12B é o classificador de segurança nativamente multimodal da Meta com 12 mil milhões de parâmetros. É treinado conjuntamente com texto e várias imagens e gera uma classificação textual: safe ou unsafe, com as categorias de perigo violadas quando o resultado é unsafe. O seu objetivo é avaliar conteúdo num prompt ou numa resposta gerada, em vez de funcionar como um assistente de chat geral.
Classificação de prompts e respostas
O modelo pode classificar material antes de ser enviado a um modelo generativo, depois de esse modelo produzir uma resposta ou em ambos os pontos. São perguntas diferentes. A classificação de prompts avalia a entrada do utilizador, enquanto a classificação de respostas avalia o que um assistente escreveu efetivamente. Um sistema pode, por isso, distinguir um pedido arriscado de uma resposta que trata o pedido de forma aceitável segundo a taxonomia do classificador.
Forneça o conteúdo exato a classificar com os papéis da conversa e o contexto relevante. Se o alvo for uma resposta, conserve a pergunta que lhe dá significado. Para uma entrada mista de texto e imagem, inclua as imagens associadas a esse prompt, em vez de classificar texto sem relação ou uma imagem selecionada arbitrariamente. O resultado do classificador é informação para a regra ou etapa de revisão da aplicação; não bloqueia por si só um pedido nem altera um ficheiro.
Catorze categorias de perigo
O fabricante alinha o classificador com a taxonomia de perigos MLCommons e acrescenta uma categoria de interpretador de código exclusivamente textual. As catorze etiquetas abrangem crimes violentos, crimes não violentos, crimes de natureza sexual, exploração sexual de crianças, difamação, aconselhamento especializado, privacidade, propriedade intelectual, armas indiscriminadas, ódio, suicídio e automutilação, conteúdo sexual, eleições e abuso de interpretador de código.
As categorias usam os identificadores S1 a S14. S14, Code Interpreter Abuse, destina-se especificamente a casos de utilização de chamadas de ferramentas exclusivamente textuais. Mantenha o identificador da taxonomia junto do resultado safe/unsafe, para que um passo posterior da aplicação possa interpretar a classificação segundo as mesmas definições de categorias. Um resultado curto é um juízo de categoria, não uma explicação completa, uma determinação jurídica ou uma garantia de que todos os danos possíveis foram detetados.
Como formato ilustrativo, uma classificação unsafe pode ser seguida do identificador da categoria aplicável. Conserve em conjunto o texto original avaliado, a sua fonte ou posição na conversa e as etiquetas devolvidas. Essa associação permite a uma aplicação distinguir o conteúdo examinado de uma resposta reformulada posterior ou de um prompt separado.
Arquitetura e treino
Llama Guard 4 tem uma arquitetura Transformer densa de fusão precoce, obtida por poda de um checkpoint Llama 4 Scout pré-treinado. O fabricante remove os especialistas encaminhados e as camadas de encaminhamento e conserva o especialista denso partilhado, realizando depois pós-treino do modelo resultante para classificação de conteúdo. Não realiza pré-treino adicional após essa etapa de poda. Isto cria um modelo diferente da edição de chat de mistura de especialistas do Scout.
O modelo partilha o tokenizador e o codificador de visão do Llama 4 e combina treino de classificação exclusivamente textual e multimodal. O fabricante descreve dados multilingues e treino com várias imagens, com a maioria dessas amostras a conter entre duas e cinco imagens e uma mistura aproximada de três para um entre dados exclusivamente textuais e multimodais. São características de treino, não limites rígidos da contagem de entradas.
O âmbito multilingue documentado segue as línguas suportadas pelo Llama Guard 3 e a ficha aborda o inglês juntamente com francês, alemão, hindi, italiano, português, espanhol e tailandês. Um pedido de classificação deve preservar a formulação real e o contexto visual na língua avaliada, em vez de substituir o conteúdo por um resumo sem relação.
Preparação de um resultado de classificação útil
Para uma verificação da entrada, forneça a mensagem do utilizador e as imagens associadas e peça a classificação do prompt no formato do fabricante. Para uma verificação da saída, forneça a resposta real do assistente juntamente com a mensagem anterior relevante. Um exemplo com várias imagens pode conservar o texto que as liga, para que o modelo avalie o pedido combinado, em vez de fragmentos independentes sem contexto.
A ficha do modelo demonstra a aplicação do modelo de conversa correspondente e a descodificação apenas da classificação gerada. O exemplo de geração de dez tokens ilustra um resultado curto de etiquetas; esse número não é uma capacidade máxima separada de resposta. Mantenha a saída solicitada alinhada com o objetivo do classificador, em vez de lhe pedir uma resposta de conversação comum.
Limitações específicas
O fabricante afirma que os juízos podem ser limitados pelos dados de treino do modelo, pelo conhecimento de senso comum, pela cobertura linguística e pela cobertura das políticas. As categorias de difamação, propriedade intelectual e eleições podem exigir conhecimento factual atual que o classificador pode não possuir. A etiqueta de categoria deve, por isso, conservar a sua relação com o conteúdo e a informação disponível para essa avaliação.
A ficha refere testes sobretudo com prompts com poucas imagens, mais frequentemente três, e observa que o comportamento pode variar com uma coleção de imagens muito maior. Isto descreve o âmbito testado, não um máximo universal de três imagens. O modelo também pode ser suscetível a conteúdo adversarial ou de injeção de prompts que altere o comportamento pretendido.
O papel de classificador do Llama Guard 4 não deve herdar a especificação de contexto ou as capacidades gerais de assistente do Scout apenas porque foi obtido por poda do Scout. A ficha consultada não indica uma capacidade rígida separada de contexto ou tokens de saída para este classificador. Preserve o material avaliado e as etiquetas da taxonomia como artefacto prático e deixe a aplicação decidir a ação associada a esse resultado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Saída · Tokens de saída $0.00036 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00036 / 1K tokens Saída · Tokens de saída $0.00036 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-guard-4-12b", "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-guard-4-12b',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-guard-4-12b',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 meta-llama/llama-guard-4-12b
Use os caminhos dos métodos indicados acima.
meta-llama/llama-guard-4-12bLlama Guard 4 12B é o classificador multimodal de conteúdo da Meta para prompts e respostas geradas. Analisa texto com uma ou mais imagens e devolve uma etiqueta safe/unsafe e as categorias de perigo aplicáveis, usando uma arquitetura densa obtida por poda do Llama 4 Scout.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Llama Guard 4 12B é o classificador de segurança nativamente multimodal da Meta com 12 mil milhões de parâmetros. É treinado conjuntamente com texto e várias imagens e gera uma classificação textual: safe ou unsafe, com as categorias de perigo violadas quando o resultado é unsafe. O seu objetivo é avaliar conteúdo num prompt ou numa resposta gerada, em vez de funcionar como um assistente de chat geral.
Classificação de prompts e respostas
O modelo pode classificar material antes de ser enviado a um modelo generativo, depois de esse modelo produzir uma resposta ou em ambos os pontos. São perguntas diferentes. A classificação de prompts avalia a entrada do utilizador, enquanto a classificação de respostas avalia o que um assistente escreveu efetivamente. Um sistema pode, por isso, distinguir um pedido arriscado de uma resposta que trata o pedido de forma aceitável segundo a taxonomia do classificador.
Forneça o conteúdo exato a classificar com os papéis da conversa e o contexto relevante. Se o alvo for uma resposta, conserve a pergunta que lhe dá significado. Para uma entrada mista de texto e imagem, inclua as imagens associadas a esse prompt, em vez de classificar texto sem relação ou uma imagem selecionada arbitrariamente. O resultado do classificador é informação para a regra ou etapa de revisão da aplicação; não bloqueia por si só um pedido nem altera um ficheiro.
Catorze categorias de perigo
O fabricante alinha o classificador com a taxonomia de perigos MLCommons e acrescenta uma categoria de interpretador de código exclusivamente textual. As catorze etiquetas abrangem crimes violentos, crimes não violentos, crimes de natureza sexual, exploração sexual de crianças, difamação, aconselhamento especializado, privacidade, propriedade intelectual, armas indiscriminadas, ódio, suicídio e automutilação, conteúdo sexual, eleições e abuso de interpretador de código.
As categorias usam os identificadores S1 a S14. S14, Code Interpreter Abuse, destina-se especificamente a casos de utilização de chamadas de ferramentas exclusivamente textuais. Mantenha o identificador da taxonomia junto do resultado safe/unsafe, para que um passo posterior da aplicação possa interpretar a classificação segundo as mesmas definições de categorias. Um resultado curto é um juízo de categoria, não uma explicação completa, uma determinação jurídica ou uma garantia de que todos os danos possíveis foram detetados.
Como formato ilustrativo, uma classificação unsafe pode ser seguida do identificador da categoria aplicável. Conserve em conjunto o texto original avaliado, a sua fonte ou posição na conversa e as etiquetas devolvidas. Essa associação permite a uma aplicação distinguir o conteúdo examinado de uma resposta reformulada posterior ou de um prompt separado.
Arquitetura e treino
Llama Guard 4 tem uma arquitetura Transformer densa de fusão precoce, obtida por poda de um checkpoint Llama 4 Scout pré-treinado. O fabricante remove os especialistas encaminhados e as camadas de encaminhamento e conserva o especialista denso partilhado, realizando depois pós-treino do modelo resultante para classificação de conteúdo. Não realiza pré-treino adicional após essa etapa de poda. Isto cria um modelo diferente da edição de chat de mistura de especialistas do Scout.
O modelo partilha o tokenizador e o codificador de visão do Llama 4 e combina treino de classificação exclusivamente textual e multimodal. O fabricante descreve dados multilingues e treino com várias imagens, com a maioria dessas amostras a conter entre duas e cinco imagens e uma mistura aproximada de três para um entre dados exclusivamente textuais e multimodais. São características de treino, não limites rígidos da contagem de entradas.
O âmbito multilingue documentado segue as línguas suportadas pelo Llama Guard 3 e a ficha aborda o inglês juntamente com francês, alemão, hindi, italiano, português, espanhol e tailandês. Um pedido de classificação deve preservar a formulação real e o contexto visual na língua avaliada, em vez de substituir o conteúdo por um resumo sem relação.
Preparação de um resultado de classificação útil
Para uma verificação da entrada, forneça a mensagem do utilizador e as imagens associadas e peça a classificação do prompt no formato do fabricante. Para uma verificação da saída, forneça a resposta real do assistente juntamente com a mensagem anterior relevante. Um exemplo com várias imagens pode conservar o texto que as liga, para que o modelo avalie o pedido combinado, em vez de fragmentos independentes sem contexto.
A ficha do modelo demonstra a aplicação do modelo de conversa correspondente e a descodificação apenas da classificação gerada. O exemplo de geração de dez tokens ilustra um resultado curto de etiquetas; esse número não é uma capacidade máxima separada de resposta. Mantenha a saída solicitada alinhada com o objetivo do classificador, em vez de lhe pedir uma resposta de conversação comum.
Limitações específicas
O fabricante afirma que os juízos podem ser limitados pelos dados de treino do modelo, pelo conhecimento de senso comum, pela cobertura linguística e pela cobertura das políticas. As categorias de difamação, propriedade intelectual e eleições podem exigir conhecimento factual atual que o classificador pode não possuir. A etiqueta de categoria deve, por isso, conservar a sua relação com o conteúdo e a informação disponível para essa avaliação.
A ficha refere testes sobretudo com prompts com poucas imagens, mais frequentemente três, e observa que o comportamento pode variar com uma coleção de imagens muito maior. Isto descreve o âmbito testado, não um máximo universal de três imagens. O modelo também pode ser suscetível a conteúdo adversarial ou de injeção de prompts que altere o comportamento pretendido.
O papel de classificador do Llama Guard 4 não deve herdar a especificação de contexto ou as capacidades gerais de assistente do Scout apenas porque foi obtido por poda do Scout. A ficha consultada não indica uma capacidade rígida separada de contexto ou tokens de saída para este classificador. Preserve o material avaliado e as etiquetas da taxonomia como artefacto prático e deixe a aplicação decidir a ação associada a esse resultado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K tokens Saída · Tokens de saída $0.00036 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00036 / 1K tokens Saída · Tokens de saída $0.00036 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-guard-4-12b', '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-guard-4-12b', '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 meta-llama/llama-guard-4-12b
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.