Llama Guard 4 12B är Metas från grunden multimodala säkerhetsklassificerare med 12 miljarder parametrar. Den tränas gemensamt på text och flera bilder och genererar en textklassificering: safe eller unsafe, med överträdda riskkategorier när resultatet är unsafe. Syftet är att bedöma innehåll i en prompt eller ett genererat svar snarare än att agera allmän chattassistent.
Klassificering av promptar och svar
Modellen kan klassificera material innan det skickas till en generativ modell, efter att den modellen har producerat ett svar eller vid båda tidpunkterna. Detta är olika frågor. Promptklassificering bedömer användarens indata, medan svarsklassificering bedömer vad en assistent faktiskt skrev. Ett system kan därför skilja en riskfylld begäran från ett svar som hanterar begäran på ett acceptabelt sätt enligt klassificerarens taxonomi.
Tillhandahåll det exakta innehållet som ska klassificeras med konversationsroller och relevant kontext. Om målet är ett svar behåller du frågan som ger svaret dess innebörd. För blandade text- och bildindata inkluderar du bilderna som hör till prompten i stället för att klassificera orelaterad text eller en godtyckligt vald bild. Klassificerarens resultat är information för applikationens regel- eller granskningssteg; det blockerar inte i sig en begäran eller ändrar en fil.
Fjorton riskkategorier
Tillverkaren anpassar klassificeraren till MLCommons risktaxonomi och lägger till en rent textbaserad kategori för kodtolk. De fjorton etiketterna omfattar våldsbrott, icke-våldsbrott, sexualbrott, sexuell exploatering av barn, förtal, specialistrådgivning, integritet, immateriella rättigheter, urskillningslösa vapen, hat, självmord och självskada, sexuellt innehåll, val och missbruk av kodtolk.
Kategorierna använder identifierarna S1 till S14. S14, Code Interpreter Abuse, är specifikt avsedd för rent textbaserade användningsfall med verktygsanrop. Behåll taxonomiidentifieraren tillsammans med safe/unsafe-resultatet så att ett senare applikationssteg kan tolka klassificeringen enligt samma kategoridefinitioner. Ett kort resultat är en kategoribedömning, inte en fullständig förklaring, ett rättsligt avgörande eller en garanti för att varje möjlig skada har upptäckts.
Som formatillustration kan en unsafe-klassificering följas av den tillämpliga kategoriidentifieraren. Behåll den ursprungliga bedömda texten, dess källa eller konversationsposition och de returnerade etiketterna tillsammans. Den kopplingen låter en applikation skilja det granskade innehållet från ett senare omskrivet svar eller en separat prompt.
Arkitektur och träning
Llama Guard 4 har en tät Transformer-arkitektur med tidig fusion, beskuren från en förtränad checkpoint av Llama 4 Scout. Tillverkaren tar bort routade experter och routerlager och behåller den gemensamma täta experten och eftertränar sedan den resulterande modellen för innehållsklassificering. Ingen ytterligare förträning utförs efter beskärningssteget. Detta skapar en annan modell än Scouts mixture-of-experts-utgåva för chatt.
Modellen delar Llama 4:s tokenizer och bildkodare och kombinerar rent textbaserad och multimodal klassificeringsträning. Tillverkaren beskriver flerspråkiga data och träning med flera bilder, där de flesta sådana exempel innehåller två till fem bilder och en ungefärlig blandning på tre till ett mellan rent textbaserade och multimodala data. Detta är träningsegenskaper, inte hårda gränser för antalet indata.
Den dokumenterade flerspråkiga omfattningen följer de språk som stöds av Llama Guard 3, och kortet diskuterar engelska tillsammans med franska, tyska, hindi, italienska, portugisiska, spanska och thailändska. En klassificeringsbegäran bör bevara den faktiska ordalydelsen och visuella kontexten på språket som bedöms i stället för att ersätta innehållet med en orelaterad sammanfattning.
Förbered ett användbart klassificeringsresultat
För en indatakontroll tillhandahåller du användarens meddelande och tillhörande bilder och ber om promptklassificeringen i tillverkarens format. För en utdatakontroll tillhandahåller du assistentens faktiska svar tillsammans med det relevanta tidigare meddelandet. Ett exempel med flera bilder kan behålla texten som kopplar samman bilderna så att modellen bedömer den kombinerade begäran snarare än oberoende fragment utan kontext.
Modellkortet visar hur den matchande konversationsmallen tillämpas och endast den genererade klassificeringen avkodas. Genereringsexemplet med tio token illustrerar ett kort etikettresultat; talet är ingen separat maximal svarskapacitet. Håll det begärda resultatet i linje med klassificerarens syfte i stället för att be den skriva ett vanligt samtalssvar.
Specifika begränsningar
Tillverkaren anger att bedömningar kan begränsas av modellens träningsdata, allmänna omdöme, språktäckning och policytäckning. Kategorier som gäller förtal, immateriella rättigheter och val kan kräva faktisk, aktuell kunskap som klassificeraren kanske inte har. Kategorietiketten bör därför behålla sin relation till innehållet och den information som var tillgänglig för bedömningen.
Kortet rapporterar tester främst på promptar med några få bilder, oftast tre, och anger att beteendet kan variera med en mycket större bildsamling. Detta beskriver testomfattningen snarare än en allmän maxgräns på tre bilder. Modellen kan också vara mottaglig för adversariellt innehåll eller promptinjektion som ändrar dess avsedda beteende.
Llama Guard 4:s klassificerarroll bör inte ärva Scouts kontextspecifikation eller allmänna assistentfunktioner bara för att den beskurits från Scout. Det lästa kortet ger ingen separat hård kontext- eller utdatatokenkapacitet för denna klassificerare. Bevara det bedömda materialet och taxonomietiketterna som det praktiska arbetsresultatet och låt applikationen avgöra vilken åtgärd som kopplas till resultatet.
", "aboutText": "Llama Guard 4 12B är Metas från grunden multimodala säkerhetsklassificerare med 12 miljarder parametrar. Den tränas gemensamt på text och flera bilder och genererar en textklassificering: safe eller unsafe, med överträdda riskkategorier när resultatet är unsafe. Syftet är att bedöma innehåll i en prompt eller ett genererat svar snarare än att agera allmän chattassistent.\n\nKlassificering av promptar och svar\n\nModellen kan klassificera material innan det skickas till en generativ modell, efter att den modellen har producerat ett svar eller vid båda tidpunkterna. Detta är olika frågor. Promptklassificering bedömer användarens indata, medan svarsklassificering bedömer vad en assistent faktiskt skrev. Ett system kan därför skilja en riskfylld begäran från ett svar som hanterar begäran på ett acceptabelt sätt enligt klassificerarens taxonomi.\n\nTillhandahåll det exakta innehållet som ska klassificeras med konversationsroller och relevant kontext. Om målet är ett svar behåller du frågan som ger svaret dess innebörd. För blandade text- och bildindata inkluderar du bilderna som hör till prompten i stället för att klassificera orelaterad text eller en godtyckligt vald bild. Klassificerarens resultat är information för applikationens regel- eller granskningssteg; det blockerar inte i sig en begäran eller ändrar en fil.\n\nFjorton riskkategorier\n\nTillverkaren anpassar klassificeraren till MLCommons risktaxonomi och lägger till en rent textbaserad kategori för kodtolk. De fjorton etiketterna omfattar våldsbrott, icke-våldsbrott, sexualbrott, sexuell exploatering av barn, förtal, specialistrådgivning, integritet, immateriella rättigheter, urskillningslösa vapen, hat, självmord och självskada, sexuellt innehåll, val och missbruk av kodtolk.\n\nKategorierna använder identifierarna S1 till S14. S14, Code Interpreter Abuse, är specifikt avsedd för rent textbaserade användningsfall med verktygsanrop. Behåll taxonomiidentifieraren tillsammans med safe/unsafe-resultatet så att ett senare applikationssteg kan tolka klassificeringen enligt samma kategoridefinitioner. Ett kort resultat är en kategoribedömning, inte en fullständig förklaring, ett rättsligt avgörande eller en garanti för att varje möjlig skada har upptäckts.\n\nSom formatillustration kan en unsafe-klassificering följas av den tillämpliga kategoriidentifieraren. Behåll den ursprungliga bedömda texten, dess källa eller konversationsposition och de returnerade etiketterna tillsammans. Den kopplingen låter en applikation skilja det granskade innehållet från ett senare omskrivet svar eller en separat prompt.\n\nArkitektur och träning\n\nLlama Guard 4 har en tät Transformer-arkitektur med tidig fusion, beskuren från en förtränad checkpoint av Llama 4 Scout. Tillverkaren tar bort routade experter och routerlager och behåller den gemensamma täta experten och eftertränar sedan den resulterande modellen för innehållsklassificering. Ingen ytterligare förträning utförs efter beskärningssteget. Detta skapar en annan modell än Scouts mixture-of-experts-utgåva för chatt.\n\nModellen delar Llama 4:s tokenizer och bildkodare och kombinerar rent textbaserad och multimodal klassificeringsträning. Tillverkaren beskriver flerspråkiga data och träning med flera bilder, där de flesta sådana exempel innehåller två till fem bilder och en ungefärlig blandning på tre till ett mellan rent textbaserade och multimodala data. Detta är träningsegenskaper, inte hårda gränser för antalet indata.\n\nDen dokumenterade flerspråkiga omfattningen följer de språk som stöds av Llama Guard 3, och kortet diskuterar engelska tillsammans med franska, tyska, hindi, italienska, portugisiska, spanska och thailändska. En klassificeringsbegäran bör bevara den faktiska ordalydelsen och visuella kontexten på språket som bedöms i stället för att ersätta innehållet med en orelaterad sammanfattning.\n\nFörbered ett användbart klassificeringsresultat\n\nFör en indatakontroll tillhandahåller du användarens meddelande och tillhörande bilder och ber om promptklassificeringen i tillverkarens format. För en utdatakontroll tillhandahåller du assistentens faktiska svar tillsammans med det relevanta tidigare meddelandet. Ett exempel med flera bilder kan behålla texten som kopplar samman bilderna så att modellen bedömer den kombinerade begäran snarare än oberoende fragment utan kontext.\n\nModellkortet visar hur den matchande konversationsmallen tillämpas och endast den genererade klassificeringen avkodas. Genereringsexemplet med tio token illustrerar ett kort etikettresultat; talet är ingen separat maximal svarskapacitet. Håll det begärda resultatet i linje med klassificerarens syfte i stället för att be den skriva ett vanligt samtalssvar.\n\nSpecifika begränsningar\n\nTillverkaren anger att bedömningar kan begränsas av modellens träningsdata, allmänna omdöme, språktäckning och policytäckning. Kategorier som gäller förtal, immateriella rättigheter och val kan kräva faktisk, aktuell kunskap som klassificeraren kanske inte har. Kategorietiketten bör därför behålla sin relation till innehållet och den information som var tillgänglig för bedömningen.\n\nKortet rapporterar tester främst på promptar med några få bilder, oftast tre, och anger att beteendet kan variera med en mycket större bildsamling. Detta beskriver testomfattningen snarare än en allmän maxgräns på tre bilder. Modellen kan också vara mottaglig för adversariellt innehåll eller promptinjektion som ändrar dess avsedda beteende.\n\nLlama Guard 4:s klassificerarroll bör inte ärva Scouts kontextspecifikation eller allmänna assistentfunktioner bara för att den beskurits från Scout. Det lästa kortet ger ingen separat hård kontext- eller utdatatokenkapacitet för denna klassificerare. Bevara det bedömda materialet och taxonomietiketterna som det praktiska arbetsresultatet och låt applikationen avgöra vilken åtgärd som kopplas till resultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B är Metas multimodala innehållsklassificerare för promptar och genererade svar. Den analyserar text med en eller flera bilder och returnerar en safe/unsafe-etikett samt tillämpliga riskkategorier, med en tät arkitektur beskuren från Llama 4 Scout.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama Guard 4 12B är Metas från grunden multimodala säkerhetsklassificerare med 12 miljarder parametrar. Den tränas gemensamt på text och flera bilder och genererar en textklassificering: safe eller unsafe, med överträdda riskkategorier när resultatet är unsafe. Syftet är att bedöma innehåll i en prompt eller ett genererat svar snarare än att agera allmän chattassistent.
Klassificering av promptar och svar
Modellen kan klassificera material innan det skickas till en generativ modell, efter att den modellen har producerat ett svar eller vid båda tidpunkterna. Detta är olika frågor. Promptklassificering bedömer användarens indata, medan svarsklassificering bedömer vad en assistent faktiskt skrev. Ett system kan därför skilja en riskfylld begäran från ett svar som hanterar begäran på ett acceptabelt sätt enligt klassificerarens taxonomi.
Tillhandahåll det exakta innehållet som ska klassificeras med konversationsroller och relevant kontext. Om målet är ett svar behåller du frågan som ger svaret dess innebörd. För blandade text- och bildindata inkluderar du bilderna som hör till prompten i stället för att klassificera orelaterad text eller en godtyckligt vald bild. Klassificerarens resultat är information för applikationens regel- eller granskningssteg; det blockerar inte i sig en begäran eller ändrar en fil.
Fjorton riskkategorier
Tillverkaren anpassar klassificeraren till MLCommons risktaxonomi och lägger till en rent textbaserad kategori för kodtolk. De fjorton etiketterna omfattar våldsbrott, icke-våldsbrott, sexualbrott, sexuell exploatering av barn, förtal, specialistrådgivning, integritet, immateriella rättigheter, urskillningslösa vapen, hat, självmord och självskada, sexuellt innehåll, val och missbruk av kodtolk.
Kategorierna använder identifierarna S1 till S14. S14, Code Interpreter Abuse, är specifikt avsedd för rent textbaserade användningsfall med verktygsanrop. Behåll taxonomiidentifieraren tillsammans med safe/unsafe-resultatet så att ett senare applikationssteg kan tolka klassificeringen enligt samma kategoridefinitioner. Ett kort resultat är en kategoribedömning, inte en fullständig förklaring, ett rättsligt avgörande eller en garanti för att varje möjlig skada har upptäckts.
Som formatillustration kan en unsafe-klassificering följas av den tillämpliga kategoriidentifieraren. Behåll den ursprungliga bedömda texten, dess källa eller konversationsposition och de returnerade etiketterna tillsammans. Den kopplingen låter en applikation skilja det granskade innehållet från ett senare omskrivet svar eller en separat prompt.
Arkitektur och träning
Llama Guard 4 har en tät Transformer-arkitektur med tidig fusion, beskuren från en förtränad checkpoint av Llama 4 Scout. Tillverkaren tar bort routade experter och routerlager och behåller den gemensamma täta experten och eftertränar sedan den resulterande modellen för innehållsklassificering. Ingen ytterligare förträning utförs efter beskärningssteget. Detta skapar en annan modell än Scouts mixture-of-experts-utgåva för chatt.
Modellen delar Llama 4:s tokenizer och bildkodare och kombinerar rent textbaserad och multimodal klassificeringsträning. Tillverkaren beskriver flerspråkiga data och träning med flera bilder, där de flesta sådana exempel innehåller två till fem bilder och en ungefärlig blandning på tre till ett mellan rent textbaserade och multimodala data. Detta är träningsegenskaper, inte hårda gränser för antalet indata.
Den dokumenterade flerspråkiga omfattningen följer de språk som stöds av Llama Guard 3, och kortet diskuterar engelska tillsammans med franska, tyska, hindi, italienska, portugisiska, spanska och thailändska. En klassificeringsbegäran bör bevara den faktiska ordalydelsen och visuella kontexten på språket som bedöms i stället för att ersätta innehållet med en orelaterad sammanfattning.
Förbered ett användbart klassificeringsresultat
För en indatakontroll tillhandahåller du användarens meddelande och tillhörande bilder och ber om promptklassificeringen i tillverkarens format. För en utdatakontroll tillhandahåller du assistentens faktiska svar tillsammans med det relevanta tidigare meddelandet. Ett exempel med flera bilder kan behålla texten som kopplar samman bilderna så att modellen bedömer den kombinerade begäran snarare än oberoende fragment utan kontext.
Modellkortet visar hur den matchande konversationsmallen tillämpas och endast den genererade klassificeringen avkodas. Genereringsexemplet med tio token illustrerar ett kort etikettresultat; talet är ingen separat maximal svarskapacitet. Håll det begärda resultatet i linje med klassificerarens syfte i stället för att be den skriva ett vanligt samtalssvar.
Specifika begränsningar
Tillverkaren anger att bedömningar kan begränsas av modellens träningsdata, allmänna omdöme, språktäckning och policytäckning. Kategorier som gäller förtal, immateriella rättigheter och val kan kräva faktisk, aktuell kunskap som klassificeraren kanske inte har. Kategorietiketten bör därför behålla sin relation till innehållet och den information som var tillgänglig för bedömningen.
Kortet rapporterar tester främst på promptar med några få bilder, oftast tre, och anger att beteendet kan variera med en mycket större bildsamling. Detta beskriver testomfattningen snarare än en allmän maxgräns på tre bilder. Modellen kan också vara mottaglig för adversariellt innehåll eller promptinjektion som ändrar dess avsedda beteende.
Llama Guard 4:s klassificerarroll bör inte ärva Scouts kontextspecifikation eller allmänna assistentfunktioner bara för att den beskurits från Scout. Det lästa kortet ger ingen separat hård kontext- eller utdatatokenkapacitet för denna klassificerare. Bevara det bedömda materialet och taxonomietiketterna som det praktiska arbetsresultatet och låt applikationen avgöra vilken åtgärd som kopplas till resultatet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00036 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-guard-4-12b", "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-guard-4-12b',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-guard-4-12b',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 meta-llama/llama-guard-4-12b
Använd metodsökvägarna som visas ovan.
meta-llama/llama-guard-4-12bLlama Guard 4 12B är Metas multimodala innehållsklassificerare för promptar och genererade svar. Den analyserar text med en eller flera bilder och returnerar en safe/unsafe-etikett samt tillämpliga riskkategorier, med en tät arkitektur beskuren från Llama 4 Scout.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Llama Guard 4 12B är Metas från grunden multimodala säkerhetsklassificerare med 12 miljarder parametrar. Den tränas gemensamt på text och flera bilder och genererar en textklassificering: safe eller unsafe, med överträdda riskkategorier när resultatet är unsafe. Syftet är att bedöma innehåll i en prompt eller ett genererat svar snarare än att agera allmän chattassistent.
Klassificering av promptar och svar
Modellen kan klassificera material innan det skickas till en generativ modell, efter att den modellen har producerat ett svar eller vid båda tidpunkterna. Detta är olika frågor. Promptklassificering bedömer användarens indata, medan svarsklassificering bedömer vad en assistent faktiskt skrev. Ett system kan därför skilja en riskfylld begäran från ett svar som hanterar begäran på ett acceptabelt sätt enligt klassificerarens taxonomi.
Tillhandahåll det exakta innehållet som ska klassificeras med konversationsroller och relevant kontext. Om målet är ett svar behåller du frågan som ger svaret dess innebörd. För blandade text- och bildindata inkluderar du bilderna som hör till prompten i stället för att klassificera orelaterad text eller en godtyckligt vald bild. Klassificerarens resultat är information för applikationens regel- eller granskningssteg; det blockerar inte i sig en begäran eller ändrar en fil.
Fjorton riskkategorier
Tillverkaren anpassar klassificeraren till MLCommons risktaxonomi och lägger till en rent textbaserad kategori för kodtolk. De fjorton etiketterna omfattar våldsbrott, icke-våldsbrott, sexualbrott, sexuell exploatering av barn, förtal, specialistrådgivning, integritet, immateriella rättigheter, urskillningslösa vapen, hat, självmord och självskada, sexuellt innehåll, val och missbruk av kodtolk.
Kategorierna använder identifierarna S1 till S14. S14, Code Interpreter Abuse, är specifikt avsedd för rent textbaserade användningsfall med verktygsanrop. Behåll taxonomiidentifieraren tillsammans med safe/unsafe-resultatet så att ett senare applikationssteg kan tolka klassificeringen enligt samma kategoridefinitioner. Ett kort resultat är en kategoribedömning, inte en fullständig förklaring, ett rättsligt avgörande eller en garanti för att varje möjlig skada har upptäckts.
Som formatillustration kan en unsafe-klassificering följas av den tillämpliga kategoriidentifieraren. Behåll den ursprungliga bedömda texten, dess källa eller konversationsposition och de returnerade etiketterna tillsammans. Den kopplingen låter en applikation skilja det granskade innehållet från ett senare omskrivet svar eller en separat prompt.
Arkitektur och träning
Llama Guard 4 har en tät Transformer-arkitektur med tidig fusion, beskuren från en förtränad checkpoint av Llama 4 Scout. Tillverkaren tar bort routade experter och routerlager och behåller den gemensamma täta experten och eftertränar sedan den resulterande modellen för innehållsklassificering. Ingen ytterligare förträning utförs efter beskärningssteget. Detta skapar en annan modell än Scouts mixture-of-experts-utgåva för chatt.
Modellen delar Llama 4:s tokenizer och bildkodare och kombinerar rent textbaserad och multimodal klassificeringsträning. Tillverkaren beskriver flerspråkiga data och träning med flera bilder, där de flesta sådana exempel innehåller två till fem bilder och en ungefärlig blandning på tre till ett mellan rent textbaserade och multimodala data. Detta är träningsegenskaper, inte hårda gränser för antalet indata.
Den dokumenterade flerspråkiga omfattningen följer de språk som stöds av Llama Guard 3, och kortet diskuterar engelska tillsammans med franska, tyska, hindi, italienska, portugisiska, spanska och thailändska. En klassificeringsbegäran bör bevara den faktiska ordalydelsen och visuella kontexten på språket som bedöms i stället för att ersätta innehållet med en orelaterad sammanfattning.
Förbered ett användbart klassificeringsresultat
För en indatakontroll tillhandahåller du användarens meddelande och tillhörande bilder och ber om promptklassificeringen i tillverkarens format. För en utdatakontroll tillhandahåller du assistentens faktiska svar tillsammans med det relevanta tidigare meddelandet. Ett exempel med flera bilder kan behålla texten som kopplar samman bilderna så att modellen bedömer den kombinerade begäran snarare än oberoende fragment utan kontext.
Modellkortet visar hur den matchande konversationsmallen tillämpas och endast den genererade klassificeringen avkodas. Genereringsexemplet med tio token illustrerar ett kort etikettresultat; talet är ingen separat maximal svarskapacitet. Håll det begärda resultatet i linje med klassificerarens syfte i stället för att be den skriva ett vanligt samtalssvar.
Specifika begränsningar
Tillverkaren anger att bedömningar kan begränsas av modellens träningsdata, allmänna omdöme, språktäckning och policytäckning. Kategorier som gäller förtal, immateriella rättigheter och val kan kräva faktisk, aktuell kunskap som klassificeraren kanske inte har. Kategorietiketten bör därför behålla sin relation till innehållet och den information som var tillgänglig för bedömningen.
Kortet rapporterar tester främst på promptar med några få bilder, oftast tre, och anger att beteendet kan variera med en mycket större bildsamling. Detta beskriver testomfattningen snarare än en allmän maxgräns på tre bilder. Modellen kan också vara mottaglig för adversariellt innehåll eller promptinjektion som ändrar dess avsedda beteende.
Llama Guard 4:s klassificerarroll bör inte ärva Scouts kontextspecifikation eller allmänna assistentfunktioner bara för att den beskurits från Scout. Det lästa kortet ger ingen separat hård kontext- eller utdatatokenkapacitet för denna klassificerare. Bevara det bedömda materialet och taxonomietiketterna som det praktiska arbetsresultatet och låt applikationen avgöra vilken åtgärd som kopplas till resultatet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00036 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-guard-4-12b', '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-guard-4-12b', '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 meta-llama/llama-guard-4-12b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.