Llama 4 Maverick Instruct är Metas från grunden multimodala modell för assistentliknande samtal och visuellt resonemang. Den tar emot flerspråkig text och bilder och genererar flerspråkig text eller kod. Dess mixture-of-experts-arkitektur använder tidig fusion och kombinerar den visuella och textuella informationen i modellen i stället för att behandla bilden som en orelaterad bildtext från en separat textassistent.
Modellinformation och kontext
Tillverkaren anger 128 experter, 17 miljarder aktiva parametrar och totalt 400 miljarder parametrar för Maverick. Detta skiljer sig från Scouts konfiguration med 16 experter och totalt 109B parametrar, även om båda har etiketten 17B för aktiv storlek. Namnet Instruct identifierar den assistentinriktade checkpointen snarare än den förtränade Maverick-modellen.
Modellkortet dokumenterar ett kontextfönster på 1M för Maverick. Använd kontexten för att hålla relevanta textavsnitt, bilder, samtal och det efterfrågade svaret tillsammans. En stor källsamling behöver fortfarande en definierad fråga och ett definierat arbetsresultat. Märk källdokumenten och bilderna och begär positionen som stöder varje extraherat fynd i stället för att be om en planlös sammanfattning av allt material.
De språk som stöds är arabiska, engelska, franska, tyska, hindi, indonesiska, italienska, portugisiska, spanska, tagalog, thailändska och vietnamesiska. Tillverkaren skiljer dessa tolv stödda språk från den bredare samling på cirka tvåhundra språk som används i förträningen. Förekomst som träningsspråk bör inte omvandlas till ett löfte om likvärdig förmåga på varje språk.
Uppgifter för chatt, bildförståelse och kod
Kortets avsedda visuella användningar omfattar igenkänning, bildresonemang, bildtextning och att besvara allmänna frågor om en bild. För ett fotografi ber du modellen identifiera objekten eller relationen som är relevant för uppgiften. För ett diagram begär du en jämförelse mellan namngivna serier, med axlar och enheter bevarade. För ett schema frågar du vilken märkt koppling som stöder ett tillhandahållet krav.
För en jämförelse mellan flera bilder identifierar du rollen för varje bild och begär samma kriterier för dem alla. Tillhandahåll till exempel en ursprunglig design och en bearbetning och begär sedan synliga överensstämmelser, skillnader och detaljer som bilderna inte fastställer. Håll observationerna åtskilda från slutsatser som beror på den medföljande texten. Det gör utdata lättare att granska mot den faktiska källan.
Tillverkaren rapporterar tester av bildförståelse med upp till fem indatabilder. Detta är den dokumenterade testomfattningen, inte en ovillkorlig hård maxgräns för antalet bilder. Bevara detaljerna som behövs för frågan och bildernas ordning. Att lägga till ett stort antal orelaterade bilder definierar inte i sig vad som ska jämföras.
För en koduppgift tillhandahåller du kravet, relevant källkod och förväntat beteende. Be om den föreslagna implementationen separat från dess antaganden och exempel. En skärmbild kan tillhandahålla visuella krav, medan det textuella villkoret tillhandahåller beteende som skärmbilden inte kan visa. Genererad kod är ett textresultat; att köra den, granska ett renderat gränssnitt eller tillämpa den i ett kodarkiv kräver den anslutna miljön.
Konversationsförberedelse och träning
Modellkortet visar den matchande processorn och chattmallen med två bilder och en skriftlig jämförelsefråga. Håll konversationsroller och kopplingen mellan bild och text uttryckliga. En systeminstruktion kan definiera målgrupp, ton och svarsstruktur, medan användarmeddelandet tillhandahåller den faktiska uppgiften och underlaget. Tillverkaren beskriver efterträningsförbättringar i styrbarhet via systemprompt och konversationsformatering.
Maverick är förtränad på cirka 22 biljoner token multimodala data, med angivet slutdatum för förträningsdatan i augusti 2024. Detta är en statisk träningsdatagräns snarare än direkt tillgång till aktuell information. När en fråga beror på nyare eller privat material tillhandahåller du det materialet som källkontext eller genom en separat ansluten hämtningsåtgärd.
Utgåvan omfattar BF16-vikter och separat kvantiserade FP8-vikter. Dessa precisionsval skapar ingen annan indatamodalitet och ger inte Maverick Scouts 10M-kontext. Bevara den exakta Instruct-checkpointen och dess konfiguration när en upprepad uppgift eller en härledd driftsättning jämförs.
Praktisk utformning av resultat
En dokumentbildsuppgift kan begära källidentifierare, synligt påstående, extraherat värde och tolkning som separata fält. En samtalsförklaring kan behålla originaltermerna och anpassa prosan till läsarens stödda språk. En kodbegäran kan returnera det reviderade kodavsnittet och exempel som särskiljer dess avsedda beteende.
Definiera hur slutresultatet ska användas innan materialet tillhandahålls. En kort bildtext, en jämförelsetabell och ett föreslaget program löser olika uppgifter även när de delar samma bilder. Modellens visuella och språkliga funktioner tillhandahåller tolkningen och texten; extern hämtning, exekvering eller filproduktion kommer från applikationskomponenter.
Specifika avgränsningar
De dokumenterade indata här är text och bilder, med text- och kodutdata. Ljud- eller videoförståelse, talgenerering och Muse Sparks namngivna reglage för resonemangsinsats bör inte tilldelas denna Maverick-utgåva. Llama Guard är också en separat tränad klassificerare snarare än automatiska klassificerarutdata från ett Maverick-svar.
Kortets genereringsexempel med 256 token är en exempelinställning, och de lästa källorna fastställer ingen separat hård maxgräns för utdatatoken utöver modellens kontextspecifikation. Håll Maverick-identiteten, omfattningen av språkstödet och det källkopplade slutresultatet uttryckliga i stället för att låna gränser eller lägen från en annan Llama-utgåva.
", "aboutText": "Llama 4 Maverick Instruct är Metas från grunden multimodala modell för assistentliknande samtal och visuellt resonemang. Den tar emot flerspråkig text och bilder och genererar flerspråkig text eller kod. Dess mixture-of-experts-arkitektur använder tidig fusion och kombinerar den visuella och textuella informationen i modellen i stället för att behandla bilden som en orelaterad bildtext från en separat textassistent.\n\nModellinformation och kontext\n\nTillverkaren anger 128 experter, 17 miljarder aktiva parametrar och totalt 400 miljarder parametrar för Maverick. Detta skiljer sig från Scouts konfiguration med 16 experter och totalt 109B parametrar, även om båda har etiketten 17B för aktiv storlek. Namnet Instruct identifierar den assistentinriktade checkpointen snarare än den förtränade Maverick-modellen.\n\nModellkortet dokumenterar ett kontextfönster på 1M för Maverick. Använd kontexten för att hålla relevanta textavsnitt, bilder, samtal och det efterfrågade svaret tillsammans. En stor källsamling behöver fortfarande en definierad fråga och ett definierat arbetsresultat. Märk källdokumenten och bilderna och begär positionen som stöder varje extraherat fynd i stället för att be om en planlös sammanfattning av allt material.\n\nDe språk som stöds är arabiska, engelska, franska, tyska, hindi, indonesiska, italienska, portugisiska, spanska, tagalog, thailändska och vietnamesiska. Tillverkaren skiljer dessa tolv stödda språk från den bredare samling på cirka tvåhundra språk som används i förträningen. Förekomst som träningsspråk bör inte omvandlas till ett löfte om likvärdig förmåga på varje språk.\n\nUppgifter för chatt, bildförståelse och kod\n\nKortets avsedda visuella användningar omfattar igenkänning, bildresonemang, bildtextning och att besvara allmänna frågor om en bild. För ett fotografi ber du modellen identifiera objekten eller relationen som är relevant för uppgiften. För ett diagram begär du en jämförelse mellan namngivna serier, med axlar och enheter bevarade. För ett schema frågar du vilken märkt koppling som stöder ett tillhandahållet krav.\n\nFör en jämförelse mellan flera bilder identifierar du rollen för varje bild och begär samma kriterier för dem alla. Tillhandahåll till exempel en ursprunglig design och en bearbetning och begär sedan synliga överensstämmelser, skillnader och detaljer som bilderna inte fastställer. Håll observationerna åtskilda från slutsatser som beror på den medföljande texten. Det gör utdata lättare att granska mot den faktiska källan.\n\nTillverkaren rapporterar tester av bildförståelse med upp till fem indatabilder. Detta är den dokumenterade testomfattningen, inte en ovillkorlig hård maxgräns för antalet bilder. Bevara detaljerna som behövs för frågan och bildernas ordning. Att lägga till ett stort antal orelaterade bilder definierar inte i sig vad som ska jämföras.\n\nFör en koduppgift tillhandahåller du kravet, relevant källkod och förväntat beteende. Be om den föreslagna implementationen separat från dess antaganden och exempel. En skärmbild kan tillhandahålla visuella krav, medan det textuella villkoret tillhandahåller beteende som skärmbilden inte kan visa. Genererad kod är ett textresultat; att köra den, granska ett renderat gränssnitt eller tillämpa den i ett kodarkiv kräver den anslutna miljön.\n\nKonversationsförberedelse och träning\n\nModellkortet visar den matchande processorn och chattmallen med två bilder och en skriftlig jämförelsefråga. Håll konversationsroller och kopplingen mellan bild och text uttryckliga. En systeminstruktion kan definiera målgrupp, ton och svarsstruktur, medan användarmeddelandet tillhandahåller den faktiska uppgiften och underlaget. Tillverkaren beskriver efterträningsförbättringar i styrbarhet via systemprompt och konversationsformatering.\n\nMaverick är förtränad på cirka 22 biljoner token multimodala data, med angivet slutdatum för förträningsdatan i augusti 2024. Detta är en statisk träningsdatagräns snarare än direkt tillgång till aktuell information. När en fråga beror på nyare eller privat material tillhandahåller du det materialet som källkontext eller genom en separat ansluten hämtningsåtgärd.\n\nUtgåvan omfattar BF16-vikter och separat kvantiserade FP8-vikter. Dessa precisionsval skapar ingen annan indatamodalitet och ger inte Maverick Scouts 10M-kontext. Bevara den exakta Instruct-checkpointen och dess konfiguration när en upprepad uppgift eller en härledd driftsättning jämförs.\n\nPraktisk utformning av resultat\n\nEn dokumentbildsuppgift kan begära källidentifierare, synligt påstående, extraherat värde och tolkning som separata fält. En samtalsförklaring kan behålla originaltermerna och anpassa prosan till läsarens stödda språk. En kodbegäran kan returnera det reviderade kodavsnittet och exempel som särskiljer dess avsedda beteende.\n\nDefiniera hur slutresultatet ska användas innan materialet tillhandahålls. En kort bildtext, en jämförelsetabell och ett föreslaget program löser olika uppgifter även när de delar samma bilder. Modellens visuella och språkliga funktioner tillhandahåller tolkningen och texten; extern hämtning, exekvering eller filproduktion kommer från applikationskomponenter.\n\nSpecifika avgränsningar\n\nDe dokumenterade indata här är text och bilder, med text- och kodutdata. Ljud- eller videoförståelse, talgenerering och Muse Sparks namngivna reglage för resonemangsinsats bör inte tilldelas denna Maverick-utgåva. Llama Guard är också en separat tränad klassificerare snarare än automatiska klassificerarutdata från ett Maverick-svar.\n\nKortets genereringsexempel med 256 token är en exempelinställning, och de lästa källorna fastställer ingen separat hård maxgräns för utdatatoken utöver modellens kontextspecifikation. Håll Maverick-identiteten, omfattningen av språkstödet och det källkopplade slutresultatet uttryckliga i stället för att låna gränser eller lägen från en annan Llama-utgåva.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick är Metas Instruct-modell med inbyggt stöd för text och bilder, 128 experter, 17B aktiva och totalt 400B parametrar. Tillverkaren dokumenterar en 1M-kontext, flerspråkiga text- och kodutdata, visuell igenkänning, bildtextning och bildfrågor i en separat utgåva från Scout.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama 4 Maverick Instruct är Metas från grunden multimodala modell för assistentliknande samtal och visuellt resonemang. Den tar emot flerspråkig text och bilder och genererar flerspråkig text eller kod. Dess mixture-of-experts-arkitektur använder tidig fusion och kombinerar den visuella och textuella informationen i modellen i stället för att behandla bilden som en orelaterad bildtext från en separat textassistent.
Modellinformation och kontext
Tillverkaren anger 128 experter, 17 miljarder aktiva parametrar och totalt 400 miljarder parametrar för Maverick. Detta skiljer sig från Scouts konfiguration med 16 experter och totalt 109B parametrar, även om båda har etiketten 17B för aktiv storlek. Namnet Instruct identifierar den assistentinriktade checkpointen snarare än den förtränade Maverick-modellen.
Modellkortet dokumenterar ett kontextfönster på 1M för Maverick. Använd kontexten för att hålla relevanta textavsnitt, bilder, samtal och det efterfrågade svaret tillsammans. En stor källsamling behöver fortfarande en definierad fråga och ett definierat arbetsresultat. Märk källdokumenten och bilderna och begär positionen som stöder varje extraherat fynd i stället för att be om en planlös sammanfattning av allt material.
De språk som stöds är arabiska, engelska, franska, tyska, hindi, indonesiska, italienska, portugisiska, spanska, tagalog, thailändska och vietnamesiska. Tillverkaren skiljer dessa tolv stödda språk från den bredare samling på cirka tvåhundra språk som används i förträningen. Förekomst som träningsspråk bör inte omvandlas till ett löfte om likvärdig förmåga på varje språk.
Uppgifter för chatt, bildförståelse och kod
Kortets avsedda visuella användningar omfattar igenkänning, bildresonemang, bildtextning och att besvara allmänna frågor om en bild. För ett fotografi ber du modellen identifiera objekten eller relationen som är relevant för uppgiften. För ett diagram begär du en jämförelse mellan namngivna serier, med axlar och enheter bevarade. För ett schema frågar du vilken märkt koppling som stöder ett tillhandahållet krav.
För en jämförelse mellan flera bilder identifierar du rollen för varje bild och begär samma kriterier för dem alla. Tillhandahåll till exempel en ursprunglig design och en bearbetning och begär sedan synliga överensstämmelser, skillnader och detaljer som bilderna inte fastställer. Håll observationerna åtskilda från slutsatser som beror på den medföljande texten. Det gör utdata lättare att granska mot den faktiska källan.
Tillverkaren rapporterar tester av bildförståelse med upp till fem indatabilder. Detta är den dokumenterade testomfattningen, inte en ovillkorlig hård maxgräns för antalet bilder. Bevara detaljerna som behövs för frågan och bildernas ordning. Att lägga till ett stort antal orelaterade bilder definierar inte i sig vad som ska jämföras.
För en koduppgift tillhandahåller du kravet, relevant källkod och förväntat beteende. Be om den föreslagna implementationen separat från dess antaganden och exempel. En skärmbild kan tillhandahålla visuella krav, medan det textuella villkoret tillhandahåller beteende som skärmbilden inte kan visa. Genererad kod är ett textresultat; att köra den, granska ett renderat gränssnitt eller tillämpa den i ett kodarkiv kräver den anslutna miljön.
Konversationsförberedelse och träning
Modellkortet visar den matchande processorn och chattmallen med två bilder och en skriftlig jämförelsefråga. Håll konversationsroller och kopplingen mellan bild och text uttryckliga. En systeminstruktion kan definiera målgrupp, ton och svarsstruktur, medan användarmeddelandet tillhandahåller den faktiska uppgiften och underlaget. Tillverkaren beskriver efterträningsförbättringar i styrbarhet via systemprompt och konversationsformatering.
Maverick är förtränad på cirka 22 biljoner token multimodala data, med angivet slutdatum för förträningsdatan i augusti 2024. Detta är en statisk träningsdatagräns snarare än direkt tillgång till aktuell information. När en fråga beror på nyare eller privat material tillhandahåller du det materialet som källkontext eller genom en separat ansluten hämtningsåtgärd.
Utgåvan omfattar BF16-vikter och separat kvantiserade FP8-vikter. Dessa precisionsval skapar ingen annan indatamodalitet och ger inte Maverick Scouts 10M-kontext. Bevara den exakta Instruct-checkpointen och dess konfiguration när en upprepad uppgift eller en härledd driftsättning jämförs.
Praktisk utformning av resultat
En dokumentbildsuppgift kan begära källidentifierare, synligt påstående, extraherat värde och tolkning som separata fält. En samtalsförklaring kan behålla originaltermerna och anpassa prosan till läsarens stödda språk. En kodbegäran kan returnera det reviderade kodavsnittet och exempel som särskiljer dess avsedda beteende.
Definiera hur slutresultatet ska användas innan materialet tillhandahålls. En kort bildtext, en jämförelsetabell och ett föreslaget program löser olika uppgifter även när de delar samma bilder. Modellens visuella och språkliga funktioner tillhandahåller tolkningen och texten; extern hämtning, exekvering eller filproduktion kommer från applikationskomponenter.
Specifika avgränsningar
De dokumenterade indata här är text och bilder, med text- och kodutdata. Ljud- eller videoförståelse, talgenerering och Muse Sparks namngivna reglage för resonemangsinsats bör inte tilldelas denna Maverick-utgåva. Llama Guard är också en separat tränad klassificerare snarare än automatiska klassificerarutdata från ett Maverick-svar.
Kortets genereringsexempel med 256 token är en exempelinställning, och de lästa källorna fastställer ingen separat hård maxgräns för utdatatoken utöver modellens kontextspecifikation. Håll Maverick-identiteten, omfattningen av språkstödet och det källkopplade slutresultatet uttryckliga i stället för att låna gränser eller lägen från en annan Llama-utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser llama-4-maverick | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
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 |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
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 $0.000375 / 1K token Utdata · Utdatatoken $0.001305 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.000375 / 1K token Utdata · Utdatatoken $0.001305 / 1K token Indata · Cacheläsning $0.0001 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick är Metas Instruct-modell med inbyggt stöd för text och bilder, 128 experter, 17B aktiva och totalt 400B parametrar. Tillverkaren dokumenterar en 1M-kontext, flerspråkiga text- och kodutdata, visuell igenkänning, bildtextning och bildfrågor i en separat utgåva från Scout.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama 4 Maverick Instruct är Metas från grunden multimodala modell för assistentliknande samtal och visuellt resonemang. Den tar emot flerspråkig text och bilder och genererar flerspråkig text eller kod. Dess mixture-of-experts-arkitektur använder tidig fusion och kombinerar den visuella och textuella informationen i modellen i stället för att behandla bilden som en orelaterad bildtext från en separat textassistent.
Modellinformation och kontext
Tillverkaren anger 128 experter, 17 miljarder aktiva parametrar och totalt 400 miljarder parametrar för Maverick. Detta skiljer sig från Scouts konfiguration med 16 experter och totalt 109B parametrar, även om båda har etiketten 17B för aktiv storlek. Namnet Instruct identifierar den assistentinriktade checkpointen snarare än den förtränade Maverick-modellen.
Modellkortet dokumenterar ett kontextfönster på 1M för Maverick. Använd kontexten för att hålla relevanta textavsnitt, bilder, samtal och det efterfrågade svaret tillsammans. En stor källsamling behöver fortfarande en definierad fråga och ett definierat arbetsresultat. Märk källdokumenten och bilderna och begär positionen som stöder varje extraherat fynd i stället för att be om en planlös sammanfattning av allt material.
De språk som stöds är arabiska, engelska, franska, tyska, hindi, indonesiska, italienska, portugisiska, spanska, tagalog, thailändska och vietnamesiska. Tillverkaren skiljer dessa tolv stödda språk från den bredare samling på cirka tvåhundra språk som används i förträningen. Förekomst som träningsspråk bör inte omvandlas till ett löfte om likvärdig förmåga på varje språk.
Uppgifter för chatt, bildförståelse och kod
Kortets avsedda visuella användningar omfattar igenkänning, bildresonemang, bildtextning och att besvara allmänna frågor om en bild. För ett fotografi ber du modellen identifiera objekten eller relationen som är relevant för uppgiften. För ett diagram begär du en jämförelse mellan namngivna serier, med axlar och enheter bevarade. För ett schema frågar du vilken märkt koppling som stöder ett tillhandahållet krav.
För en jämförelse mellan flera bilder identifierar du rollen för varje bild och begär samma kriterier för dem alla. Tillhandahåll till exempel en ursprunglig design och en bearbetning och begär sedan synliga överensstämmelser, skillnader och detaljer som bilderna inte fastställer. Håll observationerna åtskilda från slutsatser som beror på den medföljande texten. Det gör utdata lättare att granska mot den faktiska källan.
Tillverkaren rapporterar tester av bildförståelse med upp till fem indatabilder. Detta är den dokumenterade testomfattningen, inte en ovillkorlig hård maxgräns för antalet bilder. Bevara detaljerna som behövs för frågan och bildernas ordning. Att lägga till ett stort antal orelaterade bilder definierar inte i sig vad som ska jämföras.
För en koduppgift tillhandahåller du kravet, relevant källkod och förväntat beteende. Be om den föreslagna implementationen separat från dess antaganden och exempel. En skärmbild kan tillhandahålla visuella krav, medan det textuella villkoret tillhandahåller beteende som skärmbilden inte kan visa. Genererad kod är ett textresultat; att köra den, granska ett renderat gränssnitt eller tillämpa den i ett kodarkiv kräver den anslutna miljön.
Konversationsförberedelse och träning
Modellkortet visar den matchande processorn och chattmallen med två bilder och en skriftlig jämförelsefråga. Håll konversationsroller och kopplingen mellan bild och text uttryckliga. En systeminstruktion kan definiera målgrupp, ton och svarsstruktur, medan användarmeddelandet tillhandahåller den faktiska uppgiften och underlaget. Tillverkaren beskriver efterträningsförbättringar i styrbarhet via systemprompt och konversationsformatering.
Maverick är förtränad på cirka 22 biljoner token multimodala data, med angivet slutdatum för förträningsdatan i augusti 2024. Detta är en statisk träningsdatagräns snarare än direkt tillgång till aktuell information. När en fråga beror på nyare eller privat material tillhandahåller du det materialet som källkontext eller genom en separat ansluten hämtningsåtgärd.
Utgåvan omfattar BF16-vikter och separat kvantiserade FP8-vikter. Dessa precisionsval skapar ingen annan indatamodalitet och ger inte Maverick Scouts 10M-kontext. Bevara den exakta Instruct-checkpointen och dess konfiguration när en upprepad uppgift eller en härledd driftsättning jämförs.
Praktisk utformning av resultat
En dokumentbildsuppgift kan begära källidentifierare, synligt påstående, extraherat värde och tolkning som separata fält. En samtalsförklaring kan behålla originaltermerna och anpassa prosan till läsarens stödda språk. En kodbegäran kan returnera det reviderade kodavsnittet och exempel som särskiljer dess avsedda beteende.
Definiera hur slutresultatet ska användas innan materialet tillhandahålls. En kort bildtext, en jämförelsetabell och ett föreslaget program löser olika uppgifter även när de delar samma bilder. Modellens visuella och språkliga funktioner tillhandahåller tolkningen och texten; extern hämtning, exekvering eller filproduktion kommer från applikationskomponenter.
Specifika avgränsningar
De dokumenterade indata här är text och bilder, med text- och kodutdata. Ljud- eller videoförståelse, talgenerering och Muse Sparks namngivna reglage för resonemangsinsats bör inte tilldelas denna Maverick-utgåva. Llama Guard är också en separat tränad klassificerare snarare än automatiska klassificerarutdata från ett Maverick-svar.
Kortets genereringsexempel med 256 token är en exempelinställning, och de lästa källorna fastställer ingen separat hård maxgräns för utdatatoken utöver modellens kontextspecifikation. Håll Maverick-identiteten, omfattningen av språkstödet och det källkopplade slutresultatet uttryckliga i stället för att låna gränser eller lägen från en annan Llama-utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser llama-4-maverick | 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 $0.000375 / 1K token Utdata · Utdatatoken $0.001305 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.000375 / 1K token Utdata · Utdatatoken $0.001305 / 1K token Indata · Cacheläsning $0.0001 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'llama-4-maverick', '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': 'llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick är Metas Instruct-modell med inbyggt stöd för text och bilder, 128 experter, 17B aktiva och totalt 400B parametrar. Tillverkaren dokumenterar en 1M-kontext, flerspråkiga text- och kodutdata, visuell igenkänning, bildtextning och bildfrågor i en separat utgåva från Scout.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama 4 Maverick Instruct är Metas från grunden multimodala modell för assistentliknande samtal och visuellt resonemang. Den tar emot flerspråkig text och bilder och genererar flerspråkig text eller kod. Dess mixture-of-experts-arkitektur använder tidig fusion och kombinerar den visuella och textuella informationen i modellen i stället för att behandla bilden som en orelaterad bildtext från en separat textassistent.
Modellinformation och kontext
Tillverkaren anger 128 experter, 17 miljarder aktiva parametrar och totalt 400 miljarder parametrar för Maverick. Detta skiljer sig från Scouts konfiguration med 16 experter och totalt 109B parametrar, även om båda har etiketten 17B för aktiv storlek. Namnet Instruct identifierar den assistentinriktade checkpointen snarare än den förtränade Maverick-modellen.
Modellkortet dokumenterar ett kontextfönster på 1M för Maverick. Använd kontexten för att hålla relevanta textavsnitt, bilder, samtal och det efterfrågade svaret tillsammans. En stor källsamling behöver fortfarande en definierad fråga och ett definierat arbetsresultat. Märk källdokumenten och bilderna och begär positionen som stöder varje extraherat fynd i stället för att be om en planlös sammanfattning av allt material.
De språk som stöds är arabiska, engelska, franska, tyska, hindi, indonesiska, italienska, portugisiska, spanska, tagalog, thailändska och vietnamesiska. Tillverkaren skiljer dessa tolv stödda språk från den bredare samling på cirka tvåhundra språk som används i förträningen. Förekomst som träningsspråk bör inte omvandlas till ett löfte om likvärdig förmåga på varje språk.
Uppgifter för chatt, bildförståelse och kod
Kortets avsedda visuella användningar omfattar igenkänning, bildresonemang, bildtextning och att besvara allmänna frågor om en bild. För ett fotografi ber du modellen identifiera objekten eller relationen som är relevant för uppgiften. För ett diagram begär du en jämförelse mellan namngivna serier, med axlar och enheter bevarade. För ett schema frågar du vilken märkt koppling som stöder ett tillhandahållet krav.
För en jämförelse mellan flera bilder identifierar du rollen för varje bild och begär samma kriterier för dem alla. Tillhandahåll till exempel en ursprunglig design och en bearbetning och begär sedan synliga överensstämmelser, skillnader och detaljer som bilderna inte fastställer. Håll observationerna åtskilda från slutsatser som beror på den medföljande texten. Det gör utdata lättare att granska mot den faktiska källan.
Tillverkaren rapporterar tester av bildförståelse med upp till fem indatabilder. Detta är den dokumenterade testomfattningen, inte en ovillkorlig hård maxgräns för antalet bilder. Bevara detaljerna som behövs för frågan och bildernas ordning. Att lägga till ett stort antal orelaterade bilder definierar inte i sig vad som ska jämföras.
För en koduppgift tillhandahåller du kravet, relevant källkod och förväntat beteende. Be om den föreslagna implementationen separat från dess antaganden och exempel. En skärmbild kan tillhandahålla visuella krav, medan det textuella villkoret tillhandahåller beteende som skärmbilden inte kan visa. Genererad kod är ett textresultat; att köra den, granska ett renderat gränssnitt eller tillämpa den i ett kodarkiv kräver den anslutna miljön.
Konversationsförberedelse och träning
Modellkortet visar den matchande processorn och chattmallen med två bilder och en skriftlig jämförelsefråga. Håll konversationsroller och kopplingen mellan bild och text uttryckliga. En systeminstruktion kan definiera målgrupp, ton och svarsstruktur, medan användarmeddelandet tillhandahåller den faktiska uppgiften och underlaget. Tillverkaren beskriver efterträningsförbättringar i styrbarhet via systemprompt och konversationsformatering.
Maverick är förtränad på cirka 22 biljoner token multimodala data, med angivet slutdatum för förträningsdatan i augusti 2024. Detta är en statisk träningsdatagräns snarare än direkt tillgång till aktuell information. När en fråga beror på nyare eller privat material tillhandahåller du det materialet som källkontext eller genom en separat ansluten hämtningsåtgärd.
Utgåvan omfattar BF16-vikter och separat kvantiserade FP8-vikter. Dessa precisionsval skapar ingen annan indatamodalitet och ger inte Maverick Scouts 10M-kontext. Bevara den exakta Instruct-checkpointen och dess konfiguration när en upprepad uppgift eller en härledd driftsättning jämförs.
Praktisk utformning av resultat
En dokumentbildsuppgift kan begära källidentifierare, synligt påstående, extraherat värde och tolkning som separata fält. En samtalsförklaring kan behålla originaltermerna och anpassa prosan till läsarens stödda språk. En kodbegäran kan returnera det reviderade kodavsnittet och exempel som särskiljer dess avsedda beteende.
Definiera hur slutresultatet ska användas innan materialet tillhandahålls. En kort bildtext, en jämförelsetabell och ett föreslaget program löser olika uppgifter även när de delar samma bilder. Modellens visuella och språkliga funktioner tillhandahåller tolkningen och texten; extern hämtning, exekvering eller filproduktion kommer från applikationskomponenter.
Specifika avgränsningar
De dokumenterade indata här är text och bilder, med text- och kodutdata. Ljud- eller videoförståelse, talgenerering och Muse Sparks namngivna reglage för resonemangsinsats bör inte tilldelas denna Maverick-utgåva. Llama Guard är också en separat tränad klassificerare snarare än automatiska klassificerarutdata från ett Maverick-svar.
Kortets genereringsexempel med 256 token är en exempelinställning, och de lästa källorna fastställer ingen separat hård maxgräns för utdatatoken utöver modellens kontextspecifikation. Håll Maverick-identiteten, omfattningen av språkstödet och det källkopplade slutresultatet uttryckliga i stället för att låna gränser eller lägen från en annan Llama-utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta-llama/llama-4-maverick | 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 $0.000375 / 1K token Utdata · Utdatatoken $0.001305 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.000375 / 1K token Utdata · Utdatatoken $0.001305 / 1K token Indata · Cacheläsning $0.0001 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick är Metas Instruct-modell med inbyggt stöd för text och bilder, 128 experter, 17B aktiva och totalt 400B parametrar. Tillverkaren dokumenterar en 1M-kontext, flerspråkiga text- och kodutdata, visuell igenkänning, bildtextning och bildfrågor i en separat utgåva från Scout.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama 4 Maverick Instruct är Metas från grunden multimodala modell för assistentliknande samtal och visuellt resonemang. Den tar emot flerspråkig text och bilder och genererar flerspråkig text eller kod. Dess mixture-of-experts-arkitektur använder tidig fusion och kombinerar den visuella och textuella informationen i modellen i stället för att behandla bilden som en orelaterad bildtext från en separat textassistent.
Modellinformation och kontext
Tillverkaren anger 128 experter, 17 miljarder aktiva parametrar och totalt 400 miljarder parametrar för Maverick. Detta skiljer sig från Scouts konfiguration med 16 experter och totalt 109B parametrar, även om båda har etiketten 17B för aktiv storlek. Namnet Instruct identifierar den assistentinriktade checkpointen snarare än den förtränade Maverick-modellen.
Modellkortet dokumenterar ett kontextfönster på 1M för Maverick. Använd kontexten för att hålla relevanta textavsnitt, bilder, samtal och det efterfrågade svaret tillsammans. En stor källsamling behöver fortfarande en definierad fråga och ett definierat arbetsresultat. Märk källdokumenten och bilderna och begär positionen som stöder varje extraherat fynd i stället för att be om en planlös sammanfattning av allt material.
De språk som stöds är arabiska, engelska, franska, tyska, hindi, indonesiska, italienska, portugisiska, spanska, tagalog, thailändska och vietnamesiska. Tillverkaren skiljer dessa tolv stödda språk från den bredare samling på cirka tvåhundra språk som används i förträningen. Förekomst som träningsspråk bör inte omvandlas till ett löfte om likvärdig förmåga på varje språk.
Uppgifter för chatt, bildförståelse och kod
Kortets avsedda visuella användningar omfattar igenkänning, bildresonemang, bildtextning och att besvara allmänna frågor om en bild. För ett fotografi ber du modellen identifiera objekten eller relationen som är relevant för uppgiften. För ett diagram begär du en jämförelse mellan namngivna serier, med axlar och enheter bevarade. För ett schema frågar du vilken märkt koppling som stöder ett tillhandahållet krav.
För en jämförelse mellan flera bilder identifierar du rollen för varje bild och begär samma kriterier för dem alla. Tillhandahåll till exempel en ursprunglig design och en bearbetning och begär sedan synliga överensstämmelser, skillnader och detaljer som bilderna inte fastställer. Håll observationerna åtskilda från slutsatser som beror på den medföljande texten. Det gör utdata lättare att granska mot den faktiska källan.
Tillverkaren rapporterar tester av bildförståelse med upp till fem indatabilder. Detta är den dokumenterade testomfattningen, inte en ovillkorlig hård maxgräns för antalet bilder. Bevara detaljerna som behövs för frågan och bildernas ordning. Att lägga till ett stort antal orelaterade bilder definierar inte i sig vad som ska jämföras.
För en koduppgift tillhandahåller du kravet, relevant källkod och förväntat beteende. Be om den föreslagna implementationen separat från dess antaganden och exempel. En skärmbild kan tillhandahålla visuella krav, medan det textuella villkoret tillhandahåller beteende som skärmbilden inte kan visa. Genererad kod är ett textresultat; att köra den, granska ett renderat gränssnitt eller tillämpa den i ett kodarkiv kräver den anslutna miljön.
Konversationsförberedelse och träning
Modellkortet visar den matchande processorn och chattmallen med två bilder och en skriftlig jämförelsefråga. Håll konversationsroller och kopplingen mellan bild och text uttryckliga. En systeminstruktion kan definiera målgrupp, ton och svarsstruktur, medan användarmeddelandet tillhandahåller den faktiska uppgiften och underlaget. Tillverkaren beskriver efterträningsförbättringar i styrbarhet via systemprompt och konversationsformatering.
Maverick är förtränad på cirka 22 biljoner token multimodala data, med angivet slutdatum för förträningsdatan i augusti 2024. Detta är en statisk träningsdatagräns snarare än direkt tillgång till aktuell information. När en fråga beror på nyare eller privat material tillhandahåller du det materialet som källkontext eller genom en separat ansluten hämtningsåtgärd.
Utgåvan omfattar BF16-vikter och separat kvantiserade FP8-vikter. Dessa precisionsval skapar ingen annan indatamodalitet och ger inte Maverick Scouts 10M-kontext. Bevara den exakta Instruct-checkpointen och dess konfiguration när en upprepad uppgift eller en härledd driftsättning jämförs.
Praktisk utformning av resultat
En dokumentbildsuppgift kan begära källidentifierare, synligt påstående, extraherat värde och tolkning som separata fält. En samtalsförklaring kan behålla originaltermerna och anpassa prosan till läsarens stödda språk. En kodbegäran kan returnera det reviderade kodavsnittet och exempel som särskiljer dess avsedda beteende.
Definiera hur slutresultatet ska användas innan materialet tillhandahålls. En kort bildtext, en jämförelsetabell och ett föreslaget program löser olika uppgifter även när de delar samma bilder. Modellens visuella och språkliga funktioner tillhandahåller tolkningen och texten; extern hämtning, exekvering eller filproduktion kommer från applikationskomponenter.
Specifika avgränsningar
De dokumenterade indata här är text och bilder, med text- och kodutdata. Ljud- eller videoförståelse, talgenerering och Muse Sparks namngivna reglage för resonemangsinsats bör inte tilldelas denna Maverick-utgåva. Llama Guard är också en separat tränad klassificerare snarare än automatiska klassificerarutdata från ett Maverick-svar.
Kortets genereringsexempel med 256 token är en exempelinställning, och de lästa källorna fastställer ingen separat hård maxgräns för utdatatoken utöver modellens kontextspecifikation. Håll Maverick-identiteten, omfattningen av språkstödet och det källkopplade slutresultatet uttryckliga i stället för att låna gränser eller lägen från en annan Llama-utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta-llama/llama-4-maverick | 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 $0.000375 / 1K token Utdata · Utdatatoken $0.001305 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.000375 / 1K token Utdata · Utdatatoken $0.001305 / 1K token Indata · Cacheläsning $0.0001 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', '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 llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
Tekniskt exempel på engelska
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.