Llama Guard 4 12B là bộ phân loại an toàn đa phương thức nguyên bản của Meta, có 12 tỷ tham số. Mô hình được huấn luyện chung trên văn bản và nhiều hình ảnh, tạo phân loại dạng văn bản: safe hoặc unsafe, cùng các nhóm nguy hại bị vi phạm khi kết quả là unsafe. Mục đích của mô hình là đánh giá nội dung trong prompt hoặc phản hồi được tạo, thay vì hoạt động như trợ lý trò chuyện đa dụng.
Phân loại prompt và phản hồi
Mô hình có thể phân loại tài liệu trước khi gửi đến mô hình tạo sinh, sau khi mô hình đó tạo câu trả lời hoặc tại cả hai thời điểm. Đây là các câu hỏi khác nhau. Phân loại prompt đánh giá đầu vào người dùng, còn phân loại phản hồi đánh giá điều trợ lý thực sự viết. Vì vậy, hệ thống có thể phân biệt yêu cầu rủi ro với phản hồi xử lý yêu cầu theo cách chấp nhận được trong hệ phân loại của bộ phân loại.
Cung cấp nội dung chính xác cần phân loại cùng vai trò hội thoại và bối cảnh liên quan. Nếu đối tượng là phản hồi, giữ câu hỏi tạo ý nghĩa cho phản hồi đó. Với đầu vào trộn văn bản và hình ảnh, bao gồm các hình ảnh gắn với prompt ấy thay vì phân loại văn bản không liên quan hoặc một ảnh được chọn tùy ý. Kết quả bộ phân loại là thông tin cho quy tắc hoặc bước đánh giá của ứng dụng; tự nó không chặn yêu cầu hoặc thay đổi tệp.
Mười bốn nhóm nguy hại
Nhà sản xuất căn chỉnh bộ phân loại theo hệ phân loại nguy hại MLCommons và bổ sung nhóm trình thông dịch mã chỉ dành cho văn bản. Mười bốn nhãn bao quát tội phạm bạo lực, tội phạm phi bạo lực, tội phạm liên quan tình dục, bóc lột tình dục trẻ em, phỉ báng, tư vấn chuyên môn, quyền riêng tư, sở hữu trí tuệ, vũ khí gây hại không phân biệt, thù ghét, tự sát và tự hại, nội dung tình dục, bầu cử và lạm dụng trình thông dịch mã.
Các nhóm sử dụng định danh S1 đến S14. S14, Code Interpreter Abuse, dành riêng cho trường hợp sử dụng gọi công cụ chỉ văn bản. Giữ định danh hệ phân loại cùng kết quả safe/unsafe để bước ứng dụng sau có thể diễn giải phân loại theo cùng định nghĩa nhóm. Kết quả ngắn là phán định nhóm, không phải giải thích đầy đủ, kết luận pháp lý hoặc bảo đảm rằng mọi nguy hại có thể có đều đã được phát hiện.
Trong một định dạng minh họa, phân loại unsafe có thể được theo sau bởi định danh nhóm áp dụng. Giữ văn bản gốc đã đánh giá, nguồn hoặc vị trí hội thoại của nó và các nhãn trả về cùng nhau. Mối gắn kết đó giúp ứng dụng phân biệt nội dung đã xem xét với phản hồi được viết lại về sau hoặc prompt riêng.
Kiến trúc và huấn luyện
Llama Guard 4 có kiến trúc Transformer dense hợp nhất sớm, được cắt tỉa từ checkpoint Llama 4 Scout tiền huấn luyện. Nhà sản xuất loại bỏ các chuyên gia được định tuyến và các lớp định tuyến, giữ chuyên gia dense dùng chung, rồi hậu huấn luyện mô hình thu được cho phân loại nội dung. Không có tiền huấn luyện bổ sung sau bước cắt tỉa đó. Điều này tạo mô hình khác với phiên bản trò chuyện hỗn hợp chuyên gia của Scout.
Mô hình dùng chung tokenizer và bộ mã hóa thị giác của Llama 4, kết hợp huấn luyện phân loại chỉ văn bản với đa phương thức. Nhà sản xuất mô tả dữ liệu đa ngôn ngữ và huấn luyện nhiều hình ảnh, trong đó phần lớn mẫu như vậy chứa hai đến năm ảnh và tỷ lệ pha trộn dữ liệu chỉ văn bản với đa phương thức xấp xỉ ba trên một. Đó là đặc điểm huấn luyện, không phải giới hạn cứng về số lượng đầu vào.
Phạm vi đa ngôn ngữ được tài liệu hóa theo các ngôn ngữ Llama Guard 3 hỗ trợ, và thẻ bàn về tiếng Anh cùng tiếng Pháp, Đức, Hindi, Ý, Bồ Đào Nha, Tây Ban Nha và Thái. Yêu cầu phân loại cần giữ cách diễn đạt thực tế và bối cảnh trực quan trong ngôn ngữ đang được đánh giá, thay vì thay nội dung bằng bản tóm tắt không liên quan.
Chuẩn bị kết quả phân loại hữu ích
Đối với kiểm tra đầu vào, cung cấp tin nhắn người dùng cùng các hình ảnh liên quan và yêu cầu phân loại prompt theo định dạng của nhà sản xuất. Đối với kiểm tra đầu ra, cung cấp phản hồi thực tế của trợ lý cùng tin nhắn trước đó có liên quan. Ví dụ nhiều ảnh có thể giữ văn bản liên kết các ảnh để mô hình đánh giá yêu cầu kết hợp thay vì các mảnh độc lập không có bối cảnh.
Thẻ mô hình minh họa áp dụng mẫu hội thoại tương ứng và chỉ giải mã phần phân loại được tạo. Ví dụ tạo mười token minh họa kết quả nhãn ngắn; con số đó không phải dung lượng câu trả lời tối đa riêng. Giữ đầu ra được yêu cầu phù hợp với mục đích bộ phân loại thay vì yêu cầu nó viết câu trả lời hội thoại thông thường.
Hạn chế cụ thể
Nhà sản xuất nêu các phán định có thể bị giới hạn bởi dữ liệu huấn luyện, kiến thức thường thức, phạm vi ngôn ngữ và phạm vi chính sách của mô hình. Các nhóm phỉ báng, sở hữu trí tuệ và liên quan bầu cử có thể đòi hỏi kiến thức thực tế, hiện tại mà bộ phân loại không có. Vì vậy, nhãn nhóm cần giữ quan hệ với nội dung và thông tin sẵn có cho lần đánh giá đó.
Thẻ báo cáo kiểm tra chủ yếu trên prompt có vài hình ảnh, thường nhất là ba, và lưu ý hành vi có thể thay đổi với tập ảnh lớn hơn nhiều. Điều này mô tả phạm vi đã kiểm tra thay vì giới hạn tối đa ba ảnh phổ quát. Mô hình cũng có thể dễ bị ảnh hưởng bởi nội dung đối kháng hoặc prompt injection làm thay đổi hành vi dự kiến.
Vai trò bộ phân loại của Llama Guard 4 không nên kế thừa đặc tả ngữ cảnh hoặc khả năng trợ lý tổng quát của Scout chỉ vì được cắt tỉa từ Scout. Thẻ đã đọc không đưa ra dung lượng ngữ cảnh hoặc token đầu ra cứng riêng cho bộ phân loại này. Giữ tài liệu đã đánh giá và nhãn hệ phân loại làm sản phẩm thực tế, rồi để ứng dụng quyết định hành động gắn với kết quả đó.
", "aboutText": "Llama Guard 4 12B là bộ phân loại an toàn đa phương thức nguyên bản của Meta, có 12 tỷ tham số. Mô hình được huấn luyện chung trên văn bản và nhiều hình ảnh, tạo phân loại dạng văn bản: safe hoặc unsafe, cùng các nhóm nguy hại bị vi phạm khi kết quả là unsafe. Mục đích của mô hình là đánh giá nội dung trong prompt hoặc phản hồi được tạo, thay vì hoạt động như trợ lý trò chuyện đa dụng.\n\nPhân loại prompt và phản hồi\n\nMô hình có thể phân loại tài liệu trước khi gửi đến mô hình tạo sinh, sau khi mô hình đó tạo câu trả lời hoặc tại cả hai thời điểm. Đây là các câu hỏi khác nhau. Phân loại prompt đánh giá đầu vào người dùng, còn phân loại phản hồi đánh giá điều trợ lý thực sự viết. Vì vậy, hệ thống có thể phân biệt yêu cầu rủi ro với phản hồi xử lý yêu cầu theo cách chấp nhận được trong hệ phân loại của bộ phân loại.\n\nCung cấp nội dung chính xác cần phân loại cùng vai trò hội thoại và bối cảnh liên quan. Nếu đối tượng là phản hồi, giữ câu hỏi tạo ý nghĩa cho phản hồi đó. Với đầu vào trộn văn bản và hình ảnh, bao gồm các hình ảnh gắn với prompt ấy thay vì phân loại văn bản không liên quan hoặc một ảnh được chọn tùy ý. Kết quả bộ phân loại là thông tin cho quy tắc hoặc bước đánh giá của ứng dụng; tự nó không chặn yêu cầu hoặc thay đổi tệp.\n\nMười bốn nhóm nguy hại\n\nNhà sản xuất căn chỉnh bộ phân loại theo hệ phân loại nguy hại MLCommons và bổ sung nhóm trình thông dịch mã chỉ dành cho văn bản. Mười bốn nhãn bao quát tội phạm bạo lực, tội phạm phi bạo lực, tội phạm liên quan tình dục, bóc lột tình dục trẻ em, phỉ báng, tư vấn chuyên môn, quyền riêng tư, sở hữu trí tuệ, vũ khí gây hại không phân biệt, thù ghét, tự sát và tự hại, nội dung tình dục, bầu cử và lạm dụng trình thông dịch mã.\n\nCác nhóm sử dụng định danh S1 đến S14. S14, Code Interpreter Abuse, dành riêng cho trường hợp sử dụng gọi công cụ chỉ văn bản. Giữ định danh hệ phân loại cùng kết quả safe/unsafe để bước ứng dụng sau có thể diễn giải phân loại theo cùng định nghĩa nhóm. Kết quả ngắn là phán định nhóm, không phải giải thích đầy đủ, kết luận pháp lý hoặc bảo đảm rằng mọi nguy hại có thể có đều đã được phát hiện.\n\nTrong một định dạng minh họa, phân loại unsafe có thể được theo sau bởi định danh nhóm áp dụng. Giữ văn bản gốc đã đánh giá, nguồn hoặc vị trí hội thoại của nó và các nhãn trả về cùng nhau. Mối gắn kết đó giúp ứng dụng phân biệt nội dung đã xem xét với phản hồi được viết lại về sau hoặc prompt riêng.\n\nKiến trúc và huấn luyện\n\nLlama Guard 4 có kiến trúc Transformer dense hợp nhất sớm, được cắt tỉa từ checkpoint Llama 4 Scout tiền huấn luyện. Nhà sản xuất loại bỏ các chuyên gia được định tuyến và các lớp định tuyến, giữ chuyên gia dense dùng chung, rồi hậu huấn luyện mô hình thu được cho phân loại nội dung. Không có tiền huấn luyện bổ sung sau bước cắt tỉa đó. Điều này tạo mô hình khác với phiên bản trò chuyện hỗn hợp chuyên gia của Scout.\n\nMô hình dùng chung tokenizer và bộ mã hóa thị giác của Llama 4, kết hợp huấn luyện phân loại chỉ văn bản với đa phương thức. Nhà sản xuất mô tả dữ liệu đa ngôn ngữ và huấn luyện nhiều hình ảnh, trong đó phần lớn mẫu như vậy chứa hai đến năm ảnh và tỷ lệ pha trộn dữ liệu chỉ văn bản với đa phương thức xấp xỉ ba trên một. Đó là đặc điểm huấn luyện, không phải giới hạn cứng về số lượng đầu vào.\n\nPhạm vi đa ngôn ngữ được tài liệu hóa theo các ngôn ngữ Llama Guard 3 hỗ trợ, và thẻ bàn về tiếng Anh cùng tiếng Pháp, Đức, Hindi, Ý, Bồ Đào Nha, Tây Ban Nha và Thái. Yêu cầu phân loại cần giữ cách diễn đạt thực tế và bối cảnh trực quan trong ngôn ngữ đang được đánh giá, thay vì thay nội dung bằng bản tóm tắt không liên quan.\n\nChuẩn bị kết quả phân loại hữu ích\n\nĐối với kiểm tra đầu vào, cung cấp tin nhắn người dùng cùng các hình ảnh liên quan và yêu cầu phân loại prompt theo định dạng của nhà sản xuất. Đối với kiểm tra đầu ra, cung cấp phản hồi thực tế của trợ lý cùng tin nhắn trước đó có liên quan. Ví dụ nhiều ảnh có thể giữ văn bản liên kết các ảnh để mô hình đánh giá yêu cầu kết hợp thay vì các mảnh độc lập không có bối cảnh.\n\nThẻ mô hình minh họa áp dụng mẫu hội thoại tương ứng và chỉ giải mã phần phân loại được tạo. Ví dụ tạo mười token minh họa kết quả nhãn ngắn; con số đó không phải dung lượng câu trả lời tối đa riêng. Giữ đầu ra được yêu cầu phù hợp với mục đích bộ phân loại thay vì yêu cầu nó viết câu trả lời hội thoại thông thường.\n\nHạn chế cụ thể\n\nNhà sản xuất nêu các phán định có thể bị giới hạn bởi dữ liệu huấn luyện, kiến thức thường thức, phạm vi ngôn ngữ và phạm vi chính sách của mô hình. Các nhóm phỉ báng, sở hữu trí tuệ và liên quan bầu cử có thể đòi hỏi kiến thức thực tế, hiện tại mà bộ phân loại không có. Vì vậy, nhãn nhóm cần giữ quan hệ với nội dung và thông tin sẵn có cho lần đánh giá đó.\n\nThẻ báo cáo kiểm tra chủ yếu trên prompt có vài hình ảnh, thường nhất là ba, và lưu ý hành vi có thể thay đổi với tập ảnh lớn hơn nhiều. Điều này mô tả phạm vi đã kiểm tra thay vì giới hạn tối đa ba ảnh phổ quát. Mô hình cũng có thể dễ bị ảnh hưởng bởi nội dung đối kháng hoặc prompt injection làm thay đổi hành vi dự kiến.\n\nVai trò bộ phân loại của Llama Guard 4 không nên kế thừa đặc tả ngữ cảnh hoặc khả năng trợ lý tổng quát của Scout chỉ vì được cắt tỉa từ Scout. Thẻ đã đọc không đưa ra dung lượng ngữ cảnh hoặc token đầu ra cứng riêng cho bộ phân loại này. Giữ tài liệu đã đánh giá và nhãn hệ phân loại làm sản phẩm thực tế, rồi để ứng dụng quyết định hành động gắn với kết quả đó.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
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 là bộ phân loại nội dung đa phương thức của Meta dành cho prompt và phản hồi được tạo. Mô hình phân tích văn bản cùng một hoặc nhiều hình ảnh và trả lại nhãn safe/unsafe cùng các nhóm nguy hại áp dụng, sử dụng kiến trúc dense được cắt tỉa từ Llama 4 Scout.
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.
Llama Guard 4 12B là bộ phân loại an toàn đa phương thức nguyên bản của Meta, có 12 tỷ tham số. Mô hình được huấn luyện chung trên văn bản và nhiều hình ảnh, tạo phân loại dạng văn bản: safe hoặc unsafe, cùng các nhóm nguy hại bị vi phạm khi kết quả là unsafe. Mục đích của mô hình là đánh giá nội dung trong prompt hoặc phản hồi được tạo, thay vì hoạt động như trợ lý trò chuyện đa dụng.
Phân loại prompt và phản hồi
Mô hình có thể phân loại tài liệu trước khi gửi đến mô hình tạo sinh, sau khi mô hình đó tạo câu trả lời hoặc tại cả hai thời điểm. Đây là các câu hỏi khác nhau. Phân loại prompt đánh giá đầu vào người dùng, còn phân loại phản hồi đánh giá điều trợ lý thực sự viết. Vì vậy, hệ thống có thể phân biệt yêu cầu rủi ro với phản hồi xử lý yêu cầu theo cách chấp nhận được trong hệ phân loại của bộ phân loại.
Cung cấp nội dung chính xác cần phân loại cùng vai trò hội thoại và bối cảnh liên quan. Nếu đối tượng là phản hồi, giữ câu hỏi tạo ý nghĩa cho phản hồi đó. Với đầu vào trộn văn bản và hình ảnh, bao gồm các hình ảnh gắn với prompt ấy thay vì phân loại văn bản không liên quan hoặc một ảnh được chọn tùy ý. Kết quả bộ phân loại là thông tin cho quy tắc hoặc bước đánh giá của ứng dụng; tự nó không chặn yêu cầu hoặc thay đổi tệp.
Mười bốn nhóm nguy hại
Nhà sản xuất căn chỉnh bộ phân loại theo hệ phân loại nguy hại MLCommons và bổ sung nhóm trình thông dịch mã chỉ dành cho văn bản. Mười bốn nhãn bao quát tội phạm bạo lực, tội phạm phi bạo lực, tội phạm liên quan tình dục, bóc lột tình dục trẻ em, phỉ báng, tư vấn chuyên môn, quyền riêng tư, sở hữu trí tuệ, vũ khí gây hại không phân biệt, thù ghét, tự sát và tự hại, nội dung tình dục, bầu cử và lạm dụng trình thông dịch mã.
Các nhóm sử dụng định danh S1 đến S14. S14, Code Interpreter Abuse, dành riêng cho trường hợp sử dụng gọi công cụ chỉ văn bản. Giữ định danh hệ phân loại cùng kết quả safe/unsafe để bước ứng dụng sau có thể diễn giải phân loại theo cùng định nghĩa nhóm. Kết quả ngắn là phán định nhóm, không phải giải thích đầy đủ, kết luận pháp lý hoặc bảo đảm rằng mọi nguy hại có thể có đều đã được phát hiện.
Trong một định dạng minh họa, phân loại unsafe có thể được theo sau bởi định danh nhóm áp dụng. Giữ văn bản gốc đã đánh giá, nguồn hoặc vị trí hội thoại của nó và các nhãn trả về cùng nhau. Mối gắn kết đó giúp ứng dụng phân biệt nội dung đã xem xét với phản hồi được viết lại về sau hoặc prompt riêng.
Kiến trúc và huấn luyện
Llama Guard 4 có kiến trúc Transformer dense hợp nhất sớm, được cắt tỉa từ checkpoint Llama 4 Scout tiền huấn luyện. Nhà sản xuất loại bỏ các chuyên gia được định tuyến và các lớp định tuyến, giữ chuyên gia dense dùng chung, rồi hậu huấn luyện mô hình thu được cho phân loại nội dung. Không có tiền huấn luyện bổ sung sau bước cắt tỉa đó. Điều này tạo mô hình khác với phiên bản trò chuyện hỗn hợp chuyên gia của Scout.
Mô hình dùng chung tokenizer và bộ mã hóa thị giác của Llama 4, kết hợp huấn luyện phân loại chỉ văn bản với đa phương thức. Nhà sản xuất mô tả dữ liệu đa ngôn ngữ và huấn luyện nhiều hình ảnh, trong đó phần lớn mẫu như vậy chứa hai đến năm ảnh và tỷ lệ pha trộn dữ liệu chỉ văn bản với đa phương thức xấp xỉ ba trên một. Đó là đặc điểm huấn luyện, không phải giới hạn cứng về số lượng đầu vào.
Phạm vi đa ngôn ngữ được tài liệu hóa theo các ngôn ngữ Llama Guard 3 hỗ trợ, và thẻ bàn về tiếng Anh cùng tiếng Pháp, Đức, Hindi, Ý, Bồ Đào Nha, Tây Ban Nha và Thái. Yêu cầu phân loại cần giữ cách diễn đạt thực tế và bối cảnh trực quan trong ngôn ngữ đang được đánh giá, thay vì thay nội dung bằng bản tóm tắt không liên quan.
Chuẩn bị kết quả phân loại hữu ích
Đối với kiểm tra đầu vào, cung cấp tin nhắn người dùng cùng các hình ảnh liên quan và yêu cầu phân loại prompt theo định dạng của nhà sản xuất. Đối với kiểm tra đầu ra, cung cấp phản hồi thực tế của trợ lý cùng tin nhắn trước đó có liên quan. Ví dụ nhiều ảnh có thể giữ văn bản liên kết các ảnh để mô hình đánh giá yêu cầu kết hợp thay vì các mảnh độc lập không có bối cảnh.
Thẻ mô hình minh họa áp dụng mẫu hội thoại tương ứng và chỉ giải mã phần phân loại được tạo. Ví dụ tạo mười token minh họa kết quả nhãn ngắn; con số đó không phải dung lượng câu trả lời tối đa riêng. Giữ đầu ra được yêu cầu phù hợp với mục đích bộ phân loại thay vì yêu cầu nó viết câu trả lời hội thoại thông thường.
Hạn chế cụ thể
Nhà sản xuất nêu các phán định có thể bị giới hạn bởi dữ liệu huấn luyện, kiến thức thường thức, phạm vi ngôn ngữ và phạm vi chính sách của mô hình. Các nhóm phỉ báng, sở hữu trí tuệ và liên quan bầu cử có thể đòi hỏi kiến thức thực tế, hiện tại mà bộ phân loại không có. Vì vậy, nhãn nhóm cần giữ quan hệ với nội dung và thông tin sẵn có cho lần đánh giá đó.
Thẻ báo cáo kiểm tra chủ yếu trên prompt có vài hình ảnh, thường nhất là ba, và lưu ý hành vi có thể thay đổi với tập ảnh lớn hơn nhiều. Điều này mô tả phạm vi đã kiểm tra thay vì giới hạn tối đa ba ảnh phổ quát. Mô hình cũng có thể dễ bị ảnh hưởng bởi nội dung đối kháng hoặc prompt injection làm thay đổi hành vi dự kiến.
Vai trò bộ phân loại của Llama Guard 4 không nên kế thừa đặc tả ngữ cảnh hoặc khả năng trợ lý tổng quát của Scout chỉ vì được cắt tỉa từ Scout. Thẻ đã đọc không đưa ra dung lượng ngữ cảnh hoặc token đầu ra cứng riêng cho bộ phân loại này. Giữ tài liệu đã đánh giá và nhãn hệ phân loại làm sản phẩm thực tế, rồi để ứng dụng quyết định hành động gắn với kết quả đó.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Đầu ra · Token đầu ra $0.00036 / 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 $0.00036 / 1K token Đầu ra · Token đầu ra $0.00036 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 meta-llama/llama-guard-4-12b
Dùng các đường dẫn phương thức hiển thị ở trên.
meta-llama/llama-guard-4-12bLlama Guard 4 12B là bộ phân loại nội dung đa phương thức của Meta dành cho prompt và phản hồi được tạo. Mô hình phân tích văn bản cùng một hoặc nhiều hình ảnh và trả lại nhãn safe/unsafe cùng các nhóm nguy hại áp dụng, sử dụng kiến trúc dense được cắt tỉa từ Llama 4 Scout.
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.
Llama Guard 4 12B là bộ phân loại an toàn đa phương thức nguyên bản của Meta, có 12 tỷ tham số. Mô hình được huấn luyện chung trên văn bản và nhiều hình ảnh, tạo phân loại dạng văn bản: safe hoặc unsafe, cùng các nhóm nguy hại bị vi phạm khi kết quả là unsafe. Mục đích của mô hình là đánh giá nội dung trong prompt hoặc phản hồi được tạo, thay vì hoạt động như trợ lý trò chuyện đa dụng.
Phân loại prompt và phản hồi
Mô hình có thể phân loại tài liệu trước khi gửi đến mô hình tạo sinh, sau khi mô hình đó tạo câu trả lời hoặc tại cả hai thời điểm. Đây là các câu hỏi khác nhau. Phân loại prompt đánh giá đầu vào người dùng, còn phân loại phản hồi đánh giá điều trợ lý thực sự viết. Vì vậy, hệ thống có thể phân biệt yêu cầu rủi ro với phản hồi xử lý yêu cầu theo cách chấp nhận được trong hệ phân loại của bộ phân loại.
Cung cấp nội dung chính xác cần phân loại cùng vai trò hội thoại và bối cảnh liên quan. Nếu đối tượng là phản hồi, giữ câu hỏi tạo ý nghĩa cho phản hồi đó. Với đầu vào trộn văn bản và hình ảnh, bao gồm các hình ảnh gắn với prompt ấy thay vì phân loại văn bản không liên quan hoặc một ảnh được chọn tùy ý. Kết quả bộ phân loại là thông tin cho quy tắc hoặc bước đánh giá của ứng dụng; tự nó không chặn yêu cầu hoặc thay đổi tệp.
Mười bốn nhóm nguy hại
Nhà sản xuất căn chỉnh bộ phân loại theo hệ phân loại nguy hại MLCommons và bổ sung nhóm trình thông dịch mã chỉ dành cho văn bản. Mười bốn nhãn bao quát tội phạm bạo lực, tội phạm phi bạo lực, tội phạm liên quan tình dục, bóc lột tình dục trẻ em, phỉ báng, tư vấn chuyên môn, quyền riêng tư, sở hữu trí tuệ, vũ khí gây hại không phân biệt, thù ghét, tự sát và tự hại, nội dung tình dục, bầu cử và lạm dụng trình thông dịch mã.
Các nhóm sử dụng định danh S1 đến S14. S14, Code Interpreter Abuse, dành riêng cho trường hợp sử dụng gọi công cụ chỉ văn bản. Giữ định danh hệ phân loại cùng kết quả safe/unsafe để bước ứng dụng sau có thể diễn giải phân loại theo cùng định nghĩa nhóm. Kết quả ngắn là phán định nhóm, không phải giải thích đầy đủ, kết luận pháp lý hoặc bảo đảm rằng mọi nguy hại có thể có đều đã được phát hiện.
Trong một định dạng minh họa, phân loại unsafe có thể được theo sau bởi định danh nhóm áp dụng. Giữ văn bản gốc đã đánh giá, nguồn hoặc vị trí hội thoại của nó và các nhãn trả về cùng nhau. Mối gắn kết đó giúp ứng dụng phân biệt nội dung đã xem xét với phản hồi được viết lại về sau hoặc prompt riêng.
Kiến trúc và huấn luyện
Llama Guard 4 có kiến trúc Transformer dense hợp nhất sớm, được cắt tỉa từ checkpoint Llama 4 Scout tiền huấn luyện. Nhà sản xuất loại bỏ các chuyên gia được định tuyến và các lớp định tuyến, giữ chuyên gia dense dùng chung, rồi hậu huấn luyện mô hình thu được cho phân loại nội dung. Không có tiền huấn luyện bổ sung sau bước cắt tỉa đó. Điều này tạo mô hình khác với phiên bản trò chuyện hỗn hợp chuyên gia của Scout.
Mô hình dùng chung tokenizer và bộ mã hóa thị giác của Llama 4, kết hợp huấn luyện phân loại chỉ văn bản với đa phương thức. Nhà sản xuất mô tả dữ liệu đa ngôn ngữ và huấn luyện nhiều hình ảnh, trong đó phần lớn mẫu như vậy chứa hai đến năm ảnh và tỷ lệ pha trộn dữ liệu chỉ văn bản với đa phương thức xấp xỉ ba trên một. Đó là đặc điểm huấn luyện, không phải giới hạn cứng về số lượng đầu vào.
Phạm vi đa ngôn ngữ được tài liệu hóa theo các ngôn ngữ Llama Guard 3 hỗ trợ, và thẻ bàn về tiếng Anh cùng tiếng Pháp, Đức, Hindi, Ý, Bồ Đào Nha, Tây Ban Nha và Thái. Yêu cầu phân loại cần giữ cách diễn đạt thực tế và bối cảnh trực quan trong ngôn ngữ đang được đánh giá, thay vì thay nội dung bằng bản tóm tắt không liên quan.
Chuẩn bị kết quả phân loại hữu ích
Đối với kiểm tra đầu vào, cung cấp tin nhắn người dùng cùng các hình ảnh liên quan và yêu cầu phân loại prompt theo định dạng của nhà sản xuất. Đối với kiểm tra đầu ra, cung cấp phản hồi thực tế của trợ lý cùng tin nhắn trước đó có liên quan. Ví dụ nhiều ảnh có thể giữ văn bản liên kết các ảnh để mô hình đánh giá yêu cầu kết hợp thay vì các mảnh độc lập không có bối cảnh.
Thẻ mô hình minh họa áp dụng mẫu hội thoại tương ứng và chỉ giải mã phần phân loại được tạo. Ví dụ tạo mười token minh họa kết quả nhãn ngắn; con số đó không phải dung lượng câu trả lời tối đa riêng. Giữ đầu ra được yêu cầu phù hợp với mục đích bộ phân loại thay vì yêu cầu nó viết câu trả lời hội thoại thông thường.
Hạn chế cụ thể
Nhà sản xuất nêu các phán định có thể bị giới hạn bởi dữ liệu huấn luyện, kiến thức thường thức, phạm vi ngôn ngữ và phạm vi chính sách của mô hình. Các nhóm phỉ báng, sở hữu trí tuệ và liên quan bầu cử có thể đòi hỏi kiến thức thực tế, hiện tại mà bộ phân loại không có. Vì vậy, nhãn nhóm cần giữ quan hệ với nội dung và thông tin sẵn có cho lần đánh giá đó.
Thẻ báo cáo kiểm tra chủ yếu trên prompt có vài hình ảnh, thường nhất là ba, và lưu ý hành vi có thể thay đổi với tập ảnh lớn hơn nhiều. Điều này mô tả phạm vi đã kiểm tra thay vì giới hạn tối đa ba ảnh phổ quát. Mô hình cũng có thể dễ bị ảnh hưởng bởi nội dung đối kháng hoặc prompt injection làm thay đổi hành vi dự kiến.
Vai trò bộ phân loại của Llama Guard 4 không nên kế thừa đặc tả ngữ cảnh hoặc khả năng trợ lý tổng quát của Scout chỉ vì được cắt tỉa từ Scout. Thẻ đã đọc không đưa ra dung lượng ngữ cảnh hoặc token đầu ra cứng riêng cho bộ phân loại này. Giữ tài liệu đã đánh giá và nhãn hệ phân loại làm sản phẩm thực tế, rồi để ứng dụng quyết định hành động gắn với kết quả đó.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn meta-llama/llama-guard-4-12b | 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 $0.00036 / 1K token Đầu ra · Token đầu ra $0.00036 / 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 $0.00036 / 1K token Đầu ra · Token đầu ra $0.00036 / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 meta-llama/llama-guard-4-12b
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
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.