Gemma 3 4B IT är den instruktionsanpassade utgåvan i 4B-storlek av Googles Gemma 3-familj för bild och språk. IT identifierar versionen som anpassats för att följa användarinstruktioner och konversationsturer snarare än den förtränade kontrollpunkt som används som grund för vidare träning. Modellen tar emot text och bilder och genererar text: ett svar, en sammanfattning, en förklaring, ett utkast eller kod. Dess visuella indata stödjer frågor om tillhandahållna bilder och dokumentsidor; utdatan är inte en nygenererad bild.
Modellkortet ger 4B-utgåvan en kontext på 128K token som delas av förfrågan och det genererade svaret. Det återstående utrymmet för utdata är den totala kontexten efter avdrag för indata, inte en ytterligare oberoende utdatabudget på 128K. Dess grundläggande bildväg normaliserar bilder till 896×896 och kodar varje vy till 256 visuella token. För en fokuserad assistent ger du den relevanta anteckningen eller bilden, en tydlig fråga och ett kort önskat resultat. Behåll källtexten med svaret så att ett extraherat namn, datum eller en märkning kan kontrolleras.
Familjens träningsmaterial omfattar webbtext på över 140 språk, kod, matematik och bilder. Tillverkaren rapporterar fyra biljoner förträningstoken för 4B-modellen. Den tekniska rapporten beskriver destillering under förträning och instruktionsanpassning, följt av efterträning baserad på förstärkningsinlärning för att förbättra hjälpsamhet, resonemang, kod, matematik och instruktionsföljande. Detta är träningsegenskaper för denna storlek och familj, inte en garanti för att varje svar är korrekt eller att en annan Gemma-kontrollpunkt beter sig identiskt.
Arkitekturen är en transformer med enbart avkodare och grupperad frågeuppmärksamhet, där fem lokala uppmärksamhetslager varvas med varje globalt uppmärksamhetslager. Lokal uppmärksamhet omfattar 1,024 token medan globala lager hanterar den bredare kontexten. En delad SigLIP-bildkodare omvandlar bildinformation till indata för språkmodellen. Tokeniseraren är baserad på SentencePiece, med uppdelade siffror, bevarade blanksteg och kodning på bytenivå. Använd tokenantal från den faktiska tokeniseraren när du planerar långa indata och behåll kodindrag och identifierare när de bär betydelse.
Rapporten beskriver Pan and Scan för bilder vars form eller detalj inte överlever en enkel kvadratisk storleksändring. Det kan skapa ytterligare icke överlappande vyer som storleksanpassas för bildkodaren. Den bearbetningen har egna konsekvenser för indata och beräkning. För en skärmbild med små märkningar identifierar du området av intresse och tillhandahåller en läsbar vy i stället för att förlita dig på en liten bild av hela skärmen. För flera bilder märker du deras roller och ber om ett svar kopplat till rätt källa.
Tillverkarens ursprungliga IT-konversationsformat använder turer för user och model, med uttryckliga turgränser. Det stöder inte en separat ursprunglig system-roll; placera roll- och formateringsinstruktioner i den inledande användarprompten. Använd motsvarande formaterare eller processor i stället för att behandla IT-kontrollpunkten som vanlig textkomplettering. För ett exempel med en supportanteckning anger du avsedd läsare, fakta som ska bevaras och ton och begär sedan ett kort svar plus eventuella olösta frågor. För visuell extraktion definierar du fälten och hur ett oläsbart värde ska representeras.
Gemmas avsedda användningsområden omfattar skrivande, sammanfattning, samtalsassistans, extraktion av bilddata och pedagogisk utforskning. Ett avgränsat 4B-flöde kan omvandla en serviceanteckning till en åtgärdslista, förklara ett synligt diagram eller besvara en fråga om ett tillhandahållet avsnitt. Be om ett resultat som är lätt att granska: en förklaring knuten till namngivna element eller en liten post med källstödda fält. Alla verktygsuppslag eller all kodkörning hör till den omgivande applikationen; att generera en verktygsformad instruktion är inte samma sak som att slutföra en extern operation.
Tillverkaren noterar begränsningar från träningsomfång, språknyanser, faktafel och komplexiteten i öppna uppgifter. Google varnar också för att ett rimligt språkmönster kan ge ett svar som missar en vardaglig verklig begränsning. Bilder kan dessutom förlora viktiga detaljer vid storleksändring, och en lång kontext gör inte en underspecificerad fråga tydlig. Granska resultatet mot originalmaterialet, validera begärda strukturerade fält och kontrollera beräkningar eller föreslagen kod oberoende. Utvärdera den exakta 4B IT-modellen på uppgiftens verkliga språk och dokumenttyper. Håll dess storlek, IT-identitet och bearbetningsinställningar skilda från 12B, 27B och nyare Gemma-varianter när resultaten dokumenteras.
", "aboutText": "Gemma 3 4B IT är den instruktionsanpassade utgåvan i 4B-storlek av Googles Gemma 3-familj för bild och språk. IT identifierar versionen som anpassats för att följa användarinstruktioner och konversationsturer snarare än den förtränade kontrollpunkt som används som grund för vidare träning. Modellen tar emot text och bilder och genererar text: ett svar, en sammanfattning, en förklaring, ett utkast eller kod. Dess visuella indata stödjer frågor om tillhandahållna bilder och dokumentsidor; utdatan är inte en nygenererad bild.\n\nModellkortet ger 4B-utgåvan en kontext på 128K token som delas av förfrågan och det genererade svaret. Det återstående utrymmet för utdata är den totala kontexten efter avdrag för indata, inte en ytterligare oberoende utdatabudget på 128K. Dess grundläggande bildväg normaliserar bilder till 896×896 och kodar varje vy till 256 visuella token. För en fokuserad assistent ger du den relevanta anteckningen eller bilden, en tydlig fråga och ett kort önskat resultat. Behåll källtexten med svaret så att ett extraherat namn, datum eller en märkning kan kontrolleras.\n\nFamiljens träningsmaterial omfattar webbtext på över 140 språk, kod, matematik och bilder. Tillverkaren rapporterar fyra biljoner förträningstoken för 4B-modellen. Den tekniska rapporten beskriver destillering under förträning och instruktionsanpassning, följt av efterträning baserad på förstärkningsinlärning för att förbättra hjälpsamhet, resonemang, kod, matematik och instruktionsföljande. Detta är träningsegenskaper för denna storlek och familj, inte en garanti för att varje svar är korrekt eller att en annan Gemma-kontrollpunkt beter sig identiskt.\n\nArkitekturen är en transformer med enbart avkodare och grupperad frågeuppmärksamhet, där fem lokala uppmärksamhetslager varvas med varje globalt uppmärksamhetslager. Lokal uppmärksamhet omfattar 1,024 token medan globala lager hanterar den bredare kontexten. En delad SigLIP-bildkodare omvandlar bildinformation till indata för språkmodellen. Tokeniseraren är baserad på SentencePiece, med uppdelade siffror, bevarade blanksteg och kodning på bytenivå. Använd tokenantal från den faktiska tokeniseraren när du planerar långa indata och behåll kodindrag och identifierare när de bär betydelse.\n\nRapporten beskriver Pan and Scan för bilder vars form eller detalj inte överlever en enkel kvadratisk storleksändring. Det kan skapa ytterligare icke överlappande vyer som storleksanpassas för bildkodaren. Den bearbetningen har egna konsekvenser för indata och beräkning. För en skärmbild med små märkningar identifierar du området av intresse och tillhandahåller en läsbar vy i stället för att förlita dig på en liten bild av hela skärmen. För flera bilder märker du deras roller och ber om ett svar kopplat till rätt källa.\n\nTillverkarens ursprungliga IT-konversationsformat använder turer för user och model, med uttryckliga turgränser. Det stöder inte en separat ursprunglig system-roll; placera roll- och formateringsinstruktioner i den inledande användarprompten. Använd motsvarande formaterare eller processor i stället för att behandla IT-kontrollpunkten som vanlig textkomplettering. För ett exempel med en supportanteckning anger du avsedd läsare, fakta som ska bevaras och ton och begär sedan ett kort svar plus eventuella olösta frågor. För visuell extraktion definierar du fälten och hur ett oläsbart värde ska representeras.\n\nGemmas avsedda användningsområden omfattar skrivande, sammanfattning, samtalsassistans, extraktion av bilddata och pedagogisk utforskning. Ett avgränsat 4B-flöde kan omvandla en serviceanteckning till en åtgärdslista, förklara ett synligt diagram eller besvara en fråga om ett tillhandahållet avsnitt. Be om ett resultat som är lätt att granska: en förklaring knuten till namngivna element eller en liten post med källstödda fält. Alla verktygsuppslag eller all kodkörning hör till den omgivande applikationen; att generera en verktygsformad instruktion är inte samma sak som att slutföra en extern operation.\n\nTillverkaren noterar begränsningar från träningsomfång, språknyanser, faktafel och komplexiteten i öppna uppgifter. Google varnar också för att ett rimligt språkmönster kan ge ett svar som missar en vardaglig verklig begränsning. Bilder kan dessutom förlora viktiga detaljer vid storleksändring, och en lång kontext gör inte en underspecificerad fråga tydlig. Granska resultatet mot originalmaterialet, validera begärda strukturerade fält och kontrollera beräkningar eller föreslagen kod oberoende. Utvärdera den exakta 4B IT-modellen på uppgiftens verkliga språk och dokumenttyper. Håll dess storlek, IT-identitet och bearbetningsinställningar skilda från 12B, 27B och nyare Gemma-varianter när resultaten dokumenteras.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Explain a seed-growth note\n\nExplain this class note to a ten-year-old: 'Seeds need water and a suitable temperature to germinate. Light requirements differ between species.' Use three short sentences and one question the class could investigate. Preserve the species qualification rather than saying all seeds need light to germinate.A child-friendly three-sentence explanation followed by one investigation question.The explanation must retain the distinction between water, temperature and species-dependent light.google/gemma-3-4b-itGemma 3 4B IT är Googles instruktionstränade text- och bildmodell i storleken 4B. Den genererar text för frågor, sammanfattningar, skrivande och visuell analys, med en gemensam kontext på 128K och familjestöd för över 140 språk.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemma 3 4B IT är den instruktionsanpassade utgåvan i 4B-storlek av Googles Gemma 3-familj för bild och språk. IT identifierar versionen som anpassats för att följa användarinstruktioner och konversationsturer snarare än den förtränade kontrollpunkt som används som grund för vidare träning. Modellen tar emot text och bilder och genererar text: ett svar, en sammanfattning, en förklaring, ett utkast eller kod. Dess visuella indata stödjer frågor om tillhandahållna bilder och dokumentsidor; utdatan är inte en nygenererad bild.
Modellkortet ger 4B-utgåvan en kontext på 128K token som delas av förfrågan och det genererade svaret. Det återstående utrymmet för utdata är den totala kontexten efter avdrag för indata, inte en ytterligare oberoende utdatabudget på 128K. Dess grundläggande bildväg normaliserar bilder till 896×896 och kodar varje vy till 256 visuella token. För en fokuserad assistent ger du den relevanta anteckningen eller bilden, en tydlig fråga och ett kort önskat resultat. Behåll källtexten med svaret så att ett extraherat namn, datum eller en märkning kan kontrolleras.
Familjens träningsmaterial omfattar webbtext på över 140 språk, kod, matematik och bilder. Tillverkaren rapporterar fyra biljoner förträningstoken för 4B-modellen. Den tekniska rapporten beskriver destillering under förträning och instruktionsanpassning, följt av efterträning baserad på förstärkningsinlärning för att förbättra hjälpsamhet, resonemang, kod, matematik och instruktionsföljande. Detta är träningsegenskaper för denna storlek och familj, inte en garanti för att varje svar är korrekt eller att en annan Gemma-kontrollpunkt beter sig identiskt.
Arkitekturen är en transformer med enbart avkodare och grupperad frågeuppmärksamhet, där fem lokala uppmärksamhetslager varvas med varje globalt uppmärksamhetslager. Lokal uppmärksamhet omfattar 1,024 token medan globala lager hanterar den bredare kontexten. En delad SigLIP-bildkodare omvandlar bildinformation till indata för språkmodellen. Tokeniseraren är baserad på SentencePiece, med uppdelade siffror, bevarade blanksteg och kodning på bytenivå. Använd tokenantal från den faktiska tokeniseraren när du planerar långa indata och behåll kodindrag och identifierare när de bär betydelse.
Rapporten beskriver Pan and Scan för bilder vars form eller detalj inte överlever en enkel kvadratisk storleksändring. Det kan skapa ytterligare icke överlappande vyer som storleksanpassas för bildkodaren. Den bearbetningen har egna konsekvenser för indata och beräkning. För en skärmbild med små märkningar identifierar du området av intresse och tillhandahåller en läsbar vy i stället för att förlita dig på en liten bild av hela skärmen. För flera bilder märker du deras roller och ber om ett svar kopplat till rätt källa.
Tillverkarens ursprungliga IT-konversationsformat använder turer för user och model, med uttryckliga turgränser. Det stöder inte en separat ursprunglig system-roll; placera roll- och formateringsinstruktioner i den inledande användarprompten. Använd motsvarande formaterare eller processor i stället för att behandla IT-kontrollpunkten som vanlig textkomplettering. För ett exempel med en supportanteckning anger du avsedd läsare, fakta som ska bevaras och ton och begär sedan ett kort svar plus eventuella olösta frågor. För visuell extraktion definierar du fälten och hur ett oläsbart värde ska representeras.
Gemmas avsedda användningsområden omfattar skrivande, sammanfattning, samtalsassistans, extraktion av bilddata och pedagogisk utforskning. Ett avgränsat 4B-flöde kan omvandla en serviceanteckning till en åtgärdslista, förklara ett synligt diagram eller besvara en fråga om ett tillhandahållet avsnitt. Be om ett resultat som är lätt att granska: en förklaring knuten till namngivna element eller en liten post med källstödda fält. Alla verktygsuppslag eller all kodkörning hör till den omgivande applikationen; att generera en verktygsformad instruktion är inte samma sak som att slutföra en extern operation.
Tillverkaren noterar begränsningar från träningsomfång, språknyanser, faktafel och komplexiteten i öppna uppgifter. Google varnar också för att ett rimligt språkmönster kan ge ett svar som missar en vardaglig verklig begränsning. Bilder kan dessutom förlora viktiga detaljer vid storleksändring, och en lång kontext gör inte en underspecificerad fråga tydlig. Granska resultatet mot originalmaterialet, validera begärda strukturerade fält och kontrollera beräkningar eller föreslagen kod oberoende. Utvärdera den exakta 4B IT-modellen på uppgiftens verkliga språk och dokumenttyper. Håll dess storlek, IT-identitet och bearbetningsinställningar skilda från 12B, 27B och nyare Gemma-varianter när resultaten dokumenteras.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemma-3-4b-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 $0.0001 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning — / 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 $0.0001 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-4b-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-3-4b-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-3-4b-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-3-4b-it
Använd metodsökvägarna som visas ovan.
google/gemma-3-4b-itGemma 3 4B IT är Googles instruktionstränade text- och bildmodell i storleken 4B. Den genererar text för frågor, sammanfattningar, skrivande och visuell analys, med en gemensam kontext på 128K och familjestöd för över 140 språk.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemma 3 4B IT är den instruktionsanpassade utgåvan i 4B-storlek av Googles Gemma 3-familj för bild och språk. IT identifierar versionen som anpassats för att följa användarinstruktioner och konversationsturer snarare än den förtränade kontrollpunkt som används som grund för vidare träning. Modellen tar emot text och bilder och genererar text: ett svar, en sammanfattning, en förklaring, ett utkast eller kod. Dess visuella indata stödjer frågor om tillhandahållna bilder och dokumentsidor; utdatan är inte en nygenererad bild.
Modellkortet ger 4B-utgåvan en kontext på 128K token som delas av förfrågan och det genererade svaret. Det återstående utrymmet för utdata är den totala kontexten efter avdrag för indata, inte en ytterligare oberoende utdatabudget på 128K. Dess grundläggande bildväg normaliserar bilder till 896×896 och kodar varje vy till 256 visuella token. För en fokuserad assistent ger du den relevanta anteckningen eller bilden, en tydlig fråga och ett kort önskat resultat. Behåll källtexten med svaret så att ett extraherat namn, datum eller en märkning kan kontrolleras.
Familjens träningsmaterial omfattar webbtext på över 140 språk, kod, matematik och bilder. Tillverkaren rapporterar fyra biljoner förträningstoken för 4B-modellen. Den tekniska rapporten beskriver destillering under förträning och instruktionsanpassning, följt av efterträning baserad på förstärkningsinlärning för att förbättra hjälpsamhet, resonemang, kod, matematik och instruktionsföljande. Detta är träningsegenskaper för denna storlek och familj, inte en garanti för att varje svar är korrekt eller att en annan Gemma-kontrollpunkt beter sig identiskt.
Arkitekturen är en transformer med enbart avkodare och grupperad frågeuppmärksamhet, där fem lokala uppmärksamhetslager varvas med varje globalt uppmärksamhetslager. Lokal uppmärksamhet omfattar 1,024 token medan globala lager hanterar den bredare kontexten. En delad SigLIP-bildkodare omvandlar bildinformation till indata för språkmodellen. Tokeniseraren är baserad på SentencePiece, med uppdelade siffror, bevarade blanksteg och kodning på bytenivå. Använd tokenantal från den faktiska tokeniseraren när du planerar långa indata och behåll kodindrag och identifierare när de bär betydelse.
Rapporten beskriver Pan and Scan för bilder vars form eller detalj inte överlever en enkel kvadratisk storleksändring. Det kan skapa ytterligare icke överlappande vyer som storleksanpassas för bildkodaren. Den bearbetningen har egna konsekvenser för indata och beräkning. För en skärmbild med små märkningar identifierar du området av intresse och tillhandahåller en läsbar vy i stället för att förlita dig på en liten bild av hela skärmen. För flera bilder märker du deras roller och ber om ett svar kopplat till rätt källa.
Tillverkarens ursprungliga IT-konversationsformat använder turer för user och model, med uttryckliga turgränser. Det stöder inte en separat ursprunglig system-roll; placera roll- och formateringsinstruktioner i den inledande användarprompten. Använd motsvarande formaterare eller processor i stället för att behandla IT-kontrollpunkten som vanlig textkomplettering. För ett exempel med en supportanteckning anger du avsedd läsare, fakta som ska bevaras och ton och begär sedan ett kort svar plus eventuella olösta frågor. För visuell extraktion definierar du fälten och hur ett oläsbart värde ska representeras.
Gemmas avsedda användningsområden omfattar skrivande, sammanfattning, samtalsassistans, extraktion av bilddata och pedagogisk utforskning. Ett avgränsat 4B-flöde kan omvandla en serviceanteckning till en åtgärdslista, förklara ett synligt diagram eller besvara en fråga om ett tillhandahållet avsnitt. Be om ett resultat som är lätt att granska: en förklaring knuten till namngivna element eller en liten post med källstödda fält. Alla verktygsuppslag eller all kodkörning hör till den omgivande applikationen; att generera en verktygsformad instruktion är inte samma sak som att slutföra en extern operation.
Tillverkaren noterar begränsningar från träningsomfång, språknyanser, faktafel och komplexiteten i öppna uppgifter. Google varnar också för att ett rimligt språkmönster kan ge ett svar som missar en vardaglig verklig begränsning. Bilder kan dessutom förlora viktiga detaljer vid storleksändring, och en lång kontext gör inte en underspecificerad fråga tydlig. Granska resultatet mot originalmaterialet, validera begärda strukturerade fält och kontrollera beräkningar eller föreslagen kod oberoende. Utvärdera den exakta 4B IT-modellen på uppgiftens verkliga språk och dokumenttyper. Håll dess storlek, IT-identitet och bearbetningsinställningar skilda från 12B, 27B och nyare Gemma-varianter när resultaten dokumenteras.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemma-3-4b-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 $0.0001 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning — / 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 $0.0001 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "google/gemma-3-4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-4b-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-3-4b-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-3-4b-it
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Explain a seed-growth note\n\nExplain this class note to a ten-year-old: 'Seeds need water and a suitable temperature to germinate. Light requirements differ between species.' Use three short sentences and one question the class could investigate. Preserve the species qualification rather than saying all seeds need light to germinate.A child-friendly three-sentence explanation followed by one investigation question.The explanation must retain the distinction between water, temperature and species-dependent light.