Gemma 3 12B IT là mô hình thị giác và ngôn ngữ quy mô 12B của Google được tinh chỉnh theo chỉ dẫn. Mô hình thuộc dòng Gemma 3, kết hợp tạo văn bản với hiểu hình ảnh và huấn luyện đa ngôn ngữ. Hậu tố IT chọn checkpoint tuân thủ chỉ dẫn thay vì mô hình tiền huấn luyện. Kết quả là văn bản: giải thích, tóm tắt, câu trả lời, bản thảo hoặc mã rút ra từ tài liệu viết và hình ảnh trong yêu cầu.
Mô hình 12B có ngữ cảnh 128K token của dòng cho cả đầu vào và phản hồi tạo ra. Đầu ra sử dụng phần còn lại sau yêu cầu; thẻ không cấp thêm cửa sổ đầu ra 128K độc lập thứ hai. Các khung ảnh cơ sở được chuẩn hóa thành 896×896 và mỗi khung được biểu diễn bằng 256 token thị giác. Khi chuẩn bị tập trang, giữ định danh trang và phân bổ chỗ cho kết quả. Đặt câu hỏi cụ thể về nội dung liên quan thay vì dựa vào cửa sổ lớn để tự động chọn đúng vấn đề.
Nhà sản xuất báo cáo 12 nghìn tỷ token tiền huấn luyện cho quy mô này. Tài liệu huấn luyện gồm tài liệu web đa ngôn ngữ, mã, toán và hình ảnh, với hơn 140 ngôn ngữ trong dòng. Báo cáo mô tả chưng cất tri thức và quy trình tinh chỉnh theo chỉ dẫn được cải thiện bằng học tăng cường. Những giai đoạn đó hướng đến tính hữu ích, suy luận toán và mã, tuân thủ chỉ dẫn và tương tác đa ngôn ngữ. Ngân sách huấn luyện và định danh checkpoint riêng tự chúng không xác lập chất lượng của một câu trả lời cụ thể, nên hãy so sánh đầu ra với tác vụ nguồn.
Kiến trúc dùng transformer chỉ có bộ giải mã với chú ý truy vấn theo nhóm và mẫu lặp 5 lớp chú ý cục bộ cho 1 lớp toàn cục. Lớp cục bộ dùng phạm vi 1,024 token, còn chú ý toàn cục hỗ trợ ngữ cảnh dài hơn. Bộ mã hóa thị giác SigLIP dùng chung cho các mô hình 4B, 12B và 27B chuyển hình ảnh thành biểu diễn cho mô hình ngôn ngữ xử lý. Bộ tách token SentencePiece giữ khoảng trắng, tách chữ số và có mã hóa ở mức byte. Điều này liên quan khi định dạng mã, ký hiệu số hoặc văn bản đa ngôn ngữ cần được giữ nguyên.
Quy trình thị giác còn có Pan and Scan: các vùng cắt thích ứng không chồng lấn giúp giữ nội dung từ nguồn rộng hoặc độ phân giải cao trước khi từng khung đến bộ mã hóa có độ phân giải cố định. Các khung bổ sung thay đổi tài liệu được xử lý. Với tài liệu kỹ thuật, cung cấp trang dễ đọc và khi cần, hình rõ của bảng hoặc sơ đồ đang được hỏi. Giữ định nghĩa xung quanh của đơn vị, ký hiệu hoặc cột để việc đọc một vùng hình ảnh không mất ý nghĩa.
Định dạng câu lệnh IT gốc dùng các lượt user và model, không có vai trò system riêng. Đặt vai trò mong muốn, quy tắc phản hồi và tác vụ trong câu lệnh user ban đầu, dùng bộ định dạng hoặc bộ xử lý được chỉ định cho hội thoại thực tế. Ví dụ yêu cầu phân tích tài liệu có thể so sánh hai mô tả quy trình, trả bảng các yêu cầu tương ứng và xác định xung đột. Gắn nhãn nguồn, nêu yêu cầu nào có ưu tiên và yêu cầu mô hình tách dữ kiện được cung cấp khỏi cách diễn giải.
Các ứng dụng dự kiến trong thẻ của nhà sản xuất gồm tóm tắt, hỗ trợ hội thoại, trích xuất dữ liệu hình ảnh, viết và học tập. Với giải thích đa ngôn ngữ, nêu người đọc đích, thuật ngữ và mức chi tiết. Với câu hỏi hình ảnh, xác định đối tượng hoặc quan hệ cần thảo luận và yêu cầu nhận xét làm căn cứ cho câu trả lời cuối. Với mã, cung cấp hàm thực tế và hành vi kỳ vọng; kết quả có thể đề xuất triển khai, còn ứng dụng riêng phải chạy và kiểm tra. Báo cáo công bố riêng các biến thể lượng tử hóa của dòng, nên không âm thầm thay định danh 12B IT này bằng checkpoint lượng tử hóa khác khi lưu kết quả.
Nhà sản xuất xác định các giới hạn từ độ bao phủ huấn luyện, dữ kiện sai, sắc thái ngôn ngữ và tác vụ phức tạp có kết thúc mở. Google cũng cảnh báo mẫu ngôn ngữ có vẻ hợp lý có thể tạo câu trả lời bỏ sót ràng buộc thực tế thường ngày. Chi tiết hình ảnh nhỏ có thể bị mất hoặc đọc sai, và đầu vào dài vẫn cần ưu tiên rõ ràng. Giữ các trang gốc, kiểm tra nhãn và số lượng trích xuất, đồng thời xác thực văn bản trông có cấu trúc được yêu cầu trước khi dùng làm dữ liệu. Đánh giá đúng mô hình 12B IT trên câu hỏi và ngôn ngữ đại diện. Sản phẩm cuối hữu ích nêu câu trả lời dựa trên nguồn, lập luận cần để hiểu và sự không chắc chắn còn lại, không giả định rằng lời giải thích tạo ra là hành động công cụ đã hoàn thành hoặc lần tra cứu kiến thức trực tiếp.
", "aboutText": "Gemma 3 12B IT là mô hình thị giác và ngôn ngữ quy mô 12B của Google được tinh chỉnh theo chỉ dẫn. Mô hình thuộc dòng Gemma 3, kết hợp tạo văn bản với hiểu hình ảnh và huấn luyện đa ngôn ngữ. Hậu tố IT chọn checkpoint tuân thủ chỉ dẫn thay vì mô hình tiền huấn luyện. Kết quả là văn bản: giải thích, tóm tắt, câu trả lời, bản thảo hoặc mã rút ra từ tài liệu viết và hình ảnh trong yêu cầu.\n\nMô hình 12B có ngữ cảnh 128K token của dòng cho cả đầu vào và phản hồi tạo ra. Đầu ra sử dụng phần còn lại sau yêu cầu; thẻ không cấp thêm cửa sổ đầu ra 128K độc lập thứ hai. Các khung ảnh cơ sở được chuẩn hóa thành 896×896 và mỗi khung được biểu diễn bằng 256 token thị giác. Khi chuẩn bị tập trang, giữ định danh trang và phân bổ chỗ cho kết quả. Đặt câu hỏi cụ thể về nội dung liên quan thay vì dựa vào cửa sổ lớn để tự động chọn đúng vấn đề.\n\nNhà sản xuất báo cáo 12 nghìn tỷ token tiền huấn luyện cho quy mô này. Tài liệu huấn luyện gồm tài liệu web đa ngôn ngữ, mã, toán và hình ảnh, với hơn 140 ngôn ngữ trong dòng. Báo cáo mô tả chưng cất tri thức và quy trình tinh chỉnh theo chỉ dẫn được cải thiện bằng học tăng cường. Những giai đoạn đó hướng đến tính hữu ích, suy luận toán và mã, tuân thủ chỉ dẫn và tương tác đa ngôn ngữ. Ngân sách huấn luyện và định danh checkpoint riêng tự chúng không xác lập chất lượng của một câu trả lời cụ thể, nên hãy so sánh đầu ra với tác vụ nguồn.\n\nKiến trúc dùng transformer chỉ có bộ giải mã với chú ý truy vấn theo nhóm và mẫu lặp 5 lớp chú ý cục bộ cho 1 lớp toàn cục. Lớp cục bộ dùng phạm vi 1,024 token, còn chú ý toàn cục hỗ trợ ngữ cảnh dài hơn. Bộ mã hóa thị giác SigLIP dùng chung cho các mô hình 4B, 12B và 27B chuyển hình ảnh thành biểu diễn cho mô hình ngôn ngữ xử lý. Bộ tách token SentencePiece giữ khoảng trắng, tách chữ số và có mã hóa ở mức byte. Điều này liên quan khi định dạng mã, ký hiệu số hoặc văn bản đa ngôn ngữ cần được giữ nguyên.\n\nQuy trình thị giác còn có Pan and Scan: các vùng cắt thích ứng không chồng lấn giúp giữ nội dung từ nguồn rộng hoặc độ phân giải cao trước khi từng khung đến bộ mã hóa có độ phân giải cố định. Các khung bổ sung thay đổi tài liệu được xử lý. Với tài liệu kỹ thuật, cung cấp trang dễ đọc và khi cần, hình rõ của bảng hoặc sơ đồ đang được hỏi. Giữ định nghĩa xung quanh của đơn vị, ký hiệu hoặc cột để việc đọc một vùng hình ảnh không mất ý nghĩa.\n\nĐịnh dạng câu lệnh IT gốc dùng các lượt user và model, không có vai trò system riêng. Đặt vai trò mong muốn, quy tắc phản hồi và tác vụ trong câu lệnh user ban đầu, dùng bộ định dạng hoặc bộ xử lý được chỉ định cho hội thoại thực tế. Ví dụ yêu cầu phân tích tài liệu có thể so sánh hai mô tả quy trình, trả bảng các yêu cầu tương ứng và xác định xung đột. Gắn nhãn nguồn, nêu yêu cầu nào có ưu tiên và yêu cầu mô hình tách dữ kiện được cung cấp khỏi cách diễn giải.\n\nCác ứng dụng dự kiến trong thẻ của nhà sản xuất gồm tóm tắt, hỗ trợ hội thoại, trích xuất dữ liệu hình ảnh, viết và học tập. Với giải thích đa ngôn ngữ, nêu người đọc đích, thuật ngữ và mức chi tiết. Với câu hỏi hình ảnh, xác định đối tượng hoặc quan hệ cần thảo luận và yêu cầu nhận xét làm căn cứ cho câu trả lời cuối. Với mã, cung cấp hàm thực tế và hành vi kỳ vọng; kết quả có thể đề xuất triển khai, còn ứng dụng riêng phải chạy và kiểm tra. Báo cáo công bố riêng các biến thể lượng tử hóa của dòng, nên không âm thầm thay định danh 12B IT này bằng checkpoint lượng tử hóa khác khi lưu kết quả.\n\nNhà sản xuất xác định các giới hạn từ độ bao phủ huấn luyện, dữ kiện sai, sắc thái ngôn ngữ và tác vụ phức tạp có kết thúc mở. Google cũng cảnh báo mẫu ngôn ngữ có vẻ hợp lý có thể tạo câu trả lời bỏ sót ràng buộc thực tế thường ngày. Chi tiết hình ảnh nhỏ có thể bị mất hoặc đọc sai, và đầu vào dài vẫn cần ưu tiên rõ ràng. Giữ các trang gốc, kiểm tra nhãn và số lượng trích xuất, đồng thời xác thực văn bản trông có cấu trúc được yêu cầu trước khi dùng làm dữ liệu. Đánh giá đúng mô hình 12B IT trên câu hỏi và ngôn ngữ đại diện. Sản phẩm cuối hữu ích nêu câu trả lời dựa trên nguồn, lập luận cần để hiểu và sự không chắc chắn còn lại, không giả định rằng lời giải thích tạo ra là hành động công cụ đã hoàn thành hoặc lần tra cứu kiến thức trực tiếp.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.google/gemma-3-12b-itGemma 3 12B IT là phiên bản Gemma 3 riêng được tinh chỉnh theo chỉ dẫn để tạo văn bản và hiểu hình ảnh. Dùng mô hình cho câu hỏi tài liệu, giải thích và viết đa ngôn ngữ với ngữ cảnh dùng chung 128K, đồng thời ghi rõ checkpoint 12B và định dạng hội thoại gốc.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Gemma 3 12B IT là mô hình thị giác và ngôn ngữ quy mô 12B của Google được tinh chỉnh theo chỉ dẫn. Mô hình thuộc dòng Gemma 3, kết hợp tạo văn bản với hiểu hình ảnh và huấn luyện đa ngôn ngữ. Hậu tố IT chọn checkpoint tuân thủ chỉ dẫn thay vì mô hình tiền huấn luyện. Kết quả là văn bản: giải thích, tóm tắt, câu trả lời, bản thảo hoặc mã rút ra từ tài liệu viết và hình ảnh trong yêu cầu.
Mô hình 12B có ngữ cảnh 128K token của dòng cho cả đầu vào và phản hồi tạo ra. Đầu ra sử dụng phần còn lại sau yêu cầu; thẻ không cấp thêm cửa sổ đầu ra 128K độc lập thứ hai. Các khung ảnh cơ sở được chuẩn hóa thành 896×896 và mỗi khung được biểu diễn bằng 256 token thị giác. Khi chuẩn bị tập trang, giữ định danh trang và phân bổ chỗ cho kết quả. Đặt câu hỏi cụ thể về nội dung liên quan thay vì dựa vào cửa sổ lớn để tự động chọn đúng vấn đề.
Nhà sản xuất báo cáo 12 nghìn tỷ token tiền huấn luyện cho quy mô này. Tài liệu huấn luyện gồm tài liệu web đa ngôn ngữ, mã, toán và hình ảnh, với hơn 140 ngôn ngữ trong dòng. Báo cáo mô tả chưng cất tri thức và quy trình tinh chỉnh theo chỉ dẫn được cải thiện bằng học tăng cường. Những giai đoạn đó hướng đến tính hữu ích, suy luận toán và mã, tuân thủ chỉ dẫn và tương tác đa ngôn ngữ. Ngân sách huấn luyện và định danh checkpoint riêng tự chúng không xác lập chất lượng của một câu trả lời cụ thể, nên hãy so sánh đầu ra với tác vụ nguồn.
Kiến trúc dùng transformer chỉ có bộ giải mã với chú ý truy vấn theo nhóm và mẫu lặp 5 lớp chú ý cục bộ cho 1 lớp toàn cục. Lớp cục bộ dùng phạm vi 1,024 token, còn chú ý toàn cục hỗ trợ ngữ cảnh dài hơn. Bộ mã hóa thị giác SigLIP dùng chung cho các mô hình 4B, 12B và 27B chuyển hình ảnh thành biểu diễn cho mô hình ngôn ngữ xử lý. Bộ tách token SentencePiece giữ khoảng trắng, tách chữ số và có mã hóa ở mức byte. Điều này liên quan khi định dạng mã, ký hiệu số hoặc văn bản đa ngôn ngữ cần được giữ nguyên.
Quy trình thị giác còn có Pan and Scan: các vùng cắt thích ứng không chồng lấn giúp giữ nội dung từ nguồn rộng hoặc độ phân giải cao trước khi từng khung đến bộ mã hóa có độ phân giải cố định. Các khung bổ sung thay đổi tài liệu được xử lý. Với tài liệu kỹ thuật, cung cấp trang dễ đọc và khi cần, hình rõ của bảng hoặc sơ đồ đang được hỏi. Giữ định nghĩa xung quanh của đơn vị, ký hiệu hoặc cột để việc đọc một vùng hình ảnh không mất ý nghĩa.
Định dạng câu lệnh IT gốc dùng các lượt user và model, không có vai trò system riêng. Đặt vai trò mong muốn, quy tắc phản hồi và tác vụ trong câu lệnh user ban đầu, dùng bộ định dạng hoặc bộ xử lý được chỉ định cho hội thoại thực tế. Ví dụ yêu cầu phân tích tài liệu có thể so sánh hai mô tả quy trình, trả bảng các yêu cầu tương ứng và xác định xung đột. Gắn nhãn nguồn, nêu yêu cầu nào có ưu tiên và yêu cầu mô hình tách dữ kiện được cung cấp khỏi cách diễn giải.
Các ứng dụng dự kiến trong thẻ của nhà sản xuất gồm tóm tắt, hỗ trợ hội thoại, trích xuất dữ liệu hình ảnh, viết và học tập. Với giải thích đa ngôn ngữ, nêu người đọc đích, thuật ngữ và mức chi tiết. Với câu hỏi hình ảnh, xác định đối tượng hoặc quan hệ cần thảo luận và yêu cầu nhận xét làm căn cứ cho câu trả lời cuối. Với mã, cung cấp hàm thực tế và hành vi kỳ vọng; kết quả có thể đề xuất triển khai, còn ứng dụng riêng phải chạy và kiểm tra. Báo cáo công bố riêng các biến thể lượng tử hóa của dòng, nên không âm thầm thay định danh 12B IT này bằng checkpoint lượng tử hóa khác khi lưu kết quả.
Nhà sản xuất xác định các giới hạn từ độ bao phủ huấn luyện, dữ kiện sai, sắc thái ngôn ngữ và tác vụ phức tạp có kết thúc mở. Google cũng cảnh báo mẫu ngôn ngữ có vẻ hợp lý có thể tạo câu trả lời bỏ sót ràng buộc thực tế thường ngày. Chi tiết hình ảnh nhỏ có thể bị mất hoặc đọc sai, và đầu vào dài vẫn cần ưu tiên rõ ràng. Giữ các trang gốc, kiểm tra nhãn và số lượng trích xuất, đồng thời xác thực văn bản trông có cấu trúc được yêu cầu trước khi dùng làm dữ liệu. Đánh giá đúng mô hình 12B IT trên câu hỏi và ngôn ngữ đại diện. Sản phẩm cuối hữu ích nêu câu trả lời dựa trên nguồn, lập luận cần để hiểu và sự không chắc chắn còn lại, không giả định rằng lời giải thích tạo ra là hành động công cụ đã hoàn thành hoặc lần tra cứu kiến thức trực tiếp.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn google/gemma-3-12b-it | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Token ngữ cảnh, lớn hơn | Token ngữ cảnh, tối đa và bao gồm | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Token ngữ cảnh, lớn hơn— | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0001 / 1K token Đầu ra · Token đầu ra $0.0003 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhBậc 1 theo độ dài yêu cầu | Biểu mức phí— | Token ngữ cảnh, lớn hơn0 | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0001 / 1K token Đầu ra · Token đầu ra $0.0003 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "google/gemma-3-12b-it", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='google/gemma-3-12b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='google/gemma-3-12b-it',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra google/gemma-3-12b-it
Dùng các đường dẫn phương thức hiển thị ở trên.
google/gemma-3-12b-itGemma 3 12B IT là phiên bản Gemma 3 riêng được tinh chỉnh theo chỉ dẫn để tạo văn bản và hiểu hình ảnh. Dùng mô hình cho câu hỏi tài liệu, giải thích và viết đa ngôn ngữ với ngữ cảnh dùng chung 128K, đồng thời ghi rõ checkpoint 12B và định dạng hội thoại gốc.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Gemma 3 12B IT là mô hình thị giác và ngôn ngữ quy mô 12B của Google được tinh chỉnh theo chỉ dẫn. Mô hình thuộc dòng Gemma 3, kết hợp tạo văn bản với hiểu hình ảnh và huấn luyện đa ngôn ngữ. Hậu tố IT chọn checkpoint tuân thủ chỉ dẫn thay vì mô hình tiền huấn luyện. Kết quả là văn bản: giải thích, tóm tắt, câu trả lời, bản thảo hoặc mã rút ra từ tài liệu viết và hình ảnh trong yêu cầu.
Mô hình 12B có ngữ cảnh 128K token của dòng cho cả đầu vào và phản hồi tạo ra. Đầu ra sử dụng phần còn lại sau yêu cầu; thẻ không cấp thêm cửa sổ đầu ra 128K độc lập thứ hai. Các khung ảnh cơ sở được chuẩn hóa thành 896×896 và mỗi khung được biểu diễn bằng 256 token thị giác. Khi chuẩn bị tập trang, giữ định danh trang và phân bổ chỗ cho kết quả. Đặt câu hỏi cụ thể về nội dung liên quan thay vì dựa vào cửa sổ lớn để tự động chọn đúng vấn đề.
Nhà sản xuất báo cáo 12 nghìn tỷ token tiền huấn luyện cho quy mô này. Tài liệu huấn luyện gồm tài liệu web đa ngôn ngữ, mã, toán và hình ảnh, với hơn 140 ngôn ngữ trong dòng. Báo cáo mô tả chưng cất tri thức và quy trình tinh chỉnh theo chỉ dẫn được cải thiện bằng học tăng cường. Những giai đoạn đó hướng đến tính hữu ích, suy luận toán và mã, tuân thủ chỉ dẫn và tương tác đa ngôn ngữ. Ngân sách huấn luyện và định danh checkpoint riêng tự chúng không xác lập chất lượng của một câu trả lời cụ thể, nên hãy so sánh đầu ra với tác vụ nguồn.
Kiến trúc dùng transformer chỉ có bộ giải mã với chú ý truy vấn theo nhóm và mẫu lặp 5 lớp chú ý cục bộ cho 1 lớp toàn cục. Lớp cục bộ dùng phạm vi 1,024 token, còn chú ý toàn cục hỗ trợ ngữ cảnh dài hơn. Bộ mã hóa thị giác SigLIP dùng chung cho các mô hình 4B, 12B và 27B chuyển hình ảnh thành biểu diễn cho mô hình ngôn ngữ xử lý. Bộ tách token SentencePiece giữ khoảng trắng, tách chữ số và có mã hóa ở mức byte. Điều này liên quan khi định dạng mã, ký hiệu số hoặc văn bản đa ngôn ngữ cần được giữ nguyên.
Quy trình thị giác còn có Pan and Scan: các vùng cắt thích ứng không chồng lấn giúp giữ nội dung từ nguồn rộng hoặc độ phân giải cao trước khi từng khung đến bộ mã hóa có độ phân giải cố định. Các khung bổ sung thay đổi tài liệu được xử lý. Với tài liệu kỹ thuật, cung cấp trang dễ đọc và khi cần, hình rõ của bảng hoặc sơ đồ đang được hỏi. Giữ định nghĩa xung quanh của đơn vị, ký hiệu hoặc cột để việc đọc một vùng hình ảnh không mất ý nghĩa.
Định dạng câu lệnh IT gốc dùng các lượt user và model, không có vai trò system riêng. Đặt vai trò mong muốn, quy tắc phản hồi và tác vụ trong câu lệnh user ban đầu, dùng bộ định dạng hoặc bộ xử lý được chỉ định cho hội thoại thực tế. Ví dụ yêu cầu phân tích tài liệu có thể so sánh hai mô tả quy trình, trả bảng các yêu cầu tương ứng và xác định xung đột. Gắn nhãn nguồn, nêu yêu cầu nào có ưu tiên và yêu cầu mô hình tách dữ kiện được cung cấp khỏi cách diễn giải.
Các ứng dụng dự kiến trong thẻ của nhà sản xuất gồm tóm tắt, hỗ trợ hội thoại, trích xuất dữ liệu hình ảnh, viết và học tập. Với giải thích đa ngôn ngữ, nêu người đọc đích, thuật ngữ và mức chi tiết. Với câu hỏi hình ảnh, xác định đối tượng hoặc quan hệ cần thảo luận và yêu cầu nhận xét làm căn cứ cho câu trả lời cuối. Với mã, cung cấp hàm thực tế và hành vi kỳ vọng; kết quả có thể đề xuất triển khai, còn ứng dụng riêng phải chạy và kiểm tra. Báo cáo công bố riêng các biến thể lượng tử hóa của dòng, nên không âm thầm thay định danh 12B IT này bằng checkpoint lượng tử hóa khác khi lưu kết quả.
Nhà sản xuất xác định các giới hạn từ độ bao phủ huấn luyện, dữ kiện sai, sắc thái ngôn ngữ và tác vụ phức tạp có kết thúc mở. Google cũng cảnh báo mẫu ngôn ngữ có vẻ hợp lý có thể tạo câu trả lời bỏ sót ràng buộc thực tế thường ngày. Chi tiết hình ảnh nhỏ có thể bị mất hoặc đọc sai, và đầu vào dài vẫn cần ưu tiên rõ ràng. Giữ các trang gốc, kiểm tra nhãn và số lượng trích xuất, đồng thời xác thực văn bản trông có cấu trúc được yêu cầu trước khi dùng làm dữ liệu. Đánh giá đúng mô hình 12B IT trên câu hỏi và ngôn ngữ đại diện. Sản phẩm cuối hữu ích nêu câu trả lời dựa trên nguồn, lập luận cần để hiểu và sự không chắc chắn còn lại, không giả định rằng lời giải thích tạo ra là hành động công cụ đã hoàn thành hoặc lần tra cứu kiến thức trực tiếp.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn google/gemma-3-12b-it | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Token ngữ cảnh, lớn hơn | Token ngữ cảnh, tối đa và bao gồm | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Token ngữ cảnh, lớn hơn— | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0001 / 1K token Đầu ra · Token đầu ra $0.0003 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
| Cấu hìnhBậc 1 theo độ dài yêu cầu | Biểu mức phí— | Token ngữ cảnh, lớn hơn0 | Token ngữ cảnh, tối đa và bao gồmKhông có giới hạn trên | Phí Đầu vào · Token đầu vào $0.0001 / 1K token Đầu ra · Token đầu ra $0.0003 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "google/gemma-3-12b-it",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-12b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'google/gemma-3-12b-it', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra google/gemma-3-12b-it
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
Explain an experiment to a learner\n\nExplain this class experiment to a 12-year-old in plain English. Two identical cups contain 200 ml of water at the same starting temperature. One is wrapped in wool; the other is uncovered. After 20 minutes the wrapped cup is warmer. Give the conclusion, what was controlled, and one improvement. Do not invent temperatures.Three short labelled parts: conclusion, controlled conditions and one practical improvement.The explanation distinguishes slowing heat loss from creating heat and preserves the given quantities without new measurements.