Gemma 4 31B IT är Google DeepMinds instruktionsanpassade täta utgåva av den öppna Gemma 4-familjen. Google positionerar 31B-modellen kring modellkvalitet och anpassning till en uppgift, medan den separata 26B A4B-utgåvan använder en expertblandning för effektiv inferens. Detta kort gäller den namngivna instruktionsanpassade 31B-utgåvan snarare än dess förtränade vikter eller en kvantiserad avledning.
Den officiella tabellen för tät arkitektur anger 30.7 miljarder parametrar, 60 lager, ett glidande fönster på 1,024 token och en kontext på 256K token. Familjen kombinerar lokal uppmärksamhet i glidande fönster med global uppmärksamhet, avslutar med ett globalt lager och använder en särskild bildkodare för denna modell. Den resulterande profilen är byggd för text- och bildindata med textutdata. Detta är fakta om modellarkitekturen; de bestämmer inte en applikations svarstid och innebär inte ljudstödet hos andra Gemma 4-storlekar.
Dess kontext på 256K token stödjer en uppgift som kombinerar omfattande text med visuellt underlag. Bilder och text kan varvas i en enda prompt; tillverkaren rekommenderar att bildinnehåll placeras före den relaterade texten för bästa resultat. Visuella uppgifter omfattar objektdetektering, tolkning av dokumentsidor, förståelse av skärmar och gränssnitt, diagram, flerspråkig OCR, handskrift och utpekning. Utdatan är text: extraherat innehåll, en förklaring, kod eller en föreslagen verktygsåtgärd.
Videoförståelse bearbetar en sekvens av bildrutor. Modellkortet anger högst 60 sekunder när bilderna bearbetas med en bildruta per sekund. Förbered det relevanta avsnittet, bevara bildrutornas ordning och ställ en fråga om den synliga sekvensen. Denna visuella 26B/31B-profil tar inte emot ljud; talförmågorna hos de mindre ljudaktiverade Gemma 4-varianterna gäller inte här. Om uppgiften behöver talad information lägger du till transkriptionen som text.
Konfigurerbart tänkande låter modellen resonera före svaret eller ge ett direkt svar. Gemma 4 lägger till en ursprunglig system-roll vid sidan av rollerna user och assistant. Googles promptformat aktiverar tänkande med kontrolltoken <|think|> i systemprompten och skiljer tankekanalen från det slutliga svaret; dess dokumenterade processor kan hantera den mallen. För en konversation med flera turer behåller du tidigare slutliga svar i historiken och utesluter tidigare tankar utom i verktygsanropsturer, där tillverkaren säger att de ska bevaras.
Ursprunglig Function Calling stödjer strukturerad verktygsanvändning, och Googles lanseringsbeskrivning dokumenterar även 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 koduppgift kan begära 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 budgeten för visuella token. De dokumenterade alternativen är 70, 140, 280, 560 och 1,120 token. Lägre budgetar passar klassificering, bildtexter eller bildrutesekvenser; högre budgetar bevarar fler detaljer för OCR, dokumenttolkning och liten text, med ytterligare beräkning. Bestäm om du behöver helhetsscenen eller exakt text innan bilden förbereds. En tydlig beskärning av en etikett kan vara mer användbar för en extraktionsuppgift än en okvalificerad 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 mellan träning på fler än 140 språk och direkt stöd för fler än 35 språk. Ange svarsspråket och behåll domännamn, fältnamn eller formler uttryckligen i beskrivningen. Talet 256K är en kontextspecifikation; det citerade modellkortet fastställer inte ett separat universellt maximum för utdata i denna utgåva.
För en dokument- och koduppgift tillhandahåller du den relevanta sidbilden, det skrivna kravet och källfragmentet: ”Läs märkningarna, förklara hur denna skärm skiljer sig från specifikationen och föreslå en fokuserad korrigering av den tillhandahållna koden.” För ett diagram ber du svaret skilja mellan synliga värden och en härledd trend. Gemmas modellkort noterar begränsningar som gäller tvetydigt språk, mycket komplexa uppgifter och felaktiga eller föråldrade faktapåståenden, så bifoga de auktoritativa fakta som det begärda resultatet måste använda i stället för att förvänta dig att träningskunskapen tillhandahåller dem.
", "aboutText": "Gemma 4 31B IT är Google DeepMinds instruktionsanpassade täta utgåva av den öppna Gemma 4-familjen. Google positionerar 31B-modellen kring modellkvalitet och anpassning till en uppgift, medan den separata 26B A4B-utgåvan använder en expertblandning för effektiv inferens. Detta kort gäller den namngivna instruktionsanpassade 31B-utgåvan snarare än dess förtränade vikter eller en kvantiserad avledning.\n\nDen officiella tabellen för tät arkitektur anger 30.7 miljarder parametrar, 60 lager, ett glidande fönster på 1,024 token och en kontext på 256K token. Familjen kombinerar lokal uppmärksamhet i glidande fönster med global uppmärksamhet, avslutar med ett globalt lager och använder en särskild bildkodare för denna modell. Den resulterande profilen är byggd för text- och bildindata med textutdata. Detta är fakta om modellarkitekturen; de bestämmer inte en applikations svarstid och innebär inte ljudstödet hos andra Gemma 4-storlekar.\n\nDess kontext på 256K token stödjer en uppgift som kombinerar omfattande text med visuellt underlag. Bilder och text kan varvas i en enda prompt; tillverkaren rekommenderar att bildinnehåll placeras före den relaterade texten för bästa resultat. Visuella uppgifter omfattar objektdetektering, tolkning av dokumentsidor, förståelse av skärmar och gränssnitt, diagram, flerspråkig OCR, handskrift och utpekning. Utdatan är text: extraherat innehåll, en förklaring, kod eller en föreslagen verktygsåtgärd.\n\nVideoförståelse bearbetar en sekvens av bildrutor. Modellkortet anger högst 60 sekunder när bilderna bearbetas med en bildruta per sekund. Förbered det relevanta avsnittet, bevara bildrutornas ordning och ställ en fråga om den synliga sekvensen. Denna visuella 26B/31B-profil tar inte emot ljud; talförmågorna hos de mindre ljudaktiverade Gemma 4-varianterna gäller inte här. Om uppgiften behöver talad information lägger du till transkriptionen som text.\n\nKonfigurerbart tänkande låter modellen resonera före svaret eller ge ett direkt svar. Gemma 4 lägger till en ursprunglig system-roll vid sidan av rollerna user och assistant. Googles promptformat aktiverar tänkande med kontrolltoken <|think|> i systemprompten och skiljer tankekanalen från det slutliga svaret; dess dokumenterade processor kan hantera den mallen. För en konversation med flera turer behåller du tidigare slutliga svar i historiken och utesluter tidigare tankar utom i verktygsanropsturer, där tillverkaren säger att de ska bevaras.\n\nUrsprunglig Function Calling stödjer strukturerad verktygsanvändning, och Googles lanseringsbeskrivning dokumenterar även 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 koduppgift kan begära 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 budgeten för visuella token. De dokumenterade alternativen är 70, 140, 280, 560 och 1,120 token. Lägre budgetar passar klassificering, bildtexter eller bildrutesekvenser; högre budgetar bevarar fler detaljer för OCR, dokumenttolkning och liten text, med ytterligare beräkning. Bestäm om du behöver helhetsscenen eller exakt text innan bilden förbereds. En tydlig beskärning av en etikett kan vara mer användbar för en extraktionsuppgift än en okvalificerad 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 mellan träning på fler än 140 språk och direkt stöd för fler än 35 språk. Ange svarsspråket och behåll domännamn, fältnamn eller formler uttryckligen i beskrivningen. Talet 256K är en kontextspecifikation; det citerade modellkortet fastställer inte ett separat universellt maximum för utdata i denna utgåva.\n\nFör en dokument- och koduppgift tillhandahåller du den relevanta sidbilden, det skrivna kravet och källfragmentet: ”Läs märkningarna, förklara hur denna skärm skiljer sig från specifikationen och föreslå en fokuserad korrigering av den tillhandahållna koden.” För ett diagram ber du svaret skilja mellan synliga värden och en härledd trend. Gemmas modellkort noterar begränsningar som gäller tvetydigt språk, mycket komplexa uppgifter och felaktiga eller föråldrade faktapåståenden, så bifoga de auktoritativa fakta som det begärda resultatet måste använda i stället för att förvänta dig att träningskunskapen tillhandahåller dem.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.google/gemma-4-31b-itGemma 4 31B IT är Googles instruktionstränade täta modell för textbaserat och visuellt resonemang. Dess kontext på 256K, konfigurerbara tänkande, förståelse av bilder och bildrutebaserad video samt inbyggda funktionsanrop stöder programmerings-, dokument- och agentuppgifter med textutdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemma 4 31B IT är Google DeepMinds instruktionsanpassade täta utgåva av den öppna Gemma 4-familjen. Google positionerar 31B-modellen kring modellkvalitet och anpassning till en uppgift, medan den separata 26B A4B-utgåvan använder en expertblandning för effektiv inferens. Detta kort gäller den namngivna instruktionsanpassade 31B-utgåvan snarare än dess förtränade vikter eller en kvantiserad avledning.
Den officiella tabellen för tät arkitektur anger 30.7 miljarder parametrar, 60 lager, ett glidande fönster på 1,024 token och en kontext på 256K token. Familjen kombinerar lokal uppmärksamhet i glidande fönster med global uppmärksamhet, avslutar med ett globalt lager och använder en särskild bildkodare för denna modell. Den resulterande profilen är byggd för text- och bildindata med textutdata. Detta är fakta om modellarkitekturen; de bestämmer inte en applikations svarstid och innebär inte ljudstödet hos andra Gemma 4-storlekar.
Dess kontext på 256K token stödjer en uppgift som kombinerar omfattande text med visuellt underlag. Bilder och text kan varvas i en enda prompt; tillverkaren rekommenderar att bildinnehåll placeras före den relaterade texten för bästa resultat. Visuella uppgifter omfattar objektdetektering, tolkning av dokumentsidor, förståelse av skärmar och gränssnitt, diagram, flerspråkig OCR, handskrift och utpekning. Utdatan är text: extraherat innehåll, en förklaring, kod eller en föreslagen verktygsåtgärd.
Videoförståelse bearbetar en sekvens av bildrutor. Modellkortet anger högst 60 sekunder när bilderna bearbetas med en bildruta per sekund. Förbered det relevanta avsnittet, bevara bildrutornas ordning och ställ en fråga om den synliga sekvensen. Denna visuella 26B/31B-profil tar inte emot ljud; talförmågorna hos de mindre ljudaktiverade Gemma 4-varianterna gäller inte här. Om uppgiften behöver talad information lägger du till transkriptionen som text.
Konfigurerbart tänkande låter modellen resonera före svaret eller ge ett direkt svar. Gemma 4 lägger till en ursprunglig system-roll vid sidan av rollerna user och assistant. Googles promptformat aktiverar tänkande med kontrolltoken <|think|> i systemprompten och skiljer tankekanalen från det slutliga svaret; dess dokumenterade processor kan hantera den mallen. För en konversation med flera turer behåller du tidigare slutliga svar i historiken och utesluter tidigare tankar utom i verktygsanropsturer, där tillverkaren säger att de ska bevaras.
Ursprunglig Function Calling stödjer strukturerad verktygsanvändning, och Googles lanseringsbeskrivning dokumenterar även 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 koduppgift kan begära 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 budgeten för visuella token. De dokumenterade alternativen är 70, 140, 280, 560 och 1,120 token. Lägre budgetar passar klassificering, bildtexter eller bildrutesekvenser; högre budgetar bevarar fler detaljer för OCR, dokumenttolkning och liten text, med ytterligare beräkning. Bestäm om du behöver helhetsscenen eller exakt text innan bilden förbereds. En tydlig beskärning av en etikett kan vara mer användbar för en extraktionsuppgift än en okvalificerad 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 mellan träning på fler än 140 språk och direkt stöd för fler än 35 språk. Ange svarsspråket och behåll domännamn, fältnamn eller formler uttryckligen i beskrivningen. Talet 256K är en kontextspecifikation; det citerade modellkortet fastställer inte ett separat universellt maximum för utdata i denna utgåva.
För en dokument- och koduppgift tillhandahåller du den relevanta sidbilden, det skrivna kravet och källfragmentet: ”Läs märkningarna, förklara hur denna skärm skiljer sig från specifikationen och föreslå en fokuserad korrigering av den tillhandahållna koden.” För ett diagram ber du svaret skilja mellan synliga värden och en härledd trend. Gemmas modellkort noterar begränsningar som gäller tvetydigt språk, mycket komplexa uppgifter och felaktiga eller föråldrade faktapåståenden, så bifoga de auktoritativa fakta som det begärda resultatet måste använda i stället för att förvänta dig att träningskunskapen tillhandahåller dem.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemma-4-31b-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 $0.0002 / 1K token Utdata · Utdatatoken $0.00068 / 1K token Indata · Cacheläsning $0.0002 / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.00068 / 1K token Indata · Cacheläsning $0.0002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-4-31b-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-4-31b-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-4-31b-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-4-31b-it
Använd metodsökvägarna som visas ovan.
google/gemma-4-31b-itGemma 4 31B IT är Googles instruktionstränade täta modell för textbaserat och visuellt resonemang. Dess kontext på 256K, konfigurerbara tänkande, förståelse av bilder och bildrutebaserad video samt inbyggda funktionsanrop stöder programmerings-, dokument- och agentuppgifter med textutdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Gemma 4 31B IT är Google DeepMinds instruktionsanpassade täta utgåva av den öppna Gemma 4-familjen. Google positionerar 31B-modellen kring modellkvalitet och anpassning till en uppgift, medan den separata 26B A4B-utgåvan använder en expertblandning för effektiv inferens. Detta kort gäller den namngivna instruktionsanpassade 31B-utgåvan snarare än dess förtränade vikter eller en kvantiserad avledning.
Den officiella tabellen för tät arkitektur anger 30.7 miljarder parametrar, 60 lager, ett glidande fönster på 1,024 token och en kontext på 256K token. Familjen kombinerar lokal uppmärksamhet i glidande fönster med global uppmärksamhet, avslutar med ett globalt lager och använder en särskild bildkodare för denna modell. Den resulterande profilen är byggd för text- och bildindata med textutdata. Detta är fakta om modellarkitekturen; de bestämmer inte en applikations svarstid och innebär inte ljudstödet hos andra Gemma 4-storlekar.
Dess kontext på 256K token stödjer en uppgift som kombinerar omfattande text med visuellt underlag. Bilder och text kan varvas i en enda prompt; tillverkaren rekommenderar att bildinnehåll placeras före den relaterade texten för bästa resultat. Visuella uppgifter omfattar objektdetektering, tolkning av dokumentsidor, förståelse av skärmar och gränssnitt, diagram, flerspråkig OCR, handskrift och utpekning. Utdatan är text: extraherat innehåll, en förklaring, kod eller en föreslagen verktygsåtgärd.
Videoförståelse bearbetar en sekvens av bildrutor. Modellkortet anger högst 60 sekunder när bilderna bearbetas med en bildruta per sekund. Förbered det relevanta avsnittet, bevara bildrutornas ordning och ställ en fråga om den synliga sekvensen. Denna visuella 26B/31B-profil tar inte emot ljud; talförmågorna hos de mindre ljudaktiverade Gemma 4-varianterna gäller inte här. Om uppgiften behöver talad information lägger du till transkriptionen som text.
Konfigurerbart tänkande låter modellen resonera före svaret eller ge ett direkt svar. Gemma 4 lägger till en ursprunglig system-roll vid sidan av rollerna user och assistant. Googles promptformat aktiverar tänkande med kontrolltoken <|think|> i systemprompten och skiljer tankekanalen från det slutliga svaret; dess dokumenterade processor kan hantera den mallen. För en konversation med flera turer behåller du tidigare slutliga svar i historiken och utesluter tidigare tankar utom i verktygsanropsturer, där tillverkaren säger att de ska bevaras.
Ursprunglig Function Calling stödjer strukturerad verktygsanvändning, och Googles lanseringsbeskrivning dokumenterar även 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 koduppgift kan begära 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 budgeten för visuella token. De dokumenterade alternativen är 70, 140, 280, 560 och 1,120 token. Lägre budgetar passar klassificering, bildtexter eller bildrutesekvenser; högre budgetar bevarar fler detaljer för OCR, dokumenttolkning och liten text, med ytterligare beräkning. Bestäm om du behöver helhetsscenen eller exakt text innan bilden förbereds. En tydlig beskärning av en etikett kan vara mer användbar för en extraktionsuppgift än en okvalificerad 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 mellan träning på fler än 140 språk och direkt stöd för fler än 35 språk. Ange svarsspråket och behåll domännamn, fältnamn eller formler uttryckligen i beskrivningen. Talet 256K är en kontextspecifikation; det citerade modellkortet fastställer inte ett separat universellt maximum för utdata i denna utgåva.
För en dokument- och koduppgift tillhandahåller du den relevanta sidbilden, det skrivna kravet och källfragmentet: ”Läs märkningarna, förklara hur denna skärm skiljer sig från specifikationen och föreslå en fokuserad korrigering av den tillhandahållna koden.” För ett diagram ber du svaret skilja mellan synliga värden och en härledd trend. Gemmas modellkort noterar begränsningar som gäller tvetydigt språk, mycket komplexa uppgifter och felaktiga eller föråldrade faktapåståenden, så bifoga de auktoritativa fakta som det begärda resultatet måste använda i stället för att förvänta dig att träningskunskapen tillhandahåller dem.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/gemma-4-31b-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 $0.0002 / 1K token Utdata · Utdatatoken $0.00068 / 1K token Indata · Cacheläsning $0.0002 / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.00068 / 1K token Indata · Cacheläsning $0.0002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "google/gemma-4-31b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-31b-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-4-31b-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-4-31b-it
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Match a form to its written specification\n\nCompare this textual form specification and code. Spec: Email is required and uses email validation; nickname is optional. Code: <input name="email" type="text"><input name="nickname" required>. Return a discrepancy table and corrected HTML. Preserve both field names and add visible labels for each field.A spec-to-code discrepancy table and an editable HTML fragment with corrected attributes and labels.Check that only email is required, its type is email and each label points to its matching input.