Llama Guard 4 12B je Metin izvorno multimodalni varnostni razvrščevalnik z 12 milijardami parametrov. Skupaj se uči na besedilu in več slikah ter ustvari besedilno razvrstitev: safe ali unsafe, pri rezultatu unsafe pa tudi kršene kategorije tveganj. Njegov namen je ocenjevanje vsebine v pozivu ali ustvarjenem odgovoru, ne delovanje kot splošni pomočnik za klepet.
Razvrščanje pozivov in odgovorov
Model lahko razvršča gradivo pred pošiljanjem generativnemu modelu, po tem, ko ta model ustvari odgovor, ali na obeh točkah. To so različna vprašanja. Razvrščanje poziva ocenjuje uporabnikov vhod, razvrščanje odgovora pa to, kar je pomočnik dejansko napisal. Sistem lahko zato razlikuje med tvegano zahtevo in odgovorom, ki zahtevo obravnava na sprejemljiv način po taksonomiji razvrščevalnika.
Posredujte natančno vsebino za razvrščanje skupaj z vlogami v pogovoru in ustreznim kontekstom. Če je cilj odgovor, ohranite vprašanje, ki mu daje pomen. Pri mešanem besedilnem in slikovnem vhodu vključite slike, povezane s tem pozivom, namesto da razvrščate nepovezano besedilo ali eno poljubno izbrano sliko. Rezultat razvrščevalnika je informacija za pravilo aplikacije ali korak pregleda; sam po sebi ne blokira zahteve ali spremeni datoteke.
Štirinajst kategorij tveganj
Proizvajalec razvrščevalnik uskladi s taksonomijo tveganj MLCommons in doda kategorijo za tolmač kode, namenjeno samo besedilu. Štirinajst oznak zajema nasilna kazniva dejanja, nenasilna kazniva dejanja, kazniva dejanja, povezana s spolnostjo, spolno izkoriščanje otrok, obrekovanje, specializirane nasvete, zasebnost, intelektualno lastnino, orožje z neselektivnim učinkom, sovraštvo, samomor in samopoškodovanje, spolno vsebino, volitve in zlorabo tolmača kode.
Kategorije uporabljajo identifikatorje od S1 do S14. S14, Code Interpreter Abuse, je namenjen posebej primerom uporabe klicev orodij samo z besedilom. Identifikator taksonomije ohranite ob rezultatu safe/unsafe, da lahko poznejši korak aplikacije razume razvrstitev po istih opredelitvah kategorij. Kratek rezultat je presoja kategorije, ne popolna razlaga, pravna odločitev ali zagotovilo, da je bila zaznana vsaka možna škoda.
Kot ponazoritev oblike lahko razvrstitvi unsafe sledi ustrezni identifikator kategorije. Skupaj ohranite prvotno ocenjevano besedilo, njegov vir ali mesto v pogovoru in vrnjene oznake. Ta povezava aplikaciji omogoča razlikovanje med pregledano vsebino in pozneje preoblikovanim odgovorom ali ločenim pozivom.
Arhitektura in učenje
Llama Guard 4 ima gosto arhitekturo Transformer z zgodnjim združevanjem modalnosti, pridobljeno z obrezovanjem predhodno naučene kontrolne točke Llama 4 Scout. Proizvajalec odstrani usmerjane eksperte in plasti usmerjevalnika ter ohrani skupnega gostega eksperta, nato pa nastali model dodatno nauči za razvrščanje vsebine. Po koraku obrezovanja ne izvede dodatnega predhodnega učenja. Tako nastane model, drugačen od Scoutove različice za klepet z mešanico ekspertov.
Model uporablja isti tokenizator in kodirnik vida kot Llama 4 ter združuje učenje razvrščanja samo z besedilom in multimodalnega razvrščanja. Proizvajalec opisuje večjezične podatke in učenje z več slikami, pri čemer večina takšnih vzorcev vsebuje dve do pet slik, približno razmerje med izključno besedilnimi in multimodalnimi podatki pa je tri proti ena. To so značilnosti učenja, ne trde omejitve števila vhodov.
Dokumentirani večjezični obseg sledi jezikom, ki jih podpira Llama Guard 3, kartica pa poleg angleščine obravnava francoščino, nemščino, hindijščino, italijanščino, portugalščino, španščino in tajščino. Zahteva za razvrščanje naj ohrani dejansko besedilo in vizualni kontekst v ocenjevanem jeziku, namesto da bi vsebino nadomestila z nepovezanim povzetkom.
Priprava uporabnega rezultata razvrščanja
Pri preverjanju vhoda podajte uporabnikovo sporočilo in pripadajoče slike ter zahtevajte razvrstitev poziva v proizvajalčevi obliki. Pri preverjanju izhoda podajte pomočnikov dejanski odgovor skupaj z ustreznim predhodnim sporočilom. Primer z več slikami lahko ohrani besedilo, ki jih povezuje, tako da model oceni združeno zahtevo namesto samostojnih delov brez konteksta.
Kartica modela prikazuje uporabo ustrezne predloge pogovora in dekodiranje samo ustvarjene razvrstitve. Primer ustvarjanja desetih žetonov ponazarja kratek rezultat z oznako; to število ni ločena največja zmogljivost odgovora. Zahtevani izhod naj bo skladen z namenom razvrščevalnika, namesto da od njega zahtevate običajen pogovorni odgovor.
Posebne omejitve
Proizvajalec navaja, da lahko presoje omejujejo učni podatki modela, splošno znanje, pokritost jezikov in pravil. Kategorije obrekovanja, intelektualne lastnine in volitev lahko zahtevajo stvarno, aktualno znanje, ki ga razvrščevalnik morda nima. Oznaka kategorije naj zato ohrani povezavo z vsebino in informacijami, razpoložljivimi pri tem ocenjevanju.
Kartica poroča o testiranju predvsem na pozivih z nekaj slikami, najpogosteje tremi, in opozarja, da se lahko vedenje pri precej večji zbirki slik razlikuje. To opisuje preizkušeni obseg, ne splošne omejitve na tri slike. Model je lahko tudi dovzeten za zlonamerno vsebino ali vbrizgavanje pozivov, ki spremeni njegovo nameravano vedenje.
Razvrščevalna vloga Llama Guard 4 ne sme prevzeti Scoutove specifikacije konteksta ali zmožnosti splošnega pomočnika zgolj zato, ker je nastala z njegovim obrezovanjem. Prebrana kartica za ta razvrščevalnik ne določa ločene trde omejitve konteksta ali izhodnih žetonov. Ocenjeno gradivo in oznake taksonomije ohranite kot praktičen izdelek, aplikacija pa naj določi dejanje, povezano s tem rezultatom.
", "aboutText": "Llama Guard 4 12B je Metin izvorno multimodalni varnostni razvrščevalnik z 12 milijardami parametrov. Skupaj se uči na besedilu in več slikah ter ustvari besedilno razvrstitev: safe ali unsafe, pri rezultatu unsafe pa tudi kršene kategorije tveganj. Njegov namen je ocenjevanje vsebine v pozivu ali ustvarjenem odgovoru, ne delovanje kot splošni pomočnik za klepet.\n\nRazvrščanje pozivov in odgovorov\n\nModel lahko razvršča gradivo pred pošiljanjem generativnemu modelu, po tem, ko ta model ustvari odgovor, ali na obeh točkah. To so različna vprašanja. Razvrščanje poziva ocenjuje uporabnikov vhod, razvrščanje odgovora pa to, kar je pomočnik dejansko napisal. Sistem lahko zato razlikuje med tvegano zahtevo in odgovorom, ki zahtevo obravnava na sprejemljiv način po taksonomiji razvrščevalnika.\n\nPosredujte natančno vsebino za razvrščanje skupaj z vlogami v pogovoru in ustreznim kontekstom. Če je cilj odgovor, ohranite vprašanje, ki mu daje pomen. Pri mešanem besedilnem in slikovnem vhodu vključite slike, povezane s tem pozivom, namesto da razvrščate nepovezano besedilo ali eno poljubno izbrano sliko. Rezultat razvrščevalnika je informacija za pravilo aplikacije ali korak pregleda; sam po sebi ne blokira zahteve ali spremeni datoteke.\n\nŠtirinajst kategorij tveganj\n\nProizvajalec razvrščevalnik uskladi s taksonomijo tveganj MLCommons in doda kategorijo za tolmač kode, namenjeno samo besedilu. Štirinajst oznak zajema nasilna kazniva dejanja, nenasilna kazniva dejanja, kazniva dejanja, povezana s spolnostjo, spolno izkoriščanje otrok, obrekovanje, specializirane nasvete, zasebnost, intelektualno lastnino, orožje z neselektivnim učinkom, sovraštvo, samomor in samopoškodovanje, spolno vsebino, volitve in zlorabo tolmača kode.\n\nKategorije uporabljajo identifikatorje od S1 do S14. S14, Code Interpreter Abuse, je namenjen posebej primerom uporabe klicev orodij samo z besedilom. Identifikator taksonomije ohranite ob rezultatu safe/unsafe, da lahko poznejši korak aplikacije razume razvrstitev po istih opredelitvah kategorij. Kratek rezultat je presoja kategorije, ne popolna razlaga, pravna odločitev ali zagotovilo, da je bila zaznana vsaka možna škoda.\n\nKot ponazoritev oblike lahko razvrstitvi unsafe sledi ustrezni identifikator kategorije. Skupaj ohranite prvotno ocenjevano besedilo, njegov vir ali mesto v pogovoru in vrnjene oznake. Ta povezava aplikaciji omogoča razlikovanje med pregledano vsebino in pozneje preoblikovanim odgovorom ali ločenim pozivom.\n\nArhitektura in učenje\n\nLlama Guard 4 ima gosto arhitekturo Transformer z zgodnjim združevanjem modalnosti, pridobljeno z obrezovanjem predhodno naučene kontrolne točke Llama 4 Scout. Proizvajalec odstrani usmerjane eksperte in plasti usmerjevalnika ter ohrani skupnega gostega eksperta, nato pa nastali model dodatno nauči za razvrščanje vsebine. Po koraku obrezovanja ne izvede dodatnega predhodnega učenja. Tako nastane model, drugačen od Scoutove različice za klepet z mešanico ekspertov.\n\nModel uporablja isti tokenizator in kodirnik vida kot Llama 4 ter združuje učenje razvrščanja samo z besedilom in multimodalnega razvrščanja. Proizvajalec opisuje večjezične podatke in učenje z več slikami, pri čemer večina takšnih vzorcev vsebuje dve do pet slik, približno razmerje med izključno besedilnimi in multimodalnimi podatki pa je tri proti ena. To so značilnosti učenja, ne trde omejitve števila vhodov.\n\nDokumentirani večjezični obseg sledi jezikom, ki jih podpira Llama Guard 3, kartica pa poleg angleščine obravnava francoščino, nemščino, hindijščino, italijanščino, portugalščino, španščino in tajščino. Zahteva za razvrščanje naj ohrani dejansko besedilo in vizualni kontekst v ocenjevanem jeziku, namesto da bi vsebino nadomestila z nepovezanim povzetkom.\n\nPriprava uporabnega rezultata razvrščanja\n\nPri preverjanju vhoda podajte uporabnikovo sporočilo in pripadajoče slike ter zahtevajte razvrstitev poziva v proizvajalčevi obliki. Pri preverjanju izhoda podajte pomočnikov dejanski odgovor skupaj z ustreznim predhodnim sporočilom. Primer z več slikami lahko ohrani besedilo, ki jih povezuje, tako da model oceni združeno zahtevo namesto samostojnih delov brez konteksta.\n\nKartica modela prikazuje uporabo ustrezne predloge pogovora in dekodiranje samo ustvarjene razvrstitve. Primer ustvarjanja desetih žetonov ponazarja kratek rezultat z oznako; to število ni ločena največja zmogljivost odgovora. Zahtevani izhod naj bo skladen z namenom razvrščevalnika, namesto da od njega zahtevate običajen pogovorni odgovor.\n\nPosebne omejitve\n\nProizvajalec navaja, da lahko presoje omejujejo učni podatki modela, splošno znanje, pokritost jezikov in pravil. Kategorije obrekovanja, intelektualne lastnine in volitev lahko zahtevajo stvarno, aktualno znanje, ki ga razvrščevalnik morda nima. Oznaka kategorije naj zato ohrani povezavo z vsebino in informacijami, razpoložljivimi pri tem ocenjevanju.\n\nKartica poroča o testiranju predvsem na pozivih z nekaj slikami, najpogosteje tremi, in opozarja, da se lahko vedenje pri precej večji zbirki slik razlikuje. To opisuje preizkušeni obseg, ne splošne omejitve na tri slike. Model je lahko tudi dovzeten za zlonamerno vsebino ali vbrizgavanje pozivov, ki spremeni njegovo nameravano vedenje.\n\nRazvrščevalna vloga Llama Guard 4 ne sme prevzeti Scoutove specifikacije konteksta ali zmožnosti splošnega pomočnika zgolj zato, ker je nastala z njegovim obrezovanjem. Prebrana kartica za ta razvrščevalnik ne določa ločene trde omejitve konteksta ali izhodnih žetonov. Ocenjeno gradivo in oznake taksonomije ohranite kot praktičen izdelek, aplikacija pa naj določi dejanje, povezano s tem rezultatom.", "editorialOverlay": { "copy_fields": { "practical_html": "Tehnični primer v angleščini
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 Metin multimodalni razvrščevalnik vsebine za pozive in ustvarjene odgovore. Analizira besedilo z eno ali več slikami ter vrne oznako safe/unsafe in ustrezne kategorije tveganj, pri čemer uporablja gosto arhitekturo, pridobljeno z obrezovanjem Llama 4 Scout.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Llama Guard 4 12B je Metin izvorno multimodalni varnostni razvrščevalnik z 12 milijardami parametrov. Skupaj se uči na besedilu in več slikah ter ustvari besedilno razvrstitev: safe ali unsafe, pri rezultatu unsafe pa tudi kršene kategorije tveganj. Njegov namen je ocenjevanje vsebine v pozivu ali ustvarjenem odgovoru, ne delovanje kot splošni pomočnik za klepet.
Razvrščanje pozivov in odgovorov
Model lahko razvršča gradivo pred pošiljanjem generativnemu modelu, po tem, ko ta model ustvari odgovor, ali na obeh točkah. To so različna vprašanja. Razvrščanje poziva ocenjuje uporabnikov vhod, razvrščanje odgovora pa to, kar je pomočnik dejansko napisal. Sistem lahko zato razlikuje med tvegano zahtevo in odgovorom, ki zahtevo obravnava na sprejemljiv način po taksonomiji razvrščevalnika.
Posredujte natančno vsebino za razvrščanje skupaj z vlogami v pogovoru in ustreznim kontekstom. Če je cilj odgovor, ohranite vprašanje, ki mu daje pomen. Pri mešanem besedilnem in slikovnem vhodu vključite slike, povezane s tem pozivom, namesto da razvrščate nepovezano besedilo ali eno poljubno izbrano sliko. Rezultat razvrščevalnika je informacija za pravilo aplikacije ali korak pregleda; sam po sebi ne blokira zahteve ali spremeni datoteke.
Štirinajst kategorij tveganj
Proizvajalec razvrščevalnik uskladi s taksonomijo tveganj MLCommons in doda kategorijo za tolmač kode, namenjeno samo besedilu. Štirinajst oznak zajema nasilna kazniva dejanja, nenasilna kazniva dejanja, kazniva dejanja, povezana s spolnostjo, spolno izkoriščanje otrok, obrekovanje, specializirane nasvete, zasebnost, intelektualno lastnino, orožje z neselektivnim učinkom, sovraštvo, samomor in samopoškodovanje, spolno vsebino, volitve in zlorabo tolmača kode.
Kategorije uporabljajo identifikatorje od S1 do S14. S14, Code Interpreter Abuse, je namenjen posebej primerom uporabe klicev orodij samo z besedilom. Identifikator taksonomije ohranite ob rezultatu safe/unsafe, da lahko poznejši korak aplikacije razume razvrstitev po istih opredelitvah kategorij. Kratek rezultat je presoja kategorije, ne popolna razlaga, pravna odločitev ali zagotovilo, da je bila zaznana vsaka možna škoda.
Kot ponazoritev oblike lahko razvrstitvi unsafe sledi ustrezni identifikator kategorije. Skupaj ohranite prvotno ocenjevano besedilo, njegov vir ali mesto v pogovoru in vrnjene oznake. Ta povezava aplikaciji omogoča razlikovanje med pregledano vsebino in pozneje preoblikovanim odgovorom ali ločenim pozivom.
Arhitektura in učenje
Llama Guard 4 ima gosto arhitekturo Transformer z zgodnjim združevanjem modalnosti, pridobljeno z obrezovanjem predhodno naučene kontrolne točke Llama 4 Scout. Proizvajalec odstrani usmerjane eksperte in plasti usmerjevalnika ter ohrani skupnega gostega eksperta, nato pa nastali model dodatno nauči za razvrščanje vsebine. Po koraku obrezovanja ne izvede dodatnega predhodnega učenja. Tako nastane model, drugačen od Scoutove različice za klepet z mešanico ekspertov.
Model uporablja isti tokenizator in kodirnik vida kot Llama 4 ter združuje učenje razvrščanja samo z besedilom in multimodalnega razvrščanja. Proizvajalec opisuje večjezične podatke in učenje z več slikami, pri čemer večina takšnih vzorcev vsebuje dve do pet slik, približno razmerje med izključno besedilnimi in multimodalnimi podatki pa je tri proti ena. To so značilnosti učenja, ne trde omejitve števila vhodov.
Dokumentirani večjezični obseg sledi jezikom, ki jih podpira Llama Guard 3, kartica pa poleg angleščine obravnava francoščino, nemščino, hindijščino, italijanščino, portugalščino, španščino in tajščino. Zahteva za razvrščanje naj ohrani dejansko besedilo in vizualni kontekst v ocenjevanem jeziku, namesto da bi vsebino nadomestila z nepovezanim povzetkom.
Priprava uporabnega rezultata razvrščanja
Pri preverjanju vhoda podajte uporabnikovo sporočilo in pripadajoče slike ter zahtevajte razvrstitev poziva v proizvajalčevi obliki. Pri preverjanju izhoda podajte pomočnikov dejanski odgovor skupaj z ustreznim predhodnim sporočilom. Primer z več slikami lahko ohrani besedilo, ki jih povezuje, tako da model oceni združeno zahtevo namesto samostojnih delov brez konteksta.
Kartica modela prikazuje uporabo ustrezne predloge pogovora in dekodiranje samo ustvarjene razvrstitve. Primer ustvarjanja desetih žetonov ponazarja kratek rezultat z oznako; to število ni ločena največja zmogljivost odgovora. Zahtevani izhod naj bo skladen z namenom razvrščevalnika, namesto da od njega zahtevate običajen pogovorni odgovor.
Posebne omejitve
Proizvajalec navaja, da lahko presoje omejujejo učni podatki modela, splošno znanje, pokritost jezikov in pravil. Kategorije obrekovanja, intelektualne lastnine in volitev lahko zahtevajo stvarno, aktualno znanje, ki ga razvrščevalnik morda nima. Oznaka kategorije naj zato ohrani povezavo z vsebino in informacijami, razpoložljivimi pri tem ocenjevanju.
Kartica poroča o testiranju predvsem na pozivih z nekaj slikami, najpogosteje tremi, in opozarja, da se lahko vedenje pri precej večji zbirki slik razlikuje. To opisuje preizkušeni obseg, ne splošne omejitve na tri slike. Model je lahko tudi dovzeten za zlonamerno vsebino ali vbrizgavanje pozivov, ki spremeni njegovo nameravano vedenje.
Razvrščevalna vloga Llama Guard 4 ne sme prevzeti Scoutove specifikacije konteksta ali zmožnosti splošnega pomočnika zgolj zato, ker je nastala z njegovim obrezovanjem. Prebrana kartica za ta razvrščevalnik ne določa ločene trde omejitve konteksta ali izhodnih žetonov. Ocenjeno gradivo in oznake taksonomije ohranite kot praktičen izdelek, aplikacija pa naj določi dejanje, povezano s tem rezultatom.
POST /v1/chat/completionstexttext| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve meta-llama/llama-guard-4-12b | Privzeto— |
Poljemessages | Vrstamessage[] | ZahtevaObvezno | Vrednosti in omejitve Najmanjše število elementov: 1 | Privzeto— |
Poljemessages[].role | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve Primeri: system, user, assistant, tool, function Pogoji: Te vloge so izrecno predstavljene s tipi združljivosti v izvorni kodi; natančen nabor vlog ostaja odvisen od modela. Odvisno od modela | Privzeto— |
Poljemessages[].content | Vrstastring|content_part[]|null | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].tool_calls | Vrstatool_call[] | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].tool_call_id | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Velja, ko: role=tool; uporabite dejansko vrnjeni ID | Privzeto— |
Poljemessages[].name | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].reasoning_content | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Velja, ko: Pošljite nazaj dejansko vrnjeno sklepanje, kadar ga ta model uporablja | Privzeto— |
Poljemessages[].reasoning_details | Vrstaobject|array | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljemax_tokens | Vrstainteger | ZahtevaIzbirno | Vrednosti in omejitve Najmanj: 1 Odvisno od modela | Privzeto— |
Poljemax_completion_tokens | Vrstainteger | ZahtevaIzbirno | Vrednosti in omejitve Najmanj: 1 Odvisno od modela | Privzeto— |
Poljestream | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve | Privzetofalse |
Poljestream_options.include_usage | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljetemperature | Vrstanumber | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljetop_p | Vrstanumber | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljestop | Vrstastring|string[] | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljetools | Vrstafunction_tool[] | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljetools[].type | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve function Odvisno od modela | Privzeto— |
Poljetools[].function.name | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve Velja, ko: podano je funkcijsko orodje | Privzeto— |
Poljetools[].function.description | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljetools[].function.parameters | VrstaJSON_schema | ZahtevaIzbirno | Vrednosti in omejitve | Privzeto— |
Poljetool_choice | Vrstastring|object | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeparallel_tool_calls | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeresponse_format | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljereasoning_effort | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljereasoning | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeservice_tier | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeinstructions | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Polje združljivosti | Privzeto— |
Poljefunctions | Vrstafunction[] | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljefunction_call | Vrstastring|object | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljeprompt_cache_options | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljemodalities | Vrstastring[] | ZahtevaIzbirno | Vrednosti in omejitve text | Privzeto— |
Poljeprovider | Vrstaobject | ZahtevaIzbirno | Vrednosti in omejitve Pogoji: provider.options je na tej besedilni poti Ultra zavrnjen | Privzeto— |
Poljecache_control.ttl | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Pogoji: 1h je zavrnjen na dejanskih mestih za predpomnjenje pozivov | Privzeto— |
Besedilo · Besedilo UTF8
messages[].content
| Parameter | Specifikacija |
|---|---|
Parametercontent_type | Specifikacijaapplication/json |
Parameterrequired | Specifikacijamodel, messages |
Parametermaterial_types | Specifikacijatext |
Parametermessages | Specifikacijapolje sporočil s strukturo role/content |
Parameterfile_material | Specifikacijadejanski dokument UTF-8 je vstavljen kot dobesedno besedilo; ID datoteke se ne izpeljuje |
Parameteroptional_controls | Specifikacijastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Specifikacijaodvisno od modela; uporabniška funkcijska orodja se razlikujejo od orodij, ki jih izvaja storitev |
Parameteroutput_modalities | Specifikacijatext |
Parameterhosted_operations | Specifikacijafalse |
Parametermultimodal_input_binding | Specifikacijanull |
Življenjski cikel: synchronous_or_streamed
Pošljite natančen ID modela skupaj z messages.
Dolžina konteksta ni zgornja meja izhoda.
Besedilna datoteka lahko poda dobesedno besedilo; slikovni, zvočni vhodi in vhodi z datotečnimi objekti potrebujejo natančno vezavo.
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.
| Nastavitev | Cenovna lestvica | Žetonov konteksta več kot | Žetonov konteksta do vključno | Strošek |
|---|---|---|---|---|
| NastavitevOsnovne cene za žetone | Cenovna lestvicaOsnovna cena | Žetonov konteksta več kot— | Žetonov konteksta do vključnoBrez zgornje meje | Strošek Vhod · Vhodni žetoni $0.00036 / 1K žetonov Izhod · Izhodni žetoni $0.00036 / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
| NastavitevRazred 1 glede na dolžino zahteve | Cenovna lestvica— | Žetonov konteksta več kot0 | Žetonov konteksta do vključnoBrez zgornje meje | Strošek Vhod · Vhodni žetoni $0.00036 / 1K žetonov Izhod · Izhodni žetoni $0.00036 / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
set -eu\n: "${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 ali SSE
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Ohranite vsako možnost odgovora ter njeno vsebino, klice orodij in sklepanje. V SSE sestavite delne spremembe po indeksu možnosti/orodja ter ohranite končni razlog zaključka in podatke o porabi.
Ohranite ID zahtev/odgovorov in glave. Splošni URL za pridobivanje besedilne naloge ni podan.
| Polje | Vrsta |
|---|---|
Poljechoices[].index | Vrstainteger |
Poljechoices[].message.content | Vrstastring|null |
Poljechoices[].message.tool_calls | Vrstatool_call[] |
Poljechoices[].message.reasoning_content | Vrstastring |
Poljechoices[].message.reasoning_details | Vrstaobject|array |
Poljechoices[].finish_reason | Vrstastring|null |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot Ultra meta-llama/llama-guard-4-12b
Uporabite zgoraj navedene poti metod.
meta-llama/llama-guard-4-12bLlama Guard 4 12B je Metin multimodalni razvrščevalnik vsebine za pozive in ustvarjene odgovore. Analizira besedilo z eno ali več slikami ter vrne oznako safe/unsafe in ustrezne kategorije tveganj, pri čemer uporablja gosto arhitekturo, pridobljeno z obrezovanjem Llama 4 Scout.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Llama Guard 4 12B je Metin izvorno multimodalni varnostni razvrščevalnik z 12 milijardami parametrov. Skupaj se uči na besedilu in več slikah ter ustvari besedilno razvrstitev: safe ali unsafe, pri rezultatu unsafe pa tudi kršene kategorije tveganj. Njegov namen je ocenjevanje vsebine v pozivu ali ustvarjenem odgovoru, ne delovanje kot splošni pomočnik za klepet.
Razvrščanje pozivov in odgovorov
Model lahko razvršča gradivo pred pošiljanjem generativnemu modelu, po tem, ko ta model ustvari odgovor, ali na obeh točkah. To so različna vprašanja. Razvrščanje poziva ocenjuje uporabnikov vhod, razvrščanje odgovora pa to, kar je pomočnik dejansko napisal. Sistem lahko zato razlikuje med tvegano zahtevo in odgovorom, ki zahtevo obravnava na sprejemljiv način po taksonomiji razvrščevalnika.
Posredujte natančno vsebino za razvrščanje skupaj z vlogami v pogovoru in ustreznim kontekstom. Če je cilj odgovor, ohranite vprašanje, ki mu daje pomen. Pri mešanem besedilnem in slikovnem vhodu vključite slike, povezane s tem pozivom, namesto da razvrščate nepovezano besedilo ali eno poljubno izbrano sliko. Rezultat razvrščevalnika je informacija za pravilo aplikacije ali korak pregleda; sam po sebi ne blokira zahteve ali spremeni datoteke.
Štirinajst kategorij tveganj
Proizvajalec razvrščevalnik uskladi s taksonomijo tveganj MLCommons in doda kategorijo za tolmač kode, namenjeno samo besedilu. Štirinajst oznak zajema nasilna kazniva dejanja, nenasilna kazniva dejanja, kazniva dejanja, povezana s spolnostjo, spolno izkoriščanje otrok, obrekovanje, specializirane nasvete, zasebnost, intelektualno lastnino, orožje z neselektivnim učinkom, sovraštvo, samomor in samopoškodovanje, spolno vsebino, volitve in zlorabo tolmača kode.
Kategorije uporabljajo identifikatorje od S1 do S14. S14, Code Interpreter Abuse, je namenjen posebej primerom uporabe klicev orodij samo z besedilom. Identifikator taksonomije ohranite ob rezultatu safe/unsafe, da lahko poznejši korak aplikacije razume razvrstitev po istih opredelitvah kategorij. Kratek rezultat je presoja kategorije, ne popolna razlaga, pravna odločitev ali zagotovilo, da je bila zaznana vsaka možna škoda.
Kot ponazoritev oblike lahko razvrstitvi unsafe sledi ustrezni identifikator kategorije. Skupaj ohranite prvotno ocenjevano besedilo, njegov vir ali mesto v pogovoru in vrnjene oznake. Ta povezava aplikaciji omogoča razlikovanje med pregledano vsebino in pozneje preoblikovanim odgovorom ali ločenim pozivom.
Arhitektura in učenje
Llama Guard 4 ima gosto arhitekturo Transformer z zgodnjim združevanjem modalnosti, pridobljeno z obrezovanjem predhodno naučene kontrolne točke Llama 4 Scout. Proizvajalec odstrani usmerjane eksperte in plasti usmerjevalnika ter ohrani skupnega gostega eksperta, nato pa nastali model dodatno nauči za razvrščanje vsebine. Po koraku obrezovanja ne izvede dodatnega predhodnega učenja. Tako nastane model, drugačen od Scoutove različice za klepet z mešanico ekspertov.
Model uporablja isti tokenizator in kodirnik vida kot Llama 4 ter združuje učenje razvrščanja samo z besedilom in multimodalnega razvrščanja. Proizvajalec opisuje večjezične podatke in učenje z več slikami, pri čemer večina takšnih vzorcev vsebuje dve do pet slik, približno razmerje med izključno besedilnimi in multimodalnimi podatki pa je tri proti ena. To so značilnosti učenja, ne trde omejitve števila vhodov.
Dokumentirani večjezični obseg sledi jezikom, ki jih podpira Llama Guard 3, kartica pa poleg angleščine obravnava francoščino, nemščino, hindijščino, italijanščino, portugalščino, španščino in tajščino. Zahteva za razvrščanje naj ohrani dejansko besedilo in vizualni kontekst v ocenjevanem jeziku, namesto da bi vsebino nadomestila z nepovezanim povzetkom.
Priprava uporabnega rezultata razvrščanja
Pri preverjanju vhoda podajte uporabnikovo sporočilo in pripadajoče slike ter zahtevajte razvrstitev poziva v proizvajalčevi obliki. Pri preverjanju izhoda podajte pomočnikov dejanski odgovor skupaj z ustreznim predhodnim sporočilom. Primer z več slikami lahko ohrani besedilo, ki jih povezuje, tako da model oceni združeno zahtevo namesto samostojnih delov brez konteksta.
Kartica modela prikazuje uporabo ustrezne predloge pogovora in dekodiranje samo ustvarjene razvrstitve. Primer ustvarjanja desetih žetonov ponazarja kratek rezultat z oznako; to število ni ločena največja zmogljivost odgovora. Zahtevani izhod naj bo skladen z namenom razvrščevalnika, namesto da od njega zahtevate običajen pogovorni odgovor.
Posebne omejitve
Proizvajalec navaja, da lahko presoje omejujejo učni podatki modela, splošno znanje, pokritost jezikov in pravil. Kategorije obrekovanja, intelektualne lastnine in volitev lahko zahtevajo stvarno, aktualno znanje, ki ga razvrščevalnik morda nima. Oznaka kategorije naj zato ohrani povezavo z vsebino in informacijami, razpoložljivimi pri tem ocenjevanju.
Kartica poroča o testiranju predvsem na pozivih z nekaj slikami, najpogosteje tremi, in opozarja, da se lahko vedenje pri precej večji zbirki slik razlikuje. To opisuje preizkušeni obseg, ne splošne omejitve na tri slike. Model je lahko tudi dovzeten za zlonamerno vsebino ali vbrizgavanje pozivov, ki spremeni njegovo nameravano vedenje.
Razvrščevalna vloga Llama Guard 4 ne sme prevzeti Scoutove specifikacije konteksta ali zmožnosti splošnega pomočnika zgolj zato, ker je nastala z njegovim obrezovanjem. Prebrana kartica za ta razvrščevalnik ne določa ločene trde omejitve konteksta ali izhodnih žetonov. Ocenjeno gradivo in oznake taksonomije ohranite kot praktičen izdelek, aplikacija pa naj določi dejanje, povezano s tem rezultatom.
POST /v1/messagestextjson, sse| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve meta-llama/llama-guard-4-12b | Privzeto— |
Poljemessages | Vrstamessage[] | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].role | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve user, assistant | Privzeto— |
Poljemessages[].content | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljemax_tokens | Vrstainteger | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljestream | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve | Privzetofalse |
Besedilo · Besedilo UTF-8
niz messages[].content
| Parameter | Specifikacija |
|---|---|
Parametercontent_type | Specifikacijaapplication/json |
Parameterrequired | Specifikacijamodel, messages, max_tokens |
Parameteroptional_controls | Specifikacijastream |
Parametermaterial_types | Specifikacijatext |
Parametertext_file_material | SpecifikacijaPreberite dejanski dokument UTF-8 in njegovo besedilo vstavite v navedeni vhodni niz ali niz vsebine sporočila. |
Življenjski cikel: synchronous_or_streamed
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.
| Nastavitev | Cenovna lestvica | Žetonov konteksta več kot | Žetonov konteksta do vključno | Strošek |
|---|---|---|---|---|
| NastavitevOsnovne cene za žetone | Cenovna lestvicaOsnovna cena | Žetonov konteksta več kot— | Žetonov konteksta do vključnoBrez zgornje meje | Strošek Vhod · Vhodni žetoni $0.00036 / 1K žetonov Izhod · Izhodni žetoni $0.00036 / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
| NastavitevRazred 1 glede na dolžino zahteve | Cenovna lestvica— | Žetonov konteksta več kot0 | Žetonov konteksta do vključnoBrez zgornje meje | Strošek Vhod · Vhodni žetoni $0.00036 / 1K žetonov Izhod · Izhodni žetoni $0.00036 / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ali SSE
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Ohranite vse vsebinske bloke, podpise sklepanja in dejanske ID uporabe orodij. Sestavite vse delne spremembe blokov SSE; prvi besedilni blok ni celoten izhod.
Ohranite ID zahtev/odgovorov in glave. Splošni URL za pridobivanje besedilne naloge ni podan.
| Polje | Vrsta |
|---|---|
Poljeid | Vrstastring |
Poljemodel | Vrstastring |
Poljecontent[] | Vrstatext|thinking|tool_use|other content block |
Poljestop_reason | Vrstastring|null |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot Ultra meta-llama/llama-guard-4-12b
Uporabite zgoraj navedene poti metod.
Tehnični primer v angleščini
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.