Gemma 4 26B A4B IT är Google DeepMinds instruktionstränade expertblandningsutgåva av den öppna Gemma 4-familjen. Den officiella arkitekturtabellen anger totalt 25,2 miljarder parametrar och 3,8 miljarder aktiva parametrar; A4B betecknar den avrundade skalan för aktiva parametrar. Dess syfte omfattar resonemang, programmering, agentbaserade arbetsflöden och multimodal förståelse. Den är skild från den förtränade utgåvan och från den täta 31B-modellen.
Expertblandningsarkitekturen aktiverar en delmängd av sina parametrar för varje inferenssteg: åtta aktiva experter av 128, plus en delad expert, i den publicerade arkitekturtabellen. Google positionerar denna utgåva kring inferenseffektivitet i förhållande till den täta modellen. Den kombinerar en arkitektur med 30 lager och ett glidande fönster på 1 024 token med global uppmärksamhet, en kontext på 256K och en visuell kodare. Dessa arkitektursiffror beskriver tillverkarens modell snarare än en garanterad latens eller hårdvarukonfiguration för en viss applikation.
Dess kontext på 256K token stöder en uppgift som kombinerar omfattande text med visuella belägg. Bilder och text kan varvas i en prompt; tillverkaren rekommenderar att bildinnehåll placeras före den relaterade texten för bästa resultat. Visuella uppgifter omfattar objektdetektering, tolkning av dokumentsidor, skärm- och gränssnittsförståelse, diagram, flerspråkig OCR, handskrift och utpekande. Utdata är text: extraherat innehåll, en förklaring, kod eller en föreslagen verktygsåtgärd.
Videoförståelse behandlar en följd av bildrutor. Modellkortet anger högst 60 sekunder när bilderna behandlas med en bildruta per sekund. Förbered det relevanta avsnittet, bevara bildrutornas ordning och ge en fråga om den synliga sekvensen. Denna visuella 26B/31B-profil tar inte emot ljud; talfunktionerna hos de mindre ljudaktiverade Gemma 4-varianterna gäller inte här. Om uppgiften behöver talad information lägger du till dess transkription som text.
Konfigurerbart tänkande låter modellen resonera före svaret eller ge ett direkt svar. Gemma 4 tillför en inbyggd systemroll vid sidan av användar- och assistentrollerna. Googles promptformat aktiverar tänkande med kontrolltoken <|think|> i systemprompten och skiljer tankekanalen från slutsvaret; dess dokumenterade processor kan hantera denna mall. För ett samtal med flera turer behåller du tidigare slutsvar i historiken och utesluter tidigare tankar utom i turer med verktygsanrop, där tillverkaren anger att de ska bevaras.
Inbyggda funktionsanrop stöder strukturerad verktygsanvändning, och Googles lanseringsbeskrivning dokumenterar också strukturerade JSON-utdata. Definiera uppgiften, den tillgängliga funktionen och det förväntade resultatet; applikationen utför den begärda operationen och returnerar dess utdata inför nästa steg. En programmeringsuppgift kan be om generering, komplettering eller korrigering, medan en visuell assistent kan använda den returnerade texten för att förklara ett diagram eller en skärm. En instruktion om funktionsanrop är skild från en ansluten åtgärd som faktiskt har utförts.
Variabel bildupplösning styrs av den visuella tokenbudgeten. De dokumenterade alternativen är 70, 140, 280, 560 och 1 120 token. Lägre budgetar passar klassificering, bildtexter eller bildruteföljder; högre budgetar bevarar fler detaljer för OCR, dokumenttolkning och liten text, med mer beräkning. Avgör om du behöver hela scenen eller exakt text innan du förbereder bilden. Ett tydligt utsnitt av en etikett kan vara mer användbart för en extraktionsuppgift än en ospecificerad begäran att granska varje detalj på en hel sida.
Google rekommenderar temperature 1.0, top-p 0.95 och top-k 64 som familjens samplingskonfiguration. Modellkortet skiljer träning på fler än 140 språk från stöd för fler än 35 språk utan extra anpassning. Ange svarsspråket och behåll domännamn, fältnamn eller formler uttryckligen i uppdraget. Siffran 256K är en kontextspecifikation; det citerade modellkortet fastställer ingen separat universell maximal utdatagräns för denna utgåva.
För ett dokument- och koduppdrag ger du den relevanta sidbilden, det skriftliga kravet och källfragmentet: ”Läs beteckningarna, förklara hur denna skärm skiljer sig från specifikationen och föreslå en avgränsad korrigering av den tillhandahållna koden.” För ett diagram ber du om ett svar som skiljer synliga värden från en härledd trend. Gemmas modellkort anger begränsningar kring tvetydigt språk, mycket komplexa uppgifter och felaktiga eller inaktuella faktapåståenden, så bifoga de auktoritativa fakta som det begärda resultatet måste använda i stället för att förvänta dig att träningskunskap ska tillhandahålla dem.
", "aboutText": "Gemma 4 26B A4B IT är Google DeepMinds instruktionstränade expertblandningsutgåva av den öppna Gemma 4-familjen. Den officiella arkitekturtabellen anger totalt 25,2 miljarder parametrar och 3,8 miljarder aktiva parametrar; A4B betecknar den avrundade skalan för aktiva parametrar. Dess syfte omfattar resonemang, programmering, agentbaserade arbetsflöden och multimodal förståelse. Den är skild från den förtränade utgåvan och från den täta 31B-modellen.\n\nExpertblandningsarkitekturen aktiverar en delmängd av sina parametrar för varje inferenssteg: åtta aktiva experter av 128, plus en delad expert, i den publicerade arkitekturtabellen. Google positionerar denna utgåva kring inferenseffektivitet i förhållande till den täta modellen. Den kombinerar en arkitektur med 30 lager och ett glidande fönster på 1 024 token med global uppmärksamhet, en kontext på 256K och en visuell kodare. Dessa arkitektursiffror beskriver tillverkarens modell snarare än en garanterad latens eller hårdvarukonfiguration för en viss applikation.\n\nDess kontext på 256K token stöder en uppgift som kombinerar omfattande text med visuella belägg. Bilder och text kan varvas i en prompt; tillverkaren rekommenderar att bildinnehåll placeras före den relaterade texten för bästa resultat. Visuella uppgifter omfattar objektdetektering, tolkning av dokumentsidor, skärm- och gränssnittsförståelse, diagram, flerspråkig OCR, handskrift och utpekande. Utdata är text: extraherat innehåll, en förklaring, kod eller en föreslagen verktygsåtgärd.\n\nVideoförståelse behandlar en följd av bildrutor. Modellkortet anger högst 60 sekunder när bilderna behandlas med en bildruta per sekund. Förbered det relevanta avsnittet, bevara bildrutornas ordning och ge en fråga om den synliga sekvensen. Denna visuella 26B/31B-profil tar inte emot ljud; talfunktionerna hos de mindre ljudaktiverade Gemma 4-varianterna gäller inte här. Om uppgiften behöver talad information lägger du till dess transkription som text.\n\nKonfigurerbart tänkande låter modellen resonera före svaret eller ge ett direkt svar. Gemma 4 tillför en inbyggd systemroll vid sidan av användar- och assistentrollerna. Googles promptformat aktiverar tänkande med kontrolltoken <|think|> i systemprompten och skiljer tankekanalen från slutsvaret; dess dokumenterade processor kan hantera denna mall. För ett samtal med flera turer behåller du tidigare slutsvar i historiken och utesluter tidigare tankar utom i turer med verktygsanrop, där tillverkaren anger att de ska bevaras.\n\nInbyggda funktionsanrop stöder strukturerad verktygsanvändning, och Googles lanseringsbeskrivning dokumenterar också strukturerade JSON-utdata. Definiera uppgiften, den tillgängliga funktionen och det förväntade resultatet; applikationen utför den begärda operationen och returnerar dess utdata inför nästa steg. En programmeringsuppgift kan be om generering, komplettering eller korrigering, medan en visuell assistent kan använda den returnerade texten för att förklara ett diagram eller en skärm. En instruktion om funktionsanrop är skild från en ansluten åtgärd som faktiskt har utförts.\n\nVariabel bildupplösning styrs av den visuella tokenbudgeten. De dokumenterade alternativen är 70, 140, 280, 560 och 1 120 token. Lägre budgetar passar klassificering, bildtexter eller bildruteföljder; högre budgetar bevarar fler detaljer för OCR, dokumenttolkning och liten text, med mer beräkning. Avgör om du behöver hela scenen eller exakt text innan du förbereder bilden. Ett tydligt utsnitt av en etikett kan vara mer användbart för en extraktionsuppgift än en ospecificerad begäran att granska varje detalj på en hel sida.\n\nGoogle rekommenderar temperature 1.0, top-p 0.95 och top-k 64 som familjens samplingskonfiguration. Modellkortet skiljer träning på fler än 140 språk från stöd för fler än 35 språk utan extra anpassning. Ange svarsspråket och behåll domännamn, fältnamn eller formler uttryckligen i uppdraget. Siffran 256K är en kontextspecifikation; det citerade modellkortet fastställer ingen separat universell maximal utdatagräns för denna utgåva.\n\nFör ett dokument- och koduppdrag ger du den relevanta sidbilden, det skriftliga kravet och källfragmentet: ”Läs beteckningarna, förklara hur denna skärm skiljer sig från specifikationen och föreslå en avgränsad korrigering av den tillhandahållna koden.” För ett diagram ber du om ett svar som skiljer synliga värden från en härledd trend. Gemmas modellkort anger begränsningar kring tvetydigt språk, mycket komplexa uppgifter och felaktiga eller inaktuella faktapåståenden, så bifoga de auktoritativa fakta som det begärda resultatet måste använda i stället för att förvänta dig att träningskunskap ska tillhandahålla dem.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.google/gemma-4-26b-a4b-itGemma 4 26B A4B IT är Googles instruktionstränade expertblandningsmodell för textbaserat och visuellt resonemang. Den kombinerar en kontext på 256K, förståelse av bilder och bildrutebaserad video, konfigurerbart tänkande och inbyggda funktionsanrop med textutdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemma 4 26B A4B IT är Google DeepMinds instruktionstränade expertblandningsutgåva av den öppna Gemma 4-familjen. Den officiella arkitekturtabellen anger totalt 25,2 miljarder parametrar och 3,8 miljarder aktiva parametrar; A4B betecknar den avrundade skalan för aktiva parametrar. Dess syfte omfattar resonemang, programmering, agentbaserade arbetsflöden och multimodal förståelse. Den är skild från den förtränade utgåvan och från den täta 31B-modellen.
Expertblandningsarkitekturen aktiverar en delmängd av sina parametrar för varje inferenssteg: åtta aktiva experter av 128, plus en delad expert, i den publicerade arkitekturtabellen. Google positionerar denna utgåva kring inferenseffektivitet i förhållande till den täta modellen. Den kombinerar en arkitektur med 30 lager och ett glidande fönster på 1 024 token med global uppmärksamhet, en kontext på 256K och en visuell kodare. Dessa arkitektursiffror beskriver tillverkarens modell snarare än en garanterad latens eller hårdvarukonfiguration för en viss applikation.
Dess kontext på 256K token stöder en uppgift som kombinerar omfattande text med visuella belägg. Bilder och text kan varvas i en prompt; tillverkaren rekommenderar att bildinnehåll placeras före den relaterade texten för bästa resultat. Visuella uppgifter omfattar objektdetektering, tolkning av dokumentsidor, skärm- och gränssnittsförståelse, diagram, flerspråkig OCR, handskrift och utpekande. Utdata är text: extraherat innehåll, en förklaring, kod eller en föreslagen verktygsåtgärd.
Videoförståelse behandlar en följd av bildrutor. Modellkortet anger högst 60 sekunder när bilderna behandlas med en bildruta per sekund. Förbered det relevanta avsnittet, bevara bildrutornas ordning och ge en fråga om den synliga sekvensen. Denna visuella 26B/31B-profil tar inte emot ljud; talfunktionerna hos de mindre ljudaktiverade Gemma 4-varianterna gäller inte här. Om uppgiften behöver talad information lägger du till dess transkription som text.
Konfigurerbart tänkande låter modellen resonera före svaret eller ge ett direkt svar. Gemma 4 tillför en inbyggd systemroll vid sidan av användar- och assistentrollerna. Googles promptformat aktiverar tänkande med kontrolltoken <|think|> i systemprompten och skiljer tankekanalen från slutsvaret; dess dokumenterade processor kan hantera denna mall. För ett samtal med flera turer behåller du tidigare slutsvar i historiken och utesluter tidigare tankar utom i turer med verktygsanrop, där tillverkaren anger att de ska bevaras.
Inbyggda funktionsanrop stöder strukturerad verktygsanvändning, och Googles lanseringsbeskrivning dokumenterar också strukturerade JSON-utdata. Definiera uppgiften, den tillgängliga funktionen och det förväntade resultatet; applikationen utför den begärda operationen och returnerar dess utdata inför nästa steg. En programmeringsuppgift kan be om generering, komplettering eller korrigering, medan en visuell assistent kan använda den returnerade texten för att förklara ett diagram eller en skärm. En instruktion om funktionsanrop är skild från en ansluten åtgärd som faktiskt har utförts.
Variabel bildupplösning styrs av den visuella tokenbudgeten. De dokumenterade alternativen är 70, 140, 280, 560 och 1 120 token. Lägre budgetar passar klassificering, bildtexter eller bildruteföljder; högre budgetar bevarar fler detaljer för OCR, dokumenttolkning och liten text, med mer beräkning. Avgör om du behöver hela scenen eller exakt text innan du förbereder bilden. Ett tydligt utsnitt av en etikett kan vara mer användbart för en extraktionsuppgift än en ospecificerad begäran att granska varje detalj på en hel sida.
Google rekommenderar temperature 1.0, top-p 0.95 och top-k 64 som familjens samplingskonfiguration. Modellkortet skiljer träning på fler än 140 språk från stöd för fler än 35 språk utan extra anpassning. Ange svarsspråket och behåll domännamn, fältnamn eller formler uttryckligen i uppdraget. Siffran 256K är en kontextspecifikation; det citerade modellkortet fastställer ingen separat universell maximal utdatagräns för denna utgåva.
För ett dokument- och koduppdrag ger du den relevanta sidbilden, det skriftliga kravet och källfragmentet: ”Läs beteckningarna, förklara hur denna skärm skiljer sig från specifikationen och föreslå en avgränsad korrigering av den tillhandahållna koden.” För ett diagram ber du om ett svar som skiljer synliga värden från en härledd trend. Gemmas modellkort anger begränsningar kring tvetydigt språk, mycket komplexa uppgifter och felaktiga eller inaktuella faktapåståenden, så bifoga de auktoritativa fakta som det begärda resultatet måste använda i stället för att förvänta dig att träningskunskap ska tillhandahålla dem.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemma-4-26b-a4b-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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-it
Använd metodsökvägarna som visas ovan.
google/gemma-4-26b-a4b-itGemma 4 26B A4B IT är Googles instruktionstränade expertblandningsmodell för textbaserat och visuellt resonemang. Den kombinerar en kontext på 256K, förståelse av bilder och bildrutebaserad video, konfigurerbart tänkande och inbyggda funktionsanrop med textutdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemma 4 26B A4B IT är Google DeepMinds instruktionstränade expertblandningsutgåva av den öppna Gemma 4-familjen. Den officiella arkitekturtabellen anger totalt 25,2 miljarder parametrar och 3,8 miljarder aktiva parametrar; A4B betecknar den avrundade skalan för aktiva parametrar. Dess syfte omfattar resonemang, programmering, agentbaserade arbetsflöden och multimodal förståelse. Den är skild från den förtränade utgåvan och från den täta 31B-modellen.
Expertblandningsarkitekturen aktiverar en delmängd av sina parametrar för varje inferenssteg: åtta aktiva experter av 128, plus en delad expert, i den publicerade arkitekturtabellen. Google positionerar denna utgåva kring inferenseffektivitet i förhållande till den täta modellen. Den kombinerar en arkitektur med 30 lager och ett glidande fönster på 1 024 token med global uppmärksamhet, en kontext på 256K och en visuell kodare. Dessa arkitektursiffror beskriver tillverkarens modell snarare än en garanterad latens eller hårdvarukonfiguration för en viss applikation.
Dess kontext på 256K token stöder en uppgift som kombinerar omfattande text med visuella belägg. Bilder och text kan varvas i en prompt; tillverkaren rekommenderar att bildinnehåll placeras före den relaterade texten för bästa resultat. Visuella uppgifter omfattar objektdetektering, tolkning av dokumentsidor, skärm- och gränssnittsförståelse, diagram, flerspråkig OCR, handskrift och utpekande. Utdata är text: extraherat innehåll, en förklaring, kod eller en föreslagen verktygsåtgärd.
Videoförståelse behandlar en följd av bildrutor. Modellkortet anger högst 60 sekunder när bilderna behandlas med en bildruta per sekund. Förbered det relevanta avsnittet, bevara bildrutornas ordning och ge en fråga om den synliga sekvensen. Denna visuella 26B/31B-profil tar inte emot ljud; talfunktionerna hos de mindre ljudaktiverade Gemma 4-varianterna gäller inte här. Om uppgiften behöver talad information lägger du till dess transkription som text.
Konfigurerbart tänkande låter modellen resonera före svaret eller ge ett direkt svar. Gemma 4 tillför en inbyggd systemroll vid sidan av användar- och assistentrollerna. Googles promptformat aktiverar tänkande med kontrolltoken <|think|> i systemprompten och skiljer tankekanalen från slutsvaret; dess dokumenterade processor kan hantera denna mall. För ett samtal med flera turer behåller du tidigare slutsvar i historiken och utesluter tidigare tankar utom i turer med verktygsanrop, där tillverkaren anger att de ska bevaras.
Inbyggda funktionsanrop stöder strukturerad verktygsanvändning, och Googles lanseringsbeskrivning dokumenterar också strukturerade JSON-utdata. Definiera uppgiften, den tillgängliga funktionen och det förväntade resultatet; applikationen utför den begärda operationen och returnerar dess utdata inför nästa steg. En programmeringsuppgift kan be om generering, komplettering eller korrigering, medan en visuell assistent kan använda den returnerade texten för att förklara ett diagram eller en skärm. En instruktion om funktionsanrop är skild från en ansluten åtgärd som faktiskt har utförts.
Variabel bildupplösning styrs av den visuella tokenbudgeten. De dokumenterade alternativen är 70, 140, 280, 560 och 1 120 token. Lägre budgetar passar klassificering, bildtexter eller bildruteföljder; högre budgetar bevarar fler detaljer för OCR, dokumenttolkning och liten text, med mer beräkning. Avgör om du behöver hela scenen eller exakt text innan du förbereder bilden. Ett tydligt utsnitt av en etikett kan vara mer användbart för en extraktionsuppgift än en ospecificerad begäran att granska varje detalj på en hel sida.
Google rekommenderar temperature 1.0, top-p 0.95 och top-k 64 som familjens samplingskonfiguration. Modellkortet skiljer träning på fler än 140 språk från stöd för fler än 35 språk utan extra anpassning. Ange svarsspråket och behåll domännamn, fältnamn eller formler uttryckligen i uppdraget. Siffran 256K är en kontextspecifikation; det citerade modellkortet fastställer ingen separat universell maximal utdatagräns för denna utgåva.
För ett dokument- och koduppdrag ger du den relevanta sidbilden, det skriftliga kravet och källfragmentet: ”Läs beteckningarna, förklara hur denna skärm skiljer sig från specifikationen och föreslå en avgränsad korrigering av den tillhandahållna koden.” För ett diagram ber du om ett svar som skiljer synliga värden från en härledd trend. Gemmas modellkort anger begränsningar kring tvetydigt språk, mycket komplexa uppgifter och felaktiga eller inaktuella faktapåståenden, så bifoga de auktoritativa fakta som det begärda resultatet måste använda i stället för att förvänta dig att träningskunskap ska tillhandahålla dem.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemma-4-26b-a4b-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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "google/gemma-4-26b-a4b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-26b-a4b-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-4-26b-a4b-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-4-26b-a4b-it
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Compare readings and inferred trends\n\nAnalyze this transcribed chart data: week 1, 20 returns from 1,000 orders; week 2, 24 from 1,200; week 3, 18 from 600. Calculate each return rate, distinguish counts from rates and write a two-sentence operations note. Do not infer the cause of any change from these values alone.A three-row rate table and an operations note separating observed values from causal interpretation.Check percentages use each week's own order count and the note does not equate fewer returns with a lower rate.