Llama Guard 4 12B je natívne multimodálny bezpečnostný klasifikátor spoločnosti Meta s 12 miliardami parametrov. Je trénovaný spoločne na texte a viacerých obrázkoch a generuje textovú klasifikáciu: safe alebo unsafe, pri výsledku unsafe aj s príslušnými kategóriami rizík. Jeho účelom je vyhodnocovať obsah promptu alebo generovanej odpovede, nie fungovať ako všeobecný chatový asistent.
Klasifikácia promptov a odpovedí
Model dokáže klasifikovať materiál pred jeho odoslaním generatívnemu modelu, po vytvorení odpovede týmto modelom alebo v oboch bodoch. Ide o odlišné otázky. Klasifikácia promptu vyhodnocuje vstup používateľa, zatiaľ čo klasifikácia odpovede vyhodnocuje, čo asistent skutočne napísal. Systém tak dokáže odlíšiť rizikovú požiadavku od odpovede, ktorá ju podľa taxonómie klasifikátora spracúva prijateľným spôsobom.
Dodajte presný obsah na klasifikáciu spolu s rolami v rozhovore a relevantným kontextom. Ak je cieľom odpoveď, zachovajte otázku, ktorá jej dáva význam. Pri zmiešanom textovom a obrazovom vstupe zahrňte obrázky priradené k danému promptu namiesto klasifikovania nesúvisiaceho textu alebo jedného svojvoľne vybraného obrázka. Výsledok klasifikátora je informáciou pre pravidlo alebo kontrolný krok aplikácie; sám osebe neblokuje požiadavku ani nemení súbor.
Štrnásť kategórií rizík
Výrobca zosúlaďuje klasifikátor s taxonómiou rizík MLCommons a pridáva výlučne textovú kategóriu pre interpret kódu. Štrnásť označení pokrýva násilnú trestnú činnosť, nenásilnú trestnú činnosť, sexuálne trestné činy, sexuálne vykorisťovanie detí, ohováranie, odborné poradenstvo, súkromie, duševné vlastníctvo, zbrane s nerozlišujúcim účinkom, nenávisť, samovraždu a sebapoškodzovanie, sexuálny obsah, voľby a zneužitie interpretu kódu.
Kategórie používajú identifikátory S1 až S14. S14, Code Interpreter Abuse, je určená konkrétne pre výlučne textové prípady používania volaní nástrojov. Identifikátor taxonómie zachovajte spolu s výsledkom safe/unsafe, aby neskorší krok aplikácie mohol interpretovať klasifikáciu podľa rovnakých definícií kategórií. Krátky výsledok je posúdením kategórie, nie úplným vysvetlením, právnym rozhodnutím ani zárukou, že bola zistená každá možná ujma.
Ako ilustračný formát môže po klasifikácii unsafe nasledovať príslušný identifikátor kategórie. Pôvodný vyhodnotený text, jeho zdroj alebo pozíciu v rozhovore a vrátené označenia uchovajte spoločne. Toto priradenie umožňuje aplikácii odlíšiť preskúmaný obsah od následne prepísanej odpovede alebo samostatného promptu.
Architektúra a tréning
Llama Guard 4 má hustú architektúru Transformer so skorou fúziou, prerezanú z predtrénovaného checkpointu Llama 4 Scout. Výrobca odstraňuje smerovaných expertov a smerovacie vrstvy a zachováva zdieľaného hustého experta, potom výsledný model ďalej trénuje na klasifikáciu obsahu. Po tomto kroku prerezávania nevykonáva žiadne dodatočné predtrénovanie. Vzniká tak odlišný model od chatovej edície Scout so zmesou expertov.
Model zdieľa tokenizér a vizuálny enkóder Llama 4 a kombinuje tréning textovej a multimodálnej klasifikácie. Výrobca opisuje viacjazyčné dáta a tréning s viacerými obrázkami, pričom väčšina takýchto vzoriek obsahuje dva až päť obrázkov a približný pomer textových k multimodálnym dátam je tri ku jednej. Ide o charakteristiky tréningu, nie pevné limity počtu vstupov.
Zdokumentovaný viacjazyčný rozsah sleduje jazyky podporované Llama Guard 3 a karta rozoberá angličtinu spolu s francúzštinou, nemčinou, hindčinou, taliančinou, portugalčinou, španielčinou a thajčinou. Požiadavka na klasifikáciu má zachovať skutočné znenie a vizuálny kontext vo vyhodnocovanom jazyku namiesto nahradenia obsahu nesúvisiacim súhrnom.
Príprava užitočného výsledku klasifikácie
Pri kontrole vstupu dodajte správu používateľa a priradené obrázky a žiadajte klasifikáciu promptu vo formáte výrobcu. Pri kontrole výstupu dodajte skutočnú odpoveď asistenta spolu s relevantnou predchádzajúcou správou. Príklad s viacerými obrázkami môže zachovať text prepájajúci obrázky, aby model vyhodnotil kombinovanú požiadavku namiesto nezávislých fragmentov bez kontextu.
Karta modelu ukazuje použitie zodpovedajúcej šablóny rozhovoru a dekódovanie iba vygenerovanej klasifikácie. Jej príklad generovania desiatich tokenov ilustruje krátky výsledok s označením; toto číslo nie je samostatnou maximálnou kapacitou odpovede. Požadovaný výstup udržujte v súlade s účelom klasifikátora namiesto žiadosti o bežnú konverzačnú odpoveď.
Konkrétne obmedzenia
Výrobca uvádza, že posúdenia môžu byť obmedzené tréningovými dátami modelu, znalosťami bežného sveta, jazykovým pokrytím a pokrytím pravidiel. Kategórie ohovárania, duševného vlastníctva a volieb môžu vyžadovať aktuálne faktické znalosti, ktoré klasifikátor nemusí mať. Označenie kategórie preto má zachovať svoj vzťah k obsahu a informáciám dostupným pre dané vyhodnotenie.
Karta uvádza testovanie prevažne na promptoch s niekoľkými obrázkami, najčastejšie tromi, a upozorňuje, že správanie sa pri podstatne väčšej zbierke obrázkov môže líšiť. To opisuje testovaný rozsah, nie univerzálne maximum troch obrázkov. Model môže byť tiež náchylný na nepriateľský obsah alebo vkladanie škodlivých pokynov, ktoré menia jeho zamýšľané správanie.
Rola klasifikátora Llama Guard 4 nemá preberať špecifikáciu kontextu Scout ani schopnosti všeobecného asistenta len preto, že model vznikol prerezaním Scout. Prečítaná karta neuvádza samostatnú pevnú kapacitu kontextu alebo výstupných tokenov pre tento klasifikátor. Ako praktický artefakt zachovajte vyhodnotený materiál a označenia taxonómie a rozhodnutie o operácii spojenej s výsledkom ponechajte na aplikáciu.
", "aboutText": "Llama Guard 4 12B je natívne multimodálny bezpečnostný klasifikátor spoločnosti Meta s 12 miliardami parametrov. Je trénovaný spoločne na texte a viacerých obrázkoch a generuje textovú klasifikáciu: safe alebo unsafe, pri výsledku unsafe aj s príslušnými kategóriami rizík. Jeho účelom je vyhodnocovať obsah promptu alebo generovanej odpovede, nie fungovať ako všeobecný chatový asistent.\n\nKlasifikácia promptov a odpovedí\n\nModel dokáže klasifikovať materiál pred jeho odoslaním generatívnemu modelu, po vytvorení odpovede týmto modelom alebo v oboch bodoch. Ide o odlišné otázky. Klasifikácia promptu vyhodnocuje vstup používateľa, zatiaľ čo klasifikácia odpovede vyhodnocuje, čo asistent skutočne napísal. Systém tak dokáže odlíšiť rizikovú požiadavku od odpovede, ktorá ju podľa taxonómie klasifikátora spracúva prijateľným spôsobom.\n\nDodajte presný obsah na klasifikáciu spolu s rolami v rozhovore a relevantným kontextom. Ak je cieľom odpoveď, zachovajte otázku, ktorá jej dáva význam. Pri zmiešanom textovom a obrazovom vstupe zahrňte obrázky priradené k danému promptu namiesto klasifikovania nesúvisiaceho textu alebo jedného svojvoľne vybraného obrázka. Výsledok klasifikátora je informáciou pre pravidlo alebo kontrolný krok aplikácie; sám osebe neblokuje požiadavku ani nemení súbor.\n\nŠtrnásť kategórií rizík\n\nVýrobca zosúlaďuje klasifikátor s taxonómiou rizík MLCommons a pridáva výlučne textovú kategóriu pre interpret kódu. Štrnásť označení pokrýva násilnú trestnú činnosť, nenásilnú trestnú činnosť, sexuálne trestné činy, sexuálne vykorisťovanie detí, ohováranie, odborné poradenstvo, súkromie, duševné vlastníctvo, zbrane s nerozlišujúcim účinkom, nenávisť, samovraždu a sebapoškodzovanie, sexuálny obsah, voľby a zneužitie interpretu kódu.\n\nKategórie používajú identifikátory S1 až S14. S14, Code Interpreter Abuse, je určená konkrétne pre výlučne textové prípady používania volaní nástrojov. Identifikátor taxonómie zachovajte spolu s výsledkom safe/unsafe, aby neskorší krok aplikácie mohol interpretovať klasifikáciu podľa rovnakých definícií kategórií. Krátky výsledok je posúdením kategórie, nie úplným vysvetlením, právnym rozhodnutím ani zárukou, že bola zistená každá možná ujma.\n\nAko ilustračný formát môže po klasifikácii unsafe nasledovať príslušný identifikátor kategórie. Pôvodný vyhodnotený text, jeho zdroj alebo pozíciu v rozhovore a vrátené označenia uchovajte spoločne. Toto priradenie umožňuje aplikácii odlíšiť preskúmaný obsah od následne prepísanej odpovede alebo samostatného promptu.\n\nArchitektúra a tréning\n\nLlama Guard 4 má hustú architektúru Transformer so skorou fúziou, prerezanú z predtrénovaného checkpointu Llama 4 Scout. Výrobca odstraňuje smerovaných expertov a smerovacie vrstvy a zachováva zdieľaného hustého experta, potom výsledný model ďalej trénuje na klasifikáciu obsahu. Po tomto kroku prerezávania nevykonáva žiadne dodatočné predtrénovanie. Vzniká tak odlišný model od chatovej edície Scout so zmesou expertov.\n\nModel zdieľa tokenizér a vizuálny enkóder Llama 4 a kombinuje tréning textovej a multimodálnej klasifikácie. Výrobca opisuje viacjazyčné dáta a tréning s viacerými obrázkami, pričom väčšina takýchto vzoriek obsahuje dva až päť obrázkov a približný pomer textových k multimodálnym dátam je tri ku jednej. Ide o charakteristiky tréningu, nie pevné limity počtu vstupov.\n\nZdokumentovaný viacjazyčný rozsah sleduje jazyky podporované Llama Guard 3 a karta rozoberá angličtinu spolu s francúzštinou, nemčinou, hindčinou, taliančinou, portugalčinou, španielčinou a thajčinou. Požiadavka na klasifikáciu má zachovať skutočné znenie a vizuálny kontext vo vyhodnocovanom jazyku namiesto nahradenia obsahu nesúvisiacim súhrnom.\n\nPríprava užitočného výsledku klasifikácie\n\nPri kontrole vstupu dodajte správu používateľa a priradené obrázky a žiadajte klasifikáciu promptu vo formáte výrobcu. Pri kontrole výstupu dodajte skutočnú odpoveď asistenta spolu s relevantnou predchádzajúcou správou. Príklad s viacerými obrázkami môže zachovať text prepájajúci obrázky, aby model vyhodnotil kombinovanú požiadavku namiesto nezávislých fragmentov bez kontextu.\n\nKarta modelu ukazuje použitie zodpovedajúcej šablóny rozhovoru a dekódovanie iba vygenerovanej klasifikácie. Jej príklad generovania desiatich tokenov ilustruje krátky výsledok s označením; toto číslo nie je samostatnou maximálnou kapacitou odpovede. Požadovaný výstup udržujte v súlade s účelom klasifikátora namiesto žiadosti o bežnú konverzačnú odpoveď.\n\nKonkrétne obmedzenia\n\nVýrobca uvádza, že posúdenia môžu byť obmedzené tréningovými dátami modelu, znalosťami bežného sveta, jazykovým pokrytím a pokrytím pravidiel. Kategórie ohovárania, duševného vlastníctva a volieb môžu vyžadovať aktuálne faktické znalosti, ktoré klasifikátor nemusí mať. Označenie kategórie preto má zachovať svoj vzťah k obsahu a informáciám dostupným pre dané vyhodnotenie.\n\nKarta uvádza testovanie prevažne na promptoch s niekoľkými obrázkami, najčastejšie tromi, a upozorňuje, že správanie sa pri podstatne väčšej zbierke obrázkov môže líšiť. To opisuje testovaný rozsah, nie univerzálne maximum troch obrázkov. Model môže byť tiež náchylný na nepriateľský obsah alebo vkladanie škodlivých pokynov, ktoré menia jeho zamýšľané správanie.\n\nRola klasifikátora Llama Guard 4 nemá preberať špecifikáciu kontextu Scout ani schopnosti všeobecného asistenta len preto, že model vznikol prerezaním Scout. Prečítaná karta neuvádza samostatnú pevnú kapacitu kontextu alebo výstupných tokenov pre tento klasifikátor. Ako praktický artefakt zachovajte vyhodnotený materiál a označenia taxonómie a rozhodnutie o operácii spojenej s výsledkom ponechajte na aplikáciu.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický príklad v angličtine
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 je multimodálny klasifikátor obsahu spoločnosti Meta pre prompty a generované odpovede. Analyzuje text s jedným alebo viacerými obrázkami a vracia označenie safe/unsafe spolu s príslušnými kategóriami rizík; používa hustú architektúru prerezanú z Llama 4 Scout.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Llama Guard 4 12B je natívne multimodálny bezpečnostný klasifikátor spoločnosti Meta s 12 miliardami parametrov. Je trénovaný spoločne na texte a viacerých obrázkoch a generuje textovú klasifikáciu: safe alebo unsafe, pri výsledku unsafe aj s príslušnými kategóriami rizík. Jeho účelom je vyhodnocovať obsah promptu alebo generovanej odpovede, nie fungovať ako všeobecný chatový asistent.
Klasifikácia promptov a odpovedí
Model dokáže klasifikovať materiál pred jeho odoslaním generatívnemu modelu, po vytvorení odpovede týmto modelom alebo v oboch bodoch. Ide o odlišné otázky. Klasifikácia promptu vyhodnocuje vstup používateľa, zatiaľ čo klasifikácia odpovede vyhodnocuje, čo asistent skutočne napísal. Systém tak dokáže odlíšiť rizikovú požiadavku od odpovede, ktorá ju podľa taxonómie klasifikátora spracúva prijateľným spôsobom.
Dodajte presný obsah na klasifikáciu spolu s rolami v rozhovore a relevantným kontextom. Ak je cieľom odpoveď, zachovajte otázku, ktorá jej dáva význam. Pri zmiešanom textovom a obrazovom vstupe zahrňte obrázky priradené k danému promptu namiesto klasifikovania nesúvisiaceho textu alebo jedného svojvoľne vybraného obrázka. Výsledok klasifikátora je informáciou pre pravidlo alebo kontrolný krok aplikácie; sám osebe neblokuje požiadavku ani nemení súbor.
Štrnásť kategórií rizík
Výrobca zosúlaďuje klasifikátor s taxonómiou rizík MLCommons a pridáva výlučne textovú kategóriu pre interpret kódu. Štrnásť označení pokrýva násilnú trestnú činnosť, nenásilnú trestnú činnosť, sexuálne trestné činy, sexuálne vykorisťovanie detí, ohováranie, odborné poradenstvo, súkromie, duševné vlastníctvo, zbrane s nerozlišujúcim účinkom, nenávisť, samovraždu a sebapoškodzovanie, sexuálny obsah, voľby a zneužitie interpretu kódu.
Kategórie používajú identifikátory S1 až S14. S14, Code Interpreter Abuse, je určená konkrétne pre výlučne textové prípady používania volaní nástrojov. Identifikátor taxonómie zachovajte spolu s výsledkom safe/unsafe, aby neskorší krok aplikácie mohol interpretovať klasifikáciu podľa rovnakých definícií kategórií. Krátky výsledok je posúdením kategórie, nie úplným vysvetlením, právnym rozhodnutím ani zárukou, že bola zistená každá možná ujma.
Ako ilustračný formát môže po klasifikácii unsafe nasledovať príslušný identifikátor kategórie. Pôvodný vyhodnotený text, jeho zdroj alebo pozíciu v rozhovore a vrátené označenia uchovajte spoločne. Toto priradenie umožňuje aplikácii odlíšiť preskúmaný obsah od následne prepísanej odpovede alebo samostatného promptu.
Architektúra a tréning
Llama Guard 4 má hustú architektúru Transformer so skorou fúziou, prerezanú z predtrénovaného checkpointu Llama 4 Scout. Výrobca odstraňuje smerovaných expertov a smerovacie vrstvy a zachováva zdieľaného hustého experta, potom výsledný model ďalej trénuje na klasifikáciu obsahu. Po tomto kroku prerezávania nevykonáva žiadne dodatočné predtrénovanie. Vzniká tak odlišný model od chatovej edície Scout so zmesou expertov.
Model zdieľa tokenizér a vizuálny enkóder Llama 4 a kombinuje tréning textovej a multimodálnej klasifikácie. Výrobca opisuje viacjazyčné dáta a tréning s viacerými obrázkami, pričom väčšina takýchto vzoriek obsahuje dva až päť obrázkov a približný pomer textových k multimodálnym dátam je tri ku jednej. Ide o charakteristiky tréningu, nie pevné limity počtu vstupov.
Zdokumentovaný viacjazyčný rozsah sleduje jazyky podporované Llama Guard 3 a karta rozoberá angličtinu spolu s francúzštinou, nemčinou, hindčinou, taliančinou, portugalčinou, španielčinou a thajčinou. Požiadavka na klasifikáciu má zachovať skutočné znenie a vizuálny kontext vo vyhodnocovanom jazyku namiesto nahradenia obsahu nesúvisiacim súhrnom.
Príprava užitočného výsledku klasifikácie
Pri kontrole vstupu dodajte správu používateľa a priradené obrázky a žiadajte klasifikáciu promptu vo formáte výrobcu. Pri kontrole výstupu dodajte skutočnú odpoveď asistenta spolu s relevantnou predchádzajúcou správou. Príklad s viacerými obrázkami môže zachovať text prepájajúci obrázky, aby model vyhodnotil kombinovanú požiadavku namiesto nezávislých fragmentov bez kontextu.
Karta modelu ukazuje použitie zodpovedajúcej šablóny rozhovoru a dekódovanie iba vygenerovanej klasifikácie. Jej príklad generovania desiatich tokenov ilustruje krátky výsledok s označením; toto číslo nie je samostatnou maximálnou kapacitou odpovede. Požadovaný výstup udržujte v súlade s účelom klasifikátora namiesto žiadosti o bežnú konverzačnú odpoveď.
Konkrétne obmedzenia
Výrobca uvádza, že posúdenia môžu byť obmedzené tréningovými dátami modelu, znalosťami bežného sveta, jazykovým pokrytím a pokrytím pravidiel. Kategórie ohovárania, duševného vlastníctva a volieb môžu vyžadovať aktuálne faktické znalosti, ktoré klasifikátor nemusí mať. Označenie kategórie preto má zachovať svoj vzťah k obsahu a informáciám dostupným pre dané vyhodnotenie.
Karta uvádza testovanie prevažne na promptoch s niekoľkými obrázkami, najčastejšie tromi, a upozorňuje, že správanie sa pri podstatne väčšej zbierke obrázkov môže líšiť. To opisuje testovaný rozsah, nie univerzálne maximum troch obrázkov. Model môže byť tiež náchylný na nepriateľský obsah alebo vkladanie škodlivých pokynov, ktoré menia jeho zamýšľané správanie.
Rola klasifikátora Llama Guard 4 nemá preberať špecifikáciu kontextu Scout ani schopnosti všeobecného asistenta len preto, že model vznikol prerezaním Scout. Prečítaná karta neuvádza samostatnú pevnú kapacitu kontextu alebo výstupných tokenov pre tento klasifikátor. Ako praktický artefakt zachovajte vyhodnotený materiál a označenia taxonómie a rozhodnutie o operácii spojenej s výsledkom ponechajte na aplikáciu.
POST /v1/chat/completionstexttext| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity meta-llama/llama-guard-4-12b | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity Minimálny počet položiek: 1 | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity Príklady: system, user, assistant, tool, function Podmienky: Tieto roly sú výslovne zastúpené typmi kompatibility v zdrojovom kóde; presný súbor rolí zostáva závislý od modelu. Závisí od modelu | Predvolené— |
Polemessages[].content | Typstring|content_part[]|null | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_calls | Typtool_call[] | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_call_id | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: role=tool; použite skutočne vrátené ID | Predvolené— |
Polemessages[].name | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].reasoning_content | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: Posielajte späť skutočne vrátené uvažovanie, ak ho tento model používa | Predvolené— |
Polemessages[].reasoning_details | Typobject|array | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polemax_completion_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Polestream_options.include_usage | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletemperature | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletop_p | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polestop | Typstring|string[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools | Typfunction_tool[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools[].type | Typstring | PožiadavkaVoliteľné | Hodnoty a limity function Závisí od modelu | Predvolené— |
Poletools[].function.name | Typstring | PožiadavkaPovinné | Hodnoty a limity Platí, keď: poskytnutý nástroj typu funkcia | Predvolené— |
Poletools[].function.description | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletools[].function.parameters | TypJSON_schema | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletool_choice | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleparallel_tool_calls | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleresponse_format | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning_effort | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleservice_tier | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleinstructions | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Pole kompatibility | Predvolené— |
Polefunctions | Typfunction[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polefunction_call | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleprompt_cache_options | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemodalities | Typstring[] | PožiadavkaVoliteľné | Hodnoty a limity text | Predvolené— |
Poleprovider | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: provider.options sa na tejto textovej trase Ultra odmieta | Predvolené— |
Polecache_control.ttl | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: Hodnota 1h sa v skutočne používaných poliach cache promptov odmieta | Predvolené— |
Text · Text UTF8
messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages |
Parametermaterial_types | Špecifikáciatext |
Parametermessages | Špecifikáciapole správ so štruktúrou role/content |
Parameterfile_material | Špecifikáciaskutočný dokument UTF-8 vložený ako doslovný text; ID súboru sa neodvodzuje |
Parameteroptional_controls | Špecifikáciastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Špecifikáciazávisí od modelu; používateľské nástroje typu funkcia sa líšia od nástrojov prevádzkovaných službou |
Parameteroutput_modalities | Špecifikáciatext |
Parameterhosted_operations | Špecifikáciafalse |
Parametermultimodal_input_binding | Špecifikácianull |
Životný cyklus: synchronous_or_streamed
Pošlite presné ID modelu spolu s messages.
Dĺžka kontextu nie je horná hranica výstupu.
Textový súbor môže poskytnúť doslovný text; obrazové a zvukové vstupy a vstupy so súborovými objektmi potrebujú presné naviazanie.
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.
| Konfigurácia | Sadzobník | Počet tokenov kontextu väčší než | Tokeny kontextu, najviac (vrátane hranice) | Poplatok |
|---|---|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Počet tokenov kontextu väčší než— | Tokeny kontextu, najviac (vrátane hranice)Bez hornej hranice | Poplatok Vstup · Vstupné tokeny $0.00036 / 1K tokenov Výstup · Výstupné tokeny $0.00036 / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
| KonfiguráciaPásmo dĺžky požiadavky 1 | Sadzobník— | Počet tokenov kontextu väčší než0 | Tokeny kontextu, najviac (vrátane hranice)Bez hornej hranice | Poplatok Vstup · Vstupné tokeny $0.00036 / 1K tokenov Výstup · Výstupné tokeny $0.00036 / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
set -eu\n: "${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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte každý variant odpovede a jeho obsah, volania nástrojov a uvažovanie. V SSE zostavujte čiastkové zmeny podľa indexu variantu/nástroja a zachovajte konečný dôvod ukončenia aj údaje o spotrebe.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra meta-llama/llama-guard-4-12b
Použite cesty metód uvedené vyššie.
meta-llama/llama-guard-4-12bLlama Guard 4 12B je multimodálny klasifikátor obsahu spoločnosti Meta pre prompty a generované odpovede. Analyzuje text s jedným alebo viacerými obrázkami a vracia označenie safe/unsafe spolu s príslušnými kategóriami rizík; používa hustú architektúru prerezanú z Llama 4 Scout.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Llama Guard 4 12B je natívne multimodálny bezpečnostný klasifikátor spoločnosti Meta s 12 miliardami parametrov. Je trénovaný spoločne na texte a viacerých obrázkoch a generuje textovú klasifikáciu: safe alebo unsafe, pri výsledku unsafe aj s príslušnými kategóriami rizík. Jeho účelom je vyhodnocovať obsah promptu alebo generovanej odpovede, nie fungovať ako všeobecný chatový asistent.
Klasifikácia promptov a odpovedí
Model dokáže klasifikovať materiál pred jeho odoslaním generatívnemu modelu, po vytvorení odpovede týmto modelom alebo v oboch bodoch. Ide o odlišné otázky. Klasifikácia promptu vyhodnocuje vstup používateľa, zatiaľ čo klasifikácia odpovede vyhodnocuje, čo asistent skutočne napísal. Systém tak dokáže odlíšiť rizikovú požiadavku od odpovede, ktorá ju podľa taxonómie klasifikátora spracúva prijateľným spôsobom.
Dodajte presný obsah na klasifikáciu spolu s rolami v rozhovore a relevantným kontextom. Ak je cieľom odpoveď, zachovajte otázku, ktorá jej dáva význam. Pri zmiešanom textovom a obrazovom vstupe zahrňte obrázky priradené k danému promptu namiesto klasifikovania nesúvisiaceho textu alebo jedného svojvoľne vybraného obrázka. Výsledok klasifikátora je informáciou pre pravidlo alebo kontrolný krok aplikácie; sám osebe neblokuje požiadavku ani nemení súbor.
Štrnásť kategórií rizík
Výrobca zosúlaďuje klasifikátor s taxonómiou rizík MLCommons a pridáva výlučne textovú kategóriu pre interpret kódu. Štrnásť označení pokrýva násilnú trestnú činnosť, nenásilnú trestnú činnosť, sexuálne trestné činy, sexuálne vykorisťovanie detí, ohováranie, odborné poradenstvo, súkromie, duševné vlastníctvo, zbrane s nerozlišujúcim účinkom, nenávisť, samovraždu a sebapoškodzovanie, sexuálny obsah, voľby a zneužitie interpretu kódu.
Kategórie používajú identifikátory S1 až S14. S14, Code Interpreter Abuse, je určená konkrétne pre výlučne textové prípady používania volaní nástrojov. Identifikátor taxonómie zachovajte spolu s výsledkom safe/unsafe, aby neskorší krok aplikácie mohol interpretovať klasifikáciu podľa rovnakých definícií kategórií. Krátky výsledok je posúdením kategórie, nie úplným vysvetlením, právnym rozhodnutím ani zárukou, že bola zistená každá možná ujma.
Ako ilustračný formát môže po klasifikácii unsafe nasledovať príslušný identifikátor kategórie. Pôvodný vyhodnotený text, jeho zdroj alebo pozíciu v rozhovore a vrátené označenia uchovajte spoločne. Toto priradenie umožňuje aplikácii odlíšiť preskúmaný obsah od následne prepísanej odpovede alebo samostatného promptu.
Architektúra a tréning
Llama Guard 4 má hustú architektúru Transformer so skorou fúziou, prerezanú z predtrénovaného checkpointu Llama 4 Scout. Výrobca odstraňuje smerovaných expertov a smerovacie vrstvy a zachováva zdieľaného hustého experta, potom výsledný model ďalej trénuje na klasifikáciu obsahu. Po tomto kroku prerezávania nevykonáva žiadne dodatočné predtrénovanie. Vzniká tak odlišný model od chatovej edície Scout so zmesou expertov.
Model zdieľa tokenizér a vizuálny enkóder Llama 4 a kombinuje tréning textovej a multimodálnej klasifikácie. Výrobca opisuje viacjazyčné dáta a tréning s viacerými obrázkami, pričom väčšina takýchto vzoriek obsahuje dva až päť obrázkov a približný pomer textových k multimodálnym dátam je tri ku jednej. Ide o charakteristiky tréningu, nie pevné limity počtu vstupov.
Zdokumentovaný viacjazyčný rozsah sleduje jazyky podporované Llama Guard 3 a karta rozoberá angličtinu spolu s francúzštinou, nemčinou, hindčinou, taliančinou, portugalčinou, španielčinou a thajčinou. Požiadavka na klasifikáciu má zachovať skutočné znenie a vizuálny kontext vo vyhodnocovanom jazyku namiesto nahradenia obsahu nesúvisiacim súhrnom.
Príprava užitočného výsledku klasifikácie
Pri kontrole vstupu dodajte správu používateľa a priradené obrázky a žiadajte klasifikáciu promptu vo formáte výrobcu. Pri kontrole výstupu dodajte skutočnú odpoveď asistenta spolu s relevantnou predchádzajúcou správou. Príklad s viacerými obrázkami môže zachovať text prepájajúci obrázky, aby model vyhodnotil kombinovanú požiadavku namiesto nezávislých fragmentov bez kontextu.
Karta modelu ukazuje použitie zodpovedajúcej šablóny rozhovoru a dekódovanie iba vygenerovanej klasifikácie. Jej príklad generovania desiatich tokenov ilustruje krátky výsledok s označením; toto číslo nie je samostatnou maximálnou kapacitou odpovede. Požadovaný výstup udržujte v súlade s účelom klasifikátora namiesto žiadosti o bežnú konverzačnú odpoveď.
Konkrétne obmedzenia
Výrobca uvádza, že posúdenia môžu byť obmedzené tréningovými dátami modelu, znalosťami bežného sveta, jazykovým pokrytím a pokrytím pravidiel. Kategórie ohovárania, duševného vlastníctva a volieb môžu vyžadovať aktuálne faktické znalosti, ktoré klasifikátor nemusí mať. Označenie kategórie preto má zachovať svoj vzťah k obsahu a informáciám dostupným pre dané vyhodnotenie.
Karta uvádza testovanie prevažne na promptoch s niekoľkými obrázkami, najčastejšie tromi, a upozorňuje, že správanie sa pri podstatne väčšej zbierke obrázkov môže líšiť. To opisuje testovaný rozsah, nie univerzálne maximum troch obrázkov. Model môže byť tiež náchylný na nepriateľský obsah alebo vkladanie škodlivých pokynov, ktoré menia jeho zamýšľané správanie.
Rola klasifikátora Llama Guard 4 nemá preberať špecifikáciu kontextu Scout ani schopnosti všeobecného asistenta len preto, že model vznikol prerezaním Scout. Prečítaná karta neuvádza samostatnú pevnú kapacitu kontextu alebo výstupných tokenov pre tento klasifikátor. Ako praktický artefakt zachovajte vyhodnotený materiál a označenia taxonómie a rozhodnutie o operácii spojenej s výsledkom ponechajte na aplikáciu.
POST /v1/messagestextjson, sse| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity meta-llama/llama-guard-4-12b | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity user, assistant | Predvolené— |
Polemessages[].content | Typstring | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Text · Text UTF-8
reťazec messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages, max_tokens |
Parameteroptional_controls | Špecifikáciastream |
Parametermaterial_types | Špecifikáciatext |
Parametertext_file_material | ŠpecifikáciaPrečítajte skutočný dokument UTF-8 a vložte jeho text do uvedeného vstupného reťazca alebo reťazca obsahu správy. |
Životný cyklus: synchronous_or_streamed
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.
| Konfigurácia | Sadzobník | Počet tokenov kontextu väčší než | Tokeny kontextu, najviac (vrátane hranice) | Poplatok |
|---|---|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Počet tokenov kontextu väčší než— | Tokeny kontextu, najviac (vrátane hranice)Bez hornej hranice | Poplatok Vstup · Vstupné tokeny $0.00036 / 1K tokenov Výstup · Výstupné tokeny $0.00036 / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
| KonfiguráciaPásmo dĺžky požiadavky 1 | Sadzobník— | Počet tokenov kontextu väčší než0 | Tokeny kontextu, najviac (vrátane hranice)Bez hornej hranice | Poplatok Vstup · Vstupné tokeny $0.00036 / 1K tokenov Výstup · Výstupné tokeny $0.00036 / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte všetky bloky obsahu, podpisy uvažovania a skutočné ID volaní nástrojov. Zostavte všetky čiastkové zmeny blokov SSE; prvý textový blok nie je celý výstup.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra meta-llama/llama-guard-4-12b
Použite cesty metód uvedené vyššie.
Technický príklad v angličtine
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.