Gemma 3 27B IT är den instruktionstränade utgåvan i storleken 27B i Googles Gemma 3-familj. Den kombinerar textgenerering med bildförståelse och är skild från den förtränade 27B-kontrollpunkten och de mindre 4B- och 12B-IT-modellerna. Resultatet är text: en källbaserad förklaring, sammanfattning, dokumentutkast, ett svar eller ett kodförslag. Den instruktionstränade modellen är utformad för att följa ett samtal och en begärd uppgift snarare än att enbart fungera som en rå kompletteringsmodell.
Tillverkarens kort anger ett totalt kontextutrymme på 128K token för denna storlek. Indata och utdata delar denna kapacitet, så det genererade svaret använder det utrymme som återstår efter begäran. En stor samling bör bevara källidentifierarna och ändå lämna plats för det begärda resultatet. Bildvyer i grundflödet normaliseras till 896×896 och kodas till 256 visuella token. För en gemensam text- och bildanalys förklarar du hur en sidbild, ett diagram eller en skärmbild hör ihop med de skriftliga källorna så att modellen har en sammanhängande fråga att besvara.
27B-modellens rapporterade förträningsbudget är 14 biljoner token. Familjens data omfattar webbdokument på fler än 140 språk, kod, matematik och bilder. Träningen använder kunskapsdestillering, och efterträningsupplägget tillför instruktionsföljning och förstärkningsinlärningsmål för hjälpsamhet, matematik, programmering, resonemang och flerspråkigt beteende. Dessa fakta beskriver tillverkarens modellutvecklingsprocess. De ersätter inte kontroll av ett genererat påstående mot dess källa eller körning av ett föreslaget program på avsedda indata.
Den tekniska rapporten beskriver en transformer med enbart dekoder, grupperad frågeuppmärksamhet och fem lager med lokal uppmärksamhet för varje globalt lager. Det lokala spannet är 1 024 token, medan globala lager tillhandahåller interaktionerna över längre kontext. Familjens gemensamma SigLIP-bildkodare representerar visuella indata för språkmodellen. Dess SentencePiece-tokeniserare använder separerade siffror, bevarade blanktecken och kodning på bytenivå. Behåll talnotation, kodindrag och källspråkets terminologi intakta när de är relevanta för tolkningen.
För icke-kvadratiska eller detaljerade bilder beskriver rapporten Pan and Scan, som kan lägga till utsnitt utan överlappning innan bildvyerna storleksanpassas för bildkodaren. Detta hjälper till att bevara litet innehåll som en enda kvadratisk storleksanpassning kan förlora, men den faktiska behandlingskonfigurationen är viktig. En forskningsuppgift eller teknisk dokumentuppgift kan ge både en hel sida och en läsbar diagramdetalj och märka deras relation. Be om ett svar som identifierar de synliga värdena, det relevanta textvillkoret och den slutsats som stöds av båda.
Använd tillverkarens inbyggda IT-samtalsformat med användar- och modellturer. En separat systemtur stöds inte i detta format; placera roll- och svarsinstruktioner i det första användarmeddelandet och använd den avsedda formateringsvägen. För en lång rapport anger du frågan, avsnitten som ska jämföras och prioritetsreglerna om källor motsäger varandra. Ett eget exempel är att stämma av en skriftlig specifikation mot ett diagram och returnera en kravtabell, en lista över avvikelser och de antaganden som behövs för en föreslagen lösning.
De avsedda användningskategorierna omfattar skrivande, sammanfattning, samtal, extraktion av bilddata och utforskning för utbildning eller forskning. För kodanalys ger du den faktiska modulen, indataexempel och gränssnittsbegränsningar och ber sedan om en förklaring eller föreslagen ändring knuten till dessa fakta. För flerspråkigt skrivande anger du målgruppen och termer som måste förbli oförändrade. För en visuell fråga begär du iakttagelser kopplade till namngivna element i stället för en allmän bildbeskrivning. Kvantiserade kontrollpunkter i familjen är separata publicerade artefakter, så behåll den exakta 27B IT-identiteten och behandlingsinställningarna när du jämför resultat.
Tillverkaren påpekar att modeller kan ge felaktiga eller inaktuella fakta och ha svårt med tvetydighet, nyanser och mycket öppna instruktioner. Google varnar också för att ett rimligt språkmönster kan producera ett svar som missar en vardaglig begränsning i verkligheten. Mer kontext är användbar endast när de relevanta villkoren är tydliga. Håll originalkällorna tillgängliga, verifiera extraherade data och beräkningar och validera varje svar som ser strukturerat ut innan det behandlas som en post. En förklaring med flera källor bör skilja tillhandahållna belägg, tolkning och saknad information. Denna 27B-profil stöder en förberedd resonemangsuppgift med text och bilder; eventuell hämtning, verktygskörning eller faktauppdatering som utförs av en applikation behöver sina egna returnerade belägg i stället för att härledas ur flytande utdata.
", "aboutText": "Gemma 3 27B IT är den instruktionstränade utgåvan i storleken 27B i Googles Gemma 3-familj. Den kombinerar textgenerering med bildförståelse och är skild från den förtränade 27B-kontrollpunkten och de mindre 4B- och 12B-IT-modellerna. Resultatet är text: en källbaserad förklaring, sammanfattning, dokumentutkast, ett svar eller ett kodförslag. Den instruktionstränade modellen är utformad för att följa ett samtal och en begärd uppgift snarare än att enbart fungera som en rå kompletteringsmodell.\n\nTillverkarens kort anger ett totalt kontextutrymme på 128K token för denna storlek. Indata och utdata delar denna kapacitet, så det genererade svaret använder det utrymme som återstår efter begäran. En stor samling bör bevara källidentifierarna och ändå lämna plats för det begärda resultatet. Bildvyer i grundflödet normaliseras till 896×896 och kodas till 256 visuella token. För en gemensam text- och bildanalys förklarar du hur en sidbild, ett diagram eller en skärmbild hör ihop med de skriftliga källorna så att modellen har en sammanhängande fråga att besvara.\n\n27B-modellens rapporterade förträningsbudget är 14 biljoner token. Familjens data omfattar webbdokument på fler än 140 språk, kod, matematik och bilder. Träningen använder kunskapsdestillering, och efterträningsupplägget tillför instruktionsföljning och förstärkningsinlärningsmål för hjälpsamhet, matematik, programmering, resonemang och flerspråkigt beteende. Dessa fakta beskriver tillverkarens modellutvecklingsprocess. De ersätter inte kontroll av ett genererat påstående mot dess källa eller körning av ett föreslaget program på avsedda indata.\n\nDen tekniska rapporten beskriver en transformer med enbart dekoder, grupperad frågeuppmärksamhet och fem lager med lokal uppmärksamhet för varje globalt lager. Det lokala spannet är 1 024 token, medan globala lager tillhandahåller interaktionerna över längre kontext. Familjens gemensamma SigLIP-bildkodare representerar visuella indata för språkmodellen. Dess SentencePiece-tokeniserare använder separerade siffror, bevarade blanktecken och kodning på bytenivå. Behåll talnotation, kodindrag och källspråkets terminologi intakta när de är relevanta för tolkningen.\n\nFör icke-kvadratiska eller detaljerade bilder beskriver rapporten Pan and Scan, som kan lägga till utsnitt utan överlappning innan bildvyerna storleksanpassas för bildkodaren. Detta hjälper till att bevara litet innehåll som en enda kvadratisk storleksanpassning kan förlora, men den faktiska behandlingskonfigurationen är viktig. En forskningsuppgift eller teknisk dokumentuppgift kan ge både en hel sida och en läsbar diagramdetalj och märka deras relation. Be om ett svar som identifierar de synliga värdena, det relevanta textvillkoret och den slutsats som stöds av båda.\n\nAnvänd tillverkarens inbyggda IT-samtalsformat med användar- och modellturer. En separat systemtur stöds inte i detta format; placera roll- och svarsinstruktioner i det första användarmeddelandet och använd den avsedda formateringsvägen. För en lång rapport anger du frågan, avsnitten som ska jämföras och prioritetsreglerna om källor motsäger varandra. Ett eget exempel är att stämma av en skriftlig specifikation mot ett diagram och returnera en kravtabell, en lista över avvikelser och de antaganden som behövs för en föreslagen lösning.\n\nDe avsedda användningskategorierna omfattar skrivande, sammanfattning, samtal, extraktion av bilddata och utforskning för utbildning eller forskning. För kodanalys ger du den faktiska modulen, indataexempel och gränssnittsbegränsningar och ber sedan om en förklaring eller föreslagen ändring knuten till dessa fakta. För flerspråkigt skrivande anger du målgruppen och termer som måste förbli oförändrade. För en visuell fråga begär du iakttagelser kopplade till namngivna element i stället för en allmän bildbeskrivning. Kvantiserade kontrollpunkter i familjen är separata publicerade artefakter, så behåll den exakta 27B IT-identiteten och behandlingsinställningarna när du jämför resultat.\n\nTillverkaren påpekar att modeller kan ge felaktiga eller inaktuella fakta och ha svårt med tvetydighet, nyanser och mycket öppna instruktioner. Google varnar också för att ett rimligt språkmönster kan producera ett svar som missar en vardaglig begränsning i verkligheten. Mer kontext är användbar endast när de relevanta villkoren är tydliga. Håll originalkällorna tillgängliga, verifiera extraherade data och beräkningar och validera varje svar som ser strukturerat ut innan det behandlas som en post. En förklaring med flera källor bör skilja tillhandahållna belägg, tolkning och saknad information. Denna 27B-profil stöder en förberedd resonemangsuppgift med text och bilder; eventuell hämtning, verktygskörning eller faktauppdatering som utförs av en applikation behöver sina egna returnerade belägg i stället för att härledas ur flytande utdata.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.google/gemma-3-27b-itGemma 3 27B IT är den instruktionstränade modellen i storleken 27B i Googles Gemma 3-familj. Den tar emot text och bilder och producerar text för analys av långa källor, skrivande, kod och visuella frågor, med en gemensam kontext på 128K och familjens flerspråkiga täckning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemma 3 27B IT är den instruktionstränade utgåvan i storleken 27B i Googles Gemma 3-familj. Den kombinerar textgenerering med bildförståelse och är skild från den förtränade 27B-kontrollpunkten och de mindre 4B- och 12B-IT-modellerna. Resultatet är text: en källbaserad förklaring, sammanfattning, dokumentutkast, ett svar eller ett kodförslag. Den instruktionstränade modellen är utformad för att följa ett samtal och en begärd uppgift snarare än att enbart fungera som en rå kompletteringsmodell.
Tillverkarens kort anger ett totalt kontextutrymme på 128K token för denna storlek. Indata och utdata delar denna kapacitet, så det genererade svaret använder det utrymme som återstår efter begäran. En stor samling bör bevara källidentifierarna och ändå lämna plats för det begärda resultatet. Bildvyer i grundflödet normaliseras till 896×896 och kodas till 256 visuella token. För en gemensam text- och bildanalys förklarar du hur en sidbild, ett diagram eller en skärmbild hör ihop med de skriftliga källorna så att modellen har en sammanhängande fråga att besvara.
27B-modellens rapporterade förträningsbudget är 14 biljoner token. Familjens data omfattar webbdokument på fler än 140 språk, kod, matematik och bilder. Träningen använder kunskapsdestillering, och efterträningsupplägget tillför instruktionsföljning och förstärkningsinlärningsmål för hjälpsamhet, matematik, programmering, resonemang och flerspråkigt beteende. Dessa fakta beskriver tillverkarens modellutvecklingsprocess. De ersätter inte kontroll av ett genererat påstående mot dess källa eller körning av ett föreslaget program på avsedda indata.
Den tekniska rapporten beskriver en transformer med enbart dekoder, grupperad frågeuppmärksamhet och fem lager med lokal uppmärksamhet för varje globalt lager. Det lokala spannet är 1 024 token, medan globala lager tillhandahåller interaktionerna över längre kontext. Familjens gemensamma SigLIP-bildkodare representerar visuella indata för språkmodellen. Dess SentencePiece-tokeniserare använder separerade siffror, bevarade blanktecken och kodning på bytenivå. Behåll talnotation, kodindrag och källspråkets terminologi intakta när de är relevanta för tolkningen.
För icke-kvadratiska eller detaljerade bilder beskriver rapporten Pan and Scan, som kan lägga till utsnitt utan överlappning innan bildvyerna storleksanpassas för bildkodaren. Detta hjälper till att bevara litet innehåll som en enda kvadratisk storleksanpassning kan förlora, men den faktiska behandlingskonfigurationen är viktig. En forskningsuppgift eller teknisk dokumentuppgift kan ge både en hel sida och en läsbar diagramdetalj och märka deras relation. Be om ett svar som identifierar de synliga värdena, det relevanta textvillkoret och den slutsats som stöds av båda.
Använd tillverkarens inbyggda IT-samtalsformat med användar- och modellturer. En separat systemtur stöds inte i detta format; placera roll- och svarsinstruktioner i det första användarmeddelandet och använd den avsedda formateringsvägen. För en lång rapport anger du frågan, avsnitten som ska jämföras och prioritetsreglerna om källor motsäger varandra. Ett eget exempel är att stämma av en skriftlig specifikation mot ett diagram och returnera en kravtabell, en lista över avvikelser och de antaganden som behövs för en föreslagen lösning.
De avsedda användningskategorierna omfattar skrivande, sammanfattning, samtal, extraktion av bilddata och utforskning för utbildning eller forskning. För kodanalys ger du den faktiska modulen, indataexempel och gränssnittsbegränsningar och ber sedan om en förklaring eller föreslagen ändring knuten till dessa fakta. För flerspråkigt skrivande anger du målgruppen och termer som måste förbli oförändrade. För en visuell fråga begär du iakttagelser kopplade till namngivna element i stället för en allmän bildbeskrivning. Kvantiserade kontrollpunkter i familjen är separata publicerade artefakter, så behåll den exakta 27B IT-identiteten och behandlingsinställningarna när du jämför resultat.
Tillverkaren påpekar att modeller kan ge felaktiga eller inaktuella fakta och ha svårt med tvetydighet, nyanser och mycket öppna instruktioner. Google varnar också för att ett rimligt språkmönster kan producera ett svar som missar en vardaglig begränsning i verkligheten. Mer kontext är användbar endast när de relevanta villkoren är tydliga. Håll originalkällorna tillgängliga, verifiera extraherade data och beräkningar och validera varje svar som ser strukturerat ut innan det behandlas som en post. En förklaring med flera källor bör skilja tillhandahållna belägg, tolkning och saknad information. Denna 27B-profil stöder en förberedd resonemangsuppgift med text och bilder; eventuell hämtning, verktygskörning eller faktauppdatering som utförs av en applikation behöver sina egna returnerade belägg i stället för att härledas ur flytande utdata.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemma-3-27b-it | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00016 / 1K token Utdata · Utdatatoken $0.0007 / 1K token Indata · Cacheläsning $0.00008 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00016 / 1K token Utdata · Utdatatoken $0.0007 / 1K token Indata · Cacheläsning $0.00008 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-27b-it", "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='google/gemma-3-27b-it',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='google/gemma-3-27b-it',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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra google/gemma-3-27b-it
Använd metodsökvägarna som visas ovan.
google/gemma-3-27b-itGemma 3 27B IT är den instruktionstränade modellen i storleken 27B i Googles Gemma 3-familj. Den tar emot text och bilder och producerar text för analys av långa källor, skrivande, kod och visuella frågor, med en gemensam kontext på 128K och familjens flerspråkiga täckning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemma 3 27B IT är den instruktionstränade utgåvan i storleken 27B i Googles Gemma 3-familj. Den kombinerar textgenerering med bildförståelse och är skild från den förtränade 27B-kontrollpunkten och de mindre 4B- och 12B-IT-modellerna. Resultatet är text: en källbaserad förklaring, sammanfattning, dokumentutkast, ett svar eller ett kodförslag. Den instruktionstränade modellen är utformad för att följa ett samtal och en begärd uppgift snarare än att enbart fungera som en rå kompletteringsmodell.
Tillverkarens kort anger ett totalt kontextutrymme på 128K token för denna storlek. Indata och utdata delar denna kapacitet, så det genererade svaret använder det utrymme som återstår efter begäran. En stor samling bör bevara källidentifierarna och ändå lämna plats för det begärda resultatet. Bildvyer i grundflödet normaliseras till 896×896 och kodas till 256 visuella token. För en gemensam text- och bildanalys förklarar du hur en sidbild, ett diagram eller en skärmbild hör ihop med de skriftliga källorna så att modellen har en sammanhängande fråga att besvara.
27B-modellens rapporterade förträningsbudget är 14 biljoner token. Familjens data omfattar webbdokument på fler än 140 språk, kod, matematik och bilder. Träningen använder kunskapsdestillering, och efterträningsupplägget tillför instruktionsföljning och förstärkningsinlärningsmål för hjälpsamhet, matematik, programmering, resonemang och flerspråkigt beteende. Dessa fakta beskriver tillverkarens modellutvecklingsprocess. De ersätter inte kontroll av ett genererat påstående mot dess källa eller körning av ett föreslaget program på avsedda indata.
Den tekniska rapporten beskriver en transformer med enbart dekoder, grupperad frågeuppmärksamhet och fem lager med lokal uppmärksamhet för varje globalt lager. Det lokala spannet är 1 024 token, medan globala lager tillhandahåller interaktionerna över längre kontext. Familjens gemensamma SigLIP-bildkodare representerar visuella indata för språkmodellen. Dess SentencePiece-tokeniserare använder separerade siffror, bevarade blanktecken och kodning på bytenivå. Behåll talnotation, kodindrag och källspråkets terminologi intakta när de är relevanta för tolkningen.
För icke-kvadratiska eller detaljerade bilder beskriver rapporten Pan and Scan, som kan lägga till utsnitt utan överlappning innan bildvyerna storleksanpassas för bildkodaren. Detta hjälper till att bevara litet innehåll som en enda kvadratisk storleksanpassning kan förlora, men den faktiska behandlingskonfigurationen är viktig. En forskningsuppgift eller teknisk dokumentuppgift kan ge både en hel sida och en läsbar diagramdetalj och märka deras relation. Be om ett svar som identifierar de synliga värdena, det relevanta textvillkoret och den slutsats som stöds av båda.
Använd tillverkarens inbyggda IT-samtalsformat med användar- och modellturer. En separat systemtur stöds inte i detta format; placera roll- och svarsinstruktioner i det första användarmeddelandet och använd den avsedda formateringsvägen. För en lång rapport anger du frågan, avsnitten som ska jämföras och prioritetsreglerna om källor motsäger varandra. Ett eget exempel är att stämma av en skriftlig specifikation mot ett diagram och returnera en kravtabell, en lista över avvikelser och de antaganden som behövs för en föreslagen lösning.
De avsedda användningskategorierna omfattar skrivande, sammanfattning, samtal, extraktion av bilddata och utforskning för utbildning eller forskning. För kodanalys ger du den faktiska modulen, indataexempel och gränssnittsbegränsningar och ber sedan om en förklaring eller föreslagen ändring knuten till dessa fakta. För flerspråkigt skrivande anger du målgruppen och termer som måste förbli oförändrade. För en visuell fråga begär du iakttagelser kopplade till namngivna element i stället för en allmän bildbeskrivning. Kvantiserade kontrollpunkter i familjen är separata publicerade artefakter, så behåll den exakta 27B IT-identiteten och behandlingsinställningarna när du jämför resultat.
Tillverkaren påpekar att modeller kan ge felaktiga eller inaktuella fakta och ha svårt med tvetydighet, nyanser och mycket öppna instruktioner. Google varnar också för att ett rimligt språkmönster kan producera ett svar som missar en vardaglig begränsning i verkligheten. Mer kontext är användbar endast när de relevanta villkoren är tydliga. Håll originalkällorna tillgängliga, verifiera extraherade data och beräkningar och validera varje svar som ser strukturerat ut innan det behandlas som en post. En förklaring med flera källor bör skilja tillhandahållna belägg, tolkning och saknad information. Denna 27B-profil stöder en förberedd resonemangsuppgift med text och bilder; eventuell hämtning, verktygskörning eller faktauppdatering som utförs av en applikation behöver sina egna returnerade belägg i stället för att härledas ur flytande utdata.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemma-3-27b-it | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00016 / 1K token Utdata · Utdatatoken $0.0007 / 1K token Indata · Cacheläsning $0.00008 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00016 / 1K token Utdata · Utdatatoken $0.0007 / 1K token Indata · Cacheläsning $0.00008 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "google/gemma-3-27b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'google/gemma-3-27b-it', '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': 'google/gemma-3-27b-it', '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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra google/gemma-3-27b-it
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Reconcile two written specification sources\n\nReconcile these sources. SPEC-1: the controller has four outputs, each rated 2 A; total current must not exceed 5 A. NOTE-2: connect four 2 A loads simultaneously. Produce a requirement table and a discrepancy note. Suggest a clarification question rather than silently treating the per-output rating as the permitted total.A source-labelled requirement table, the conflicting proposed load and a targeted clarification question.The answer distinguishes the 2 A individual rating from the 5 A aggregate limit and notices the 8 A proposal.