Llama 4 Maverick Instruct — изначально мультимодальная модель Meta для диалогов с ассистентом и визуального рассуждения. Она принимает многоязычный текст и изображения и создаёт многоязычный текст или код. Её архитектура смеси экспертов использует раннее объединение модальностей, соединяя визуальную и текстовую информацию внутри модели, а не рассматривая изображение как несвязанную подпись от отдельного текстового ассистента.
Сведения о модели и контекст
Для Maverick разработчик указывает 128 экспертов, 17 миллиардов активных параметров и 400 миллиардов параметров в сумме. Это отличается от конфигурации Scout с 16 экспертами и 109B общих параметров, хотя обе модели имеют метку активного размера 17B. Название Instruct обозначает чекпойнт для ассистента, а не предварительно обученную модель Maverick.
Карточка модели документирует контекстное окно 1M для Maverick. Используйте контекст, чтобы удерживать подходящие фрагменты, изображения, диалог и запрошенный ответ вместе. Даже большая коллекция источников требует определённых вопроса и результата. Обозначайте исходные документы и изображения и запрашивайте место, подтверждающее каждый извлечённый вывод, вместо неопределённой сводки всех материалов.
Поддерживаются арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский. Разработчик отличает эти двенадцать поддерживаемых языков от более широкого набора примерно из двухсот языков, использованного при предварительном обучении. Присутствие языка в обучении не следует превращать в обещание равных возможностей для каждого языка.
Задачи чата, зрения и программирования
К предполагаемым визуальным применениям в карточке относятся распознавание, рассуждение об изображениях, создание подписей и ответы на общие вопросы по изображению. Для фотографии попросите модель определить объекты или взаимосвязь, относящиеся к задаче. Для графика запросите сравнение именованных рядов с сохранением осей и единиц. Для схемы спросите, какая подписанная связь подтверждает заданное требование.
Для сравнения нескольких изображений обозначьте роль каждого и запросите одинаковые критерии для всех. Например, передайте исходный дизайн и исправленную версию, затем попросите видимые совпадения, различия и детали, которых изображения не устанавливают. Отделяйте наблюдения от выводов, зависящих от сопроводительного текста. Это упрощает проверку результата по фактическому источнику.
Разработчик сообщает о тестировании понимания изображений при вводе до пяти изображений. Это документированный диапазон тестирования, а не безусловный жёсткий максимум их числа. Сохраняйте детали, необходимые вопросу, и порядок изображений. Добавление большого числа несвязанных изображений само по себе не определяет, что следует сравнивать.
Для задачи программирования передайте требование, соответствующий исходный код и ожидаемое поведение. Запрашивайте предлагаемую реализацию отдельно от допущений и примеров. Скриншот может задавать визуальные требования, а текстовое условие — поведение, которого скриншот не показывает. Сгенерированный код — текстовый материал; его запуск, проверка отрисованного интерфейса или применение к репозиторию требуют подключённой среды.
Подготовка диалога и обучение
Карточка модели демонстрирует соответствующие процессор и шаблон чата с двумя изображениями и письменным вопросом на сравнение. Явно сохраняйте роли в диалоге и связь изображения с текстом. Системная инструкция может определять аудиторию, тон и структуру ответа, а пользовательское сообщение — предоставлять саму задачу и подтверждения. Разработчик описывает улучшения управляемости через системный промпт и форматирования диалога на этапе после предварительного обучения.
Maverick предварительно обучен примерно на 22 триллионах токенов мультимодальных данных, с заявленной границей данных предварительного обучения в августе 2024 года. Это статическая граница обучающих данных, а не доступ к актуальной информации в реальном времени. Если вопрос зависит от более новых или частных материалов, передайте их как исходный контекст или через отдельно подключённую поисковую операцию.
Выпуск включает веса BF16 и отдельно квантованные веса FP8. Эти варианты точности не создают другую входную модальность и не дают Maverick контекст 10M от Scout. Сохраняйте точный чекпойнт Instruct и его конфигурацию при сравнении повторной задачи или производного развёртывания.
Практическая организация результата
Задача по изображению документа может запрашивать идентификатор источника, видимое утверждение, извлечённое значение и интерпретацию в отдельных полях. Диалоговое объяснение может сохранять исходные термины и адаптировать текст под поддерживаемый язык читателя. Запрос по коду может возвращать исправленный фрагмент и примеры, различающие ожидаемое поведение.
До передачи материала определите, как будет использоваться итоговый результат. Короткая подпись, таблица сравнения и предлагаемая программа решают разные задачи, даже если используют одни изображения. Визуальные и языковые возможности модели обеспечивают интерпретацию и текст; внешний поиск, выполнение или создание файлов предоставляются компонентами приложения.
Конкретные границы
Здесь документированы текст и изображения на входе, текст и код на выходе. Этой версии Maverick не следует приписывать понимание аудио или видео, генерацию речи или именованные настройки усилия рассуждения Muse Spark. Llama Guard также является отдельно обученным классификатором, а не автоматически выдаваемой классификацией в ответе Maverick.
Пример генерации 256 токенов в карточке — пример настройки; изученные источники не устанавливают отдельный жёсткий максимум выходных токенов помимо характеристики контекста модели. Явно сохраняйте идентичность Maverick, границы языковой поддержки и итоговый результат со ссылками на источники, не заимствуя ограничения или режимы другого выпуска Llama.
", "aboutText": "Llama 4 Maverick Instruct — изначально мультимодальная модель Meta для диалогов с ассистентом и визуального рассуждения. Она принимает многоязычный текст и изображения и создаёт многоязычный текст или код. Её архитектура смеси экспертов использует раннее объединение модальностей, соединяя визуальную и текстовую информацию внутри модели, а не рассматривая изображение как несвязанную подпись от отдельного текстового ассистента.\n\nСведения о модели и контекст\n\nДля Maverick разработчик указывает 128 экспертов, 17 миллиардов активных параметров и 400 миллиардов параметров в сумме. Это отличается от конфигурации Scout с 16 экспертами и 109B общих параметров, хотя обе модели имеют метку активного размера 17B. Название Instruct обозначает чекпойнт для ассистента, а не предварительно обученную модель Maverick.\n\nКарточка модели документирует контекстное окно 1M для Maverick. Используйте контекст, чтобы удерживать подходящие фрагменты, изображения, диалог и запрошенный ответ вместе. Даже большая коллекция источников требует определённых вопроса и результата. Обозначайте исходные документы и изображения и запрашивайте место, подтверждающее каждый извлечённый вывод, вместо неопределённой сводки всех материалов.\n\nПоддерживаются арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский. Разработчик отличает эти двенадцать поддерживаемых языков от более широкого набора примерно из двухсот языков, использованного при предварительном обучении. Присутствие языка в обучении не следует превращать в обещание равных возможностей для каждого языка.\n\nЗадачи чата, зрения и программирования\n\nК предполагаемым визуальным применениям в карточке относятся распознавание, рассуждение об изображениях, создание подписей и ответы на общие вопросы по изображению. Для фотографии попросите модель определить объекты или взаимосвязь, относящиеся к задаче. Для графика запросите сравнение именованных рядов с сохранением осей и единиц. Для схемы спросите, какая подписанная связь подтверждает заданное требование.\n\nДля сравнения нескольких изображений обозначьте роль каждого и запросите одинаковые критерии для всех. Например, передайте исходный дизайн и исправленную версию, затем попросите видимые совпадения, различия и детали, которых изображения не устанавливают. Отделяйте наблюдения от выводов, зависящих от сопроводительного текста. Это упрощает проверку результата по фактическому источнику.\n\nРазработчик сообщает о тестировании понимания изображений при вводе до пяти изображений. Это документированный диапазон тестирования, а не безусловный жёсткий максимум их числа. Сохраняйте детали, необходимые вопросу, и порядок изображений. Добавление большого числа несвязанных изображений само по себе не определяет, что следует сравнивать.\n\nДля задачи программирования передайте требование, соответствующий исходный код и ожидаемое поведение. Запрашивайте предлагаемую реализацию отдельно от допущений и примеров. Скриншот может задавать визуальные требования, а текстовое условие — поведение, которого скриншот не показывает. Сгенерированный код — текстовый материал; его запуск, проверка отрисованного интерфейса или применение к репозиторию требуют подключённой среды.\n\nПодготовка диалога и обучение\n\nКарточка модели демонстрирует соответствующие процессор и шаблон чата с двумя изображениями и письменным вопросом на сравнение. Явно сохраняйте роли в диалоге и связь изображения с текстом. Системная инструкция может определять аудиторию, тон и структуру ответа, а пользовательское сообщение — предоставлять саму задачу и подтверждения. Разработчик описывает улучшения управляемости через системный промпт и форматирования диалога на этапе после предварительного обучения.\n\nMaverick предварительно обучен примерно на 22 триллионах токенов мультимодальных данных, с заявленной границей данных предварительного обучения в августе 2024 года. Это статическая граница обучающих данных, а не доступ к актуальной информации в реальном времени. Если вопрос зависит от более новых или частных материалов, передайте их как исходный контекст или через отдельно подключённую поисковую операцию.\n\nВыпуск включает веса BF16 и отдельно квантованные веса FP8. Эти варианты точности не создают другую входную модальность и не дают Maverick контекст 10M от Scout. Сохраняйте точный чекпойнт Instruct и его конфигурацию при сравнении повторной задачи или производного развёртывания.\n\nПрактическая организация результата\n\nЗадача по изображению документа может запрашивать идентификатор источника, видимое утверждение, извлечённое значение и интерпретацию в отдельных полях. Диалоговое объяснение может сохранять исходные термины и адаптировать текст под поддерживаемый язык читателя. Запрос по коду может возвращать исправленный фрагмент и примеры, различающие ожидаемое поведение.\n\nДо передачи материала определите, как будет использоваться итоговый результат. Короткая подпись, таблица сравнения и предлагаемая программа решают разные задачи, даже если используют одни изображения. Визуальные и языковые возможности модели обеспечивают интерпретацию и текст; внешний поиск, выполнение или создание файлов предоставляются компонентами приложения.\n\nКонкретные границы\n\nЗдесь документированы текст и изображения на входе, текст и код на выходе. Этой версии Maverick не следует приписывать понимание аудио или видео, генерацию речи или именованные настройки усилия рассуждения Muse Spark. Llama Guard также является отдельно обученным классификатором, а не автоматически выдаваемой классификацией в ответе Maverick.\n\nПример генерации 256 токенов в карточке — пример настройки; изученные источники не устанавливают отдельный жёсткий максимум выходных токенов помимо характеристики контекста модели. Явно сохраняйте идентичность Maverick, границы языковой поддержки и итоговый результат со ссылками на источники, не заимствуя ограничения или режимы другого выпуска Llama.", "editorialOverlay": { "copy_fields": { "practical_html": "Технический пример на английском
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 — изначально работающая с текстом и изображениями модель Meta Instruct. Она использует 128 экспертов и имеет 17B активных параметров и 400B параметров всего. Для этого отдельного от Scout выпуска разработчик документирует контекст 1M, многоязычный текстовый и кодовый выход, визуальное распознавание, создание подписей и ответы на вопросы по изображениям.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Llama 4 Maverick Instruct — изначально мультимодальная модель Meta для диалогов с ассистентом и визуального рассуждения. Она принимает многоязычный текст и изображения и создаёт многоязычный текст или код. Её архитектура смеси экспертов использует раннее объединение модальностей, соединяя визуальную и текстовую информацию внутри модели, а не рассматривая изображение как несвязанную подпись от отдельного текстового ассистента.
Сведения о модели и контекст
Для Maverick разработчик указывает 128 экспертов, 17 миллиардов активных параметров и 400 миллиардов параметров в сумме. Это отличается от конфигурации Scout с 16 экспертами и 109B общих параметров, хотя обе модели имеют метку активного размера 17B. Название Instruct обозначает чекпойнт для ассистента, а не предварительно обученную модель Maverick.
Карточка модели документирует контекстное окно 1M для Maverick. Используйте контекст, чтобы удерживать подходящие фрагменты, изображения, диалог и запрошенный ответ вместе. Даже большая коллекция источников требует определённых вопроса и результата. Обозначайте исходные документы и изображения и запрашивайте место, подтверждающее каждый извлечённый вывод, вместо неопределённой сводки всех материалов.
Поддерживаются арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский. Разработчик отличает эти двенадцать поддерживаемых языков от более широкого набора примерно из двухсот языков, использованного при предварительном обучении. Присутствие языка в обучении не следует превращать в обещание равных возможностей для каждого языка.
Задачи чата, зрения и программирования
К предполагаемым визуальным применениям в карточке относятся распознавание, рассуждение об изображениях, создание подписей и ответы на общие вопросы по изображению. Для фотографии попросите модель определить объекты или взаимосвязь, относящиеся к задаче. Для графика запросите сравнение именованных рядов с сохранением осей и единиц. Для схемы спросите, какая подписанная связь подтверждает заданное требование.
Для сравнения нескольких изображений обозначьте роль каждого и запросите одинаковые критерии для всех. Например, передайте исходный дизайн и исправленную версию, затем попросите видимые совпадения, различия и детали, которых изображения не устанавливают. Отделяйте наблюдения от выводов, зависящих от сопроводительного текста. Это упрощает проверку результата по фактическому источнику.
Разработчик сообщает о тестировании понимания изображений при вводе до пяти изображений. Это документированный диапазон тестирования, а не безусловный жёсткий максимум их числа. Сохраняйте детали, необходимые вопросу, и порядок изображений. Добавление большого числа несвязанных изображений само по себе не определяет, что следует сравнивать.
Для задачи программирования передайте требование, соответствующий исходный код и ожидаемое поведение. Запрашивайте предлагаемую реализацию отдельно от допущений и примеров. Скриншот может задавать визуальные требования, а текстовое условие — поведение, которого скриншот не показывает. Сгенерированный код — текстовый материал; его запуск, проверка отрисованного интерфейса или применение к репозиторию требуют подключённой среды.
Подготовка диалога и обучение
Карточка модели демонстрирует соответствующие процессор и шаблон чата с двумя изображениями и письменным вопросом на сравнение. Явно сохраняйте роли в диалоге и связь изображения с текстом. Системная инструкция может определять аудиторию, тон и структуру ответа, а пользовательское сообщение — предоставлять саму задачу и подтверждения. Разработчик описывает улучшения управляемости через системный промпт и форматирования диалога на этапе после предварительного обучения.
Maverick предварительно обучен примерно на 22 триллионах токенов мультимодальных данных, с заявленной границей данных предварительного обучения в августе 2024 года. Это статическая граница обучающих данных, а не доступ к актуальной информации в реальном времени. Если вопрос зависит от более новых или частных материалов, передайте их как исходный контекст или через отдельно подключённую поисковую операцию.
Выпуск включает веса BF16 и отдельно квантованные веса FP8. Эти варианты точности не создают другую входную модальность и не дают Maverick контекст 10M от Scout. Сохраняйте точный чекпойнт Instruct и его конфигурацию при сравнении повторной задачи или производного развёртывания.
Практическая организация результата
Задача по изображению документа может запрашивать идентификатор источника, видимое утверждение, извлечённое значение и интерпретацию в отдельных полях. Диалоговое объяснение может сохранять исходные термины и адаптировать текст под поддерживаемый язык читателя. Запрос по коду может возвращать исправленный фрагмент и примеры, различающие ожидаемое поведение.
До передачи материала определите, как будет использоваться итоговый результат. Короткая подпись, таблица сравнения и предлагаемая программа решают разные задачи, даже если используют одни изображения. Визуальные и языковые возможности модели обеспечивают интерпретацию и текст; внешний поиск, выполнение или создание файлов предоставляются компонентами приложения.
Конкретные границы
Здесь документированы текст и изображения на входе, текст и код на выходе. Этой версии Maverick не следует приписывать понимание аудио или видео, генерацию речи или именованные настройки усилия рассуждения Muse Spark. Llama Guard также является отдельно обученным классификатором, а не автоматически выдаваемой классификацией в ответе Maverick.
Пример генерации 256 токенов в карточке — пример настройки; изученные источники не устанавливают отдельный жёсткий максимум выходных токенов помимо характеристики контекста модели. Явно сохраняйте идентичность Maverick, границы языковой поддержки и итоговый результат со ссылками на источники, не заимствуя ограничения или режимы другого выпуска Llama.
POST /v1/chat/completionstexttext| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения llama-4-maverick | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmessages[].content | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: Текстовая беседа | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Текст · Текст UTF8
messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages |
Параметрmaterial_types | Контрактtext |
Параметрmessages | Контрактмассив сообщений со структурой role/content |
Параметрfile_material | Контрактфактический документ UTF-8 вставляется как буквальный текст; ID файла не выводится из него |
Параметрoptional_controls | Контрактstream |
Параметрcontrol_scope | КонтрактТекстовая беседа; stream — логическое значение, по умолчанию false. |
Параметрoutput_modalities | Контрактtext |
Параметрhosted_operations | Контрактfalse |
Параметрmultimodal_input_binding | Контрактnull |
Псевдонимы метода: /chat/completions
Жизненный цикл: synchronous_or_streamed
Отправляйте точный ID модели вместе с messages.
Длина контекста не является пределом выхода.
Текстовый файл может передавать буквальный текст; входные изображения, аудио и файловые объекты требуют точной привязки.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Токенов контекста больше | Токенов контекста не более, включительно | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Токенов контекста больше— | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.000375 / 1K токенов Выход · Выходные токены $0.001305 / 1K токенов Вход · Чтение кэша $0.0001 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияУровень 1 по длине запроса | Шкала ставок— | Токенов контекста больше0 | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.000375 / 1K токенов Выход · Выходные токены $0.001305 / 1K токенов Вход · Чтение кэша $0.0001 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${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 или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вариант ответа с его содержимым, вызовами инструментов и рассуждениями. В SSE собирайте изменения по индексам варианта и инструмента, сохраняйте итоговую причину завершения и данные использования.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеchoices[].index | Типinteger |
Полеchoices[].message.content | Типstring|null |
Полеchoices[].message.tool_calls | Типtool_call[] |
Полеchoices[].message.reasoning_content | Типstring |
Полеchoices[].message.reasoning_details | Типobject|array |
Полеchoices[].finish_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick — изначально работающая с текстом и изображениями модель Meta Instruct. Она использует 128 экспертов и имеет 17B активных параметров и 400B параметров всего. Для этого отдельного от Scout выпуска разработчик документирует контекст 1M, многоязычный текстовый и кодовый выход, визуальное распознавание, создание подписей и ответы на вопросы по изображениям.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Llama 4 Maverick Instruct — изначально мультимодальная модель Meta для диалогов с ассистентом и визуального рассуждения. Она принимает многоязычный текст и изображения и создаёт многоязычный текст или код. Её архитектура смеси экспертов использует раннее объединение модальностей, соединяя визуальную и текстовую информацию внутри модели, а не рассматривая изображение как несвязанную подпись от отдельного текстового ассистента.
Сведения о модели и контекст
Для Maverick разработчик указывает 128 экспертов, 17 миллиардов активных параметров и 400 миллиардов параметров в сумме. Это отличается от конфигурации Scout с 16 экспертами и 109B общих параметров, хотя обе модели имеют метку активного размера 17B. Название Instruct обозначает чекпойнт для ассистента, а не предварительно обученную модель Maverick.
Карточка модели документирует контекстное окно 1M для Maverick. Используйте контекст, чтобы удерживать подходящие фрагменты, изображения, диалог и запрошенный ответ вместе. Даже большая коллекция источников требует определённых вопроса и результата. Обозначайте исходные документы и изображения и запрашивайте место, подтверждающее каждый извлечённый вывод, вместо неопределённой сводки всех материалов.
Поддерживаются арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский. Разработчик отличает эти двенадцать поддерживаемых языков от более широкого набора примерно из двухсот языков, использованного при предварительном обучении. Присутствие языка в обучении не следует превращать в обещание равных возможностей для каждого языка.
Задачи чата, зрения и программирования
К предполагаемым визуальным применениям в карточке относятся распознавание, рассуждение об изображениях, создание подписей и ответы на общие вопросы по изображению. Для фотографии попросите модель определить объекты или взаимосвязь, относящиеся к задаче. Для графика запросите сравнение именованных рядов с сохранением осей и единиц. Для схемы спросите, какая подписанная связь подтверждает заданное требование.
Для сравнения нескольких изображений обозначьте роль каждого и запросите одинаковые критерии для всех. Например, передайте исходный дизайн и исправленную версию, затем попросите видимые совпадения, различия и детали, которых изображения не устанавливают. Отделяйте наблюдения от выводов, зависящих от сопроводительного текста. Это упрощает проверку результата по фактическому источнику.
Разработчик сообщает о тестировании понимания изображений при вводе до пяти изображений. Это документированный диапазон тестирования, а не безусловный жёсткий максимум их числа. Сохраняйте детали, необходимые вопросу, и порядок изображений. Добавление большого числа несвязанных изображений само по себе не определяет, что следует сравнивать.
Для задачи программирования передайте требование, соответствующий исходный код и ожидаемое поведение. Запрашивайте предлагаемую реализацию отдельно от допущений и примеров. Скриншот может задавать визуальные требования, а текстовое условие — поведение, которого скриншот не показывает. Сгенерированный код — текстовый материал; его запуск, проверка отрисованного интерфейса или применение к репозиторию требуют подключённой среды.
Подготовка диалога и обучение
Карточка модели демонстрирует соответствующие процессор и шаблон чата с двумя изображениями и письменным вопросом на сравнение. Явно сохраняйте роли в диалоге и связь изображения с текстом. Системная инструкция может определять аудиторию, тон и структуру ответа, а пользовательское сообщение — предоставлять саму задачу и подтверждения. Разработчик описывает улучшения управляемости через системный промпт и форматирования диалога на этапе после предварительного обучения.
Maverick предварительно обучен примерно на 22 триллионах токенов мультимодальных данных, с заявленной границей данных предварительного обучения в августе 2024 года. Это статическая граница обучающих данных, а не доступ к актуальной информации в реальном времени. Если вопрос зависит от более новых или частных материалов, передайте их как исходный контекст или через отдельно подключённую поисковую операцию.
Выпуск включает веса BF16 и отдельно квантованные веса FP8. Эти варианты точности не создают другую входную модальность и не дают Maverick контекст 10M от Scout. Сохраняйте точный чекпойнт Instruct и его конфигурацию при сравнении повторной задачи или производного развёртывания.
Практическая организация результата
Задача по изображению документа может запрашивать идентификатор источника, видимое утверждение, извлечённое значение и интерпретацию в отдельных полях. Диалоговое объяснение может сохранять исходные термины и адаптировать текст под поддерживаемый язык читателя. Запрос по коду может возвращать исправленный фрагмент и примеры, различающие ожидаемое поведение.
До передачи материала определите, как будет использоваться итоговый результат. Короткая подпись, таблица сравнения и предлагаемая программа решают разные задачи, даже если используют одни изображения. Визуальные и языковые возможности модели обеспечивают интерпретацию и текст; внешний поиск, выполнение или создание файлов предоставляются компонентами приложения.
Конкретные границы
Здесь документированы текст и изображения на входе, текст и код на выходе. Этой версии Maverick не следует приписывать понимание аудио или видео, генерацию речи или именованные настройки усилия рассуждения Muse Spark. Llama Guard также является отдельно обученным классификатором, а не автоматически выдаваемой классификацией в ответе Maverick.
Пример генерации 256 токенов в карточке — пример настройки; изученные источники не устанавливают отдельный жёсткий максимум выходных токенов помимо характеристики контекста модели. Явно сохраняйте идентичность Maverick, границы языковой поддержки и итоговый результат со ссылками на источники, не заимствуя ограничения или режимы другого выпуска Llama.
POST /v1/messagestextjson, sse| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения llama-4-maverick | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения user, assistant | По умолчанию— |
Полеmessages[].content | Типstring | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Текст · Текст UTF-8
строка messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages, max_tokens |
Параметрoptional_controls | Контрактstream |
Параметрmaterial_types | Контрактtext |
Параметрtext_file_material | КонтрактПрочитайте фактический документ UTF-8 и поместите его текст в указанную строку входа или содержимого сообщения. |
Жизненный цикл: synchronous_or_streamed
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Токенов контекста больше | Токенов контекста не более, включительно | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Токенов контекста больше— | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.000375 / 1K токенов Выход · Выходные токены $0.001305 / 1K токенов Вход · Чтение кэша $0.0001 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияУровень 1 по длине запроса | Шкала ставок— | Токенов контекста больше0 | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.000375 / 1K токенов Выход · Выходные токены $0.001305 / 1K токенов Вход · Чтение кэша $0.0001 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте все блоки содержимого, подписи рассуждений и фактические ID обращений к инструментам. Собирайте все изменения блоков SSE; первый текстовый блок не является полным выходом.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеid | Типstring |
Полеmodel | Типstring |
Полеcontent[] | Типtext|thinking|tool_use|other content block |
Полеstop_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick — изначально работающая с текстом и изображениями модель Meta Instruct. Она использует 128 экспертов и имеет 17B активных параметров и 400B параметров всего. Для этого отдельного от Scout выпуска разработчик документирует контекст 1M, многоязычный текстовый и кодовый выход, визуальное распознавание, создание подписей и ответы на вопросы по изображениям.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Llama 4 Maverick Instruct — изначально мультимодальная модель Meta для диалогов с ассистентом и визуального рассуждения. Она принимает многоязычный текст и изображения и создаёт многоязычный текст или код. Её архитектура смеси экспертов использует раннее объединение модальностей, соединяя визуальную и текстовую информацию внутри модели, а не рассматривая изображение как несвязанную подпись от отдельного текстового ассистента.
Сведения о модели и контекст
Для Maverick разработчик указывает 128 экспертов, 17 миллиардов активных параметров и 400 миллиардов параметров в сумме. Это отличается от конфигурации Scout с 16 экспертами и 109B общих параметров, хотя обе модели имеют метку активного размера 17B. Название Instruct обозначает чекпойнт для ассистента, а не предварительно обученную модель Maverick.
Карточка модели документирует контекстное окно 1M для Maverick. Используйте контекст, чтобы удерживать подходящие фрагменты, изображения, диалог и запрошенный ответ вместе. Даже большая коллекция источников требует определённых вопроса и результата. Обозначайте исходные документы и изображения и запрашивайте место, подтверждающее каждый извлечённый вывод, вместо неопределённой сводки всех материалов.
Поддерживаются арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский. Разработчик отличает эти двенадцать поддерживаемых языков от более широкого набора примерно из двухсот языков, использованного при предварительном обучении. Присутствие языка в обучении не следует превращать в обещание равных возможностей для каждого языка.
Задачи чата, зрения и программирования
К предполагаемым визуальным применениям в карточке относятся распознавание, рассуждение об изображениях, создание подписей и ответы на общие вопросы по изображению. Для фотографии попросите модель определить объекты или взаимосвязь, относящиеся к задаче. Для графика запросите сравнение именованных рядов с сохранением осей и единиц. Для схемы спросите, какая подписанная связь подтверждает заданное требование.
Для сравнения нескольких изображений обозначьте роль каждого и запросите одинаковые критерии для всех. Например, передайте исходный дизайн и исправленную версию, затем попросите видимые совпадения, различия и детали, которых изображения не устанавливают. Отделяйте наблюдения от выводов, зависящих от сопроводительного текста. Это упрощает проверку результата по фактическому источнику.
Разработчик сообщает о тестировании понимания изображений при вводе до пяти изображений. Это документированный диапазон тестирования, а не безусловный жёсткий максимум их числа. Сохраняйте детали, необходимые вопросу, и порядок изображений. Добавление большого числа несвязанных изображений само по себе не определяет, что следует сравнивать.
Для задачи программирования передайте требование, соответствующий исходный код и ожидаемое поведение. Запрашивайте предлагаемую реализацию отдельно от допущений и примеров. Скриншот может задавать визуальные требования, а текстовое условие — поведение, которого скриншот не показывает. Сгенерированный код — текстовый материал; его запуск, проверка отрисованного интерфейса или применение к репозиторию требуют подключённой среды.
Подготовка диалога и обучение
Карточка модели демонстрирует соответствующие процессор и шаблон чата с двумя изображениями и письменным вопросом на сравнение. Явно сохраняйте роли в диалоге и связь изображения с текстом. Системная инструкция может определять аудиторию, тон и структуру ответа, а пользовательское сообщение — предоставлять саму задачу и подтверждения. Разработчик описывает улучшения управляемости через системный промпт и форматирования диалога на этапе после предварительного обучения.
Maverick предварительно обучен примерно на 22 триллионах токенов мультимодальных данных, с заявленной границей данных предварительного обучения в августе 2024 года. Это статическая граница обучающих данных, а не доступ к актуальной информации в реальном времени. Если вопрос зависит от более новых или частных материалов, передайте их как исходный контекст или через отдельно подключённую поисковую операцию.
Выпуск включает веса BF16 и отдельно квантованные веса FP8. Эти варианты точности не создают другую входную модальность и не дают Maverick контекст 10M от Scout. Сохраняйте точный чекпойнт Instruct и его конфигурацию при сравнении повторной задачи или производного развёртывания.
Практическая организация результата
Задача по изображению документа может запрашивать идентификатор источника, видимое утверждение, извлечённое значение и интерпретацию в отдельных полях. Диалоговое объяснение может сохранять исходные термины и адаптировать текст под поддерживаемый язык читателя. Запрос по коду может возвращать исправленный фрагмент и примеры, различающие ожидаемое поведение.
До передачи материала определите, как будет использоваться итоговый результат. Короткая подпись, таблица сравнения и предлагаемая программа решают разные задачи, даже если используют одни изображения. Визуальные и языковые возможности модели обеспечивают интерпретацию и текст; внешний поиск, выполнение или создание файлов предоставляются компонентами приложения.
Конкретные границы
Здесь документированы текст и изображения на входе, текст и код на выходе. Этой версии Maverick не следует приписывать понимание аудио или видео, генерацию речи или именованные настройки усилия рассуждения Muse Spark. Llama Guard также является отдельно обученным классификатором, а не автоматически выдаваемой классификацией в ответе Maverick.
Пример генерации 256 токенов в карточке — пример настройки; изученные источники не устанавливают отдельный жёсткий максимум выходных токенов помимо характеристики контекста модели. Явно сохраняйте идентичность Maverick, границы языковой поддержки и итоговый результат со ссылками на источники, не заимствуя ограничения или режимы другого выпуска Llama.
POST /v1/chat/completionstexttext| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения meta-llama/llama-4-maverick | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения Примеры: system, user, assistant, tool, function Условия: Эти роли явно представлены типами совместимости исходного кода; точный набор ролей зависит от модели. Зависит от модели | По умолчанию— |
Полеmessages[].content | Типstring|content_part[]|null | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].tool_calls | Типtool_call[] | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].tool_call_id | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: role=tool; используйте фактически возвращённый ID | По умолчанию— |
Полеmessages[].name | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].reasoning_content | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: Передавайте обратно фактически возвращённые рассуждения, если эта модель их использует | По умолчанию— |
Полеmessages[].reasoning_details | Типobject|array | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 Зависит от модели | По умолчанию— |
Полеmax_completion_tokens | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 Зависит от модели | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Полеstream_options.include_usage | Типboolean | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtemperature | Типnumber | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtop_p | Типnumber | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеstop | Типstring|string[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtools | Типfunction_tool[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtools[].type | Типstring | ТребованиеНеобязательно | Значения и ограничения function Зависит от модели | По умолчанию— |
Полеtools[].function.name | Типstring | ТребованиеОбязательно | Значения и ограничения Применяется, когда: передан инструмент-функция | По умолчанию— |
Полеtools[].function.description | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtools[].function.parameters | ТипJSON_schema | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtool_choice | Типstring|object | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеparallel_tool_calls | Типboolean | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеresponse_format | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеreasoning_effort | Типstring | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеreasoning | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеservice_tier | Типstring | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеinstructions | Типstring | ТребованиеНеобязательно | Значения и ограничения Поле совместимости | По умолчанию— |
Полеfunctions | Типfunction[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеfunction_call | Типstring|object | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеprompt_cache_options | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmodalities | Типstring[] | ТребованиеНеобязательно | Значения и ограничения text | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется на этом текстовом маршруте Ultra | По умолчанию— |
Полеcache_control.ttl | Типstring | ТребованиеНеобязательно | Значения и ограничения Условия: 1h отклоняется в фактических местах настройки кэша запросов | По умолчанию— |
Текст · Текст UTF8
messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages |
Параметрmaterial_types | Контрактtext |
Параметрmessages | Контрактмассив сообщений со структурой role/content |
Параметрfile_material | Контрактфактический документ UTF-8 вставляется как буквальный текст; ID файла не выводится из него |
Параметрoptional_controls | Контрактstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Параметрcontrol_scope | Контрактзависит от модели; пользовательские инструменты-функции отличаются от инструментов, выполняемых на стороне сервиса |
Параметрoutput_modalities | Контрактtext |
Параметрhosted_operations | Контрактfalse |
Параметрmultimodal_input_binding | Контрактnull |
Жизненный цикл: synchronous_or_streamed
Отправляйте точный ID модели вместе с messages.
Длина контекста не является пределом выхода.
Текстовый файл может передавать буквальный текст; входные изображения, аудио и файловые объекты требуют точной привязки.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Токенов контекста больше | Токенов контекста не более, включительно | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Токенов контекста больше— | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.000375 / 1K токенов Выход · Выходные токены $0.001305 / 1K токенов Вход · Чтение кэша $0.0001 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияУровень 1 по длине запроса | Шкала ставок— | Токенов контекста больше0 | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.000375 / 1K токенов Выход · Выходные токены $0.001305 / 1K токенов Вход · Чтение кэша $0.0001 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${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 или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вариант ответа с его содержимым, вызовами инструментов и рассуждениями. В SSE собирайте изменения по индексам варианта и инструмента, сохраняйте итоговую причину завершения и данные использования.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеchoices[].index | Типinteger |
Полеchoices[].message.content | Типstring|null |
Полеchoices[].message.tool_calls | Типtool_call[] |
Полеchoices[].message.reasoning_content | Типstring |
Полеchoices[].message.reasoning_details | Типobject|array |
Полеchoices[].finish_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick — изначально работающая с текстом и изображениями модель Meta Instruct. Она использует 128 экспертов и имеет 17B активных параметров и 400B параметров всего. Для этого отдельного от Scout выпуска разработчик документирует контекст 1M, многоязычный текстовый и кодовый выход, визуальное распознавание, создание подписей и ответы на вопросы по изображениям.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Llama 4 Maverick Instruct — изначально мультимодальная модель Meta для диалогов с ассистентом и визуального рассуждения. Она принимает многоязычный текст и изображения и создаёт многоязычный текст или код. Её архитектура смеси экспертов использует раннее объединение модальностей, соединяя визуальную и текстовую информацию внутри модели, а не рассматривая изображение как несвязанную подпись от отдельного текстового ассистента.
Сведения о модели и контекст
Для Maverick разработчик указывает 128 экспертов, 17 миллиардов активных параметров и 400 миллиардов параметров в сумме. Это отличается от конфигурации Scout с 16 экспертами и 109B общих параметров, хотя обе модели имеют метку активного размера 17B. Название Instruct обозначает чекпойнт для ассистента, а не предварительно обученную модель Maverick.
Карточка модели документирует контекстное окно 1M для Maverick. Используйте контекст, чтобы удерживать подходящие фрагменты, изображения, диалог и запрошенный ответ вместе. Даже большая коллекция источников требует определённых вопроса и результата. Обозначайте исходные документы и изображения и запрашивайте место, подтверждающее каждый извлечённый вывод, вместо неопределённой сводки всех материалов.
Поддерживаются арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский. Разработчик отличает эти двенадцать поддерживаемых языков от более широкого набора примерно из двухсот языков, использованного при предварительном обучении. Присутствие языка в обучении не следует превращать в обещание равных возможностей для каждого языка.
Задачи чата, зрения и программирования
К предполагаемым визуальным применениям в карточке относятся распознавание, рассуждение об изображениях, создание подписей и ответы на общие вопросы по изображению. Для фотографии попросите модель определить объекты или взаимосвязь, относящиеся к задаче. Для графика запросите сравнение именованных рядов с сохранением осей и единиц. Для схемы спросите, какая подписанная связь подтверждает заданное требование.
Для сравнения нескольких изображений обозначьте роль каждого и запросите одинаковые критерии для всех. Например, передайте исходный дизайн и исправленную версию, затем попросите видимые совпадения, различия и детали, которых изображения не устанавливают. Отделяйте наблюдения от выводов, зависящих от сопроводительного текста. Это упрощает проверку результата по фактическому источнику.
Разработчик сообщает о тестировании понимания изображений при вводе до пяти изображений. Это документированный диапазон тестирования, а не безусловный жёсткий максимум их числа. Сохраняйте детали, необходимые вопросу, и порядок изображений. Добавление большого числа несвязанных изображений само по себе не определяет, что следует сравнивать.
Для задачи программирования передайте требование, соответствующий исходный код и ожидаемое поведение. Запрашивайте предлагаемую реализацию отдельно от допущений и примеров. Скриншот может задавать визуальные требования, а текстовое условие — поведение, которого скриншот не показывает. Сгенерированный код — текстовый материал; его запуск, проверка отрисованного интерфейса или применение к репозиторию требуют подключённой среды.
Подготовка диалога и обучение
Карточка модели демонстрирует соответствующие процессор и шаблон чата с двумя изображениями и письменным вопросом на сравнение. Явно сохраняйте роли в диалоге и связь изображения с текстом. Системная инструкция может определять аудиторию, тон и структуру ответа, а пользовательское сообщение — предоставлять саму задачу и подтверждения. Разработчик описывает улучшения управляемости через системный промпт и форматирования диалога на этапе после предварительного обучения.
Maverick предварительно обучен примерно на 22 триллионах токенов мультимодальных данных, с заявленной границей данных предварительного обучения в августе 2024 года. Это статическая граница обучающих данных, а не доступ к актуальной информации в реальном времени. Если вопрос зависит от более новых или частных материалов, передайте их как исходный контекст или через отдельно подключённую поисковую операцию.
Выпуск включает веса BF16 и отдельно квантованные веса FP8. Эти варианты точности не создают другую входную модальность и не дают Maverick контекст 10M от Scout. Сохраняйте точный чекпойнт Instruct и его конфигурацию при сравнении повторной задачи или производного развёртывания.
Практическая организация результата
Задача по изображению документа может запрашивать идентификатор источника, видимое утверждение, извлечённое значение и интерпретацию в отдельных полях. Диалоговое объяснение может сохранять исходные термины и адаптировать текст под поддерживаемый язык читателя. Запрос по коду может возвращать исправленный фрагмент и примеры, различающие ожидаемое поведение.
До передачи материала определите, как будет использоваться итоговый результат. Короткая подпись, таблица сравнения и предлагаемая программа решают разные задачи, даже если используют одни изображения. Визуальные и языковые возможности модели обеспечивают интерпретацию и текст; внешний поиск, выполнение или создание файлов предоставляются компонентами приложения.
Конкретные границы
Здесь документированы текст и изображения на входе, текст и код на выходе. Этой версии Maverick не следует приписывать понимание аудио или видео, генерацию речи или именованные настройки усилия рассуждения Muse Spark. Llama Guard также является отдельно обученным классификатором, а не автоматически выдаваемой классификацией в ответе Maverick.
Пример генерации 256 токенов в карточке — пример настройки; изученные источники не устанавливают отдельный жёсткий максимум выходных токенов помимо характеристики контекста модели. Явно сохраняйте идентичность Maverick, границы языковой поддержки и итоговый результат со ссылками на источники, не заимствуя ограничения или режимы другого выпуска Llama.
POST /v1/messagestextjson, sse| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения meta-llama/llama-4-maverick | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения user, assistant | По умолчанию— |
Полеmessages[].content | Типstring | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Текст · Текст UTF-8
строка messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages, max_tokens |
Параметрoptional_controls | Контрактstream |
Параметрmaterial_types | Контрактtext |
Параметрtext_file_material | КонтрактПрочитайте фактический документ UTF-8 и поместите его текст в указанную строку входа или содержимого сообщения. |
Жизненный цикл: synchronous_or_streamed
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Токенов контекста больше | Токенов контекста не более, включительно | Плата |
|---|---|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Токенов контекста больше— | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.000375 / 1K токенов Выход · Выходные токены $0.001305 / 1K токенов Вход · Чтение кэша $0.0001 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| КонфигурацияУровень 1 по длине запроса | Шкала ставок— | Токенов контекста больше0 | Токенов контекста не более, включительноБез верхней границы | Плата Вход · Входные токены $0.000375 / 1K токенов Выход · Выходные токены $0.001305 / 1K токенов Вход · Чтение кэша $0.0001 / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте все блоки содержимого, подписи рассуждений и фактические ID обращений к инструментам. Собирайте все изменения блоков SSE; первый текстовый блок не является полным выходом.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеid | Типstring |
Полеmodel | Типstring |
Полеcontent[] | Типtext|thinking|tool_use|other content block |
Полеstop_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Технический пример на английском
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.