Llama 4 Maverick Instruct 是 Meta 用於助理式對話與視覺推理的原生多模態模型。它接收多語言文字與圖片，生成多語言文字或程式碼。其混合專家架構採用早期融合，在模型內結合視覺與文字資訊，而非將圖片視為由另一個文字助理提供、互不相關的圖片說明。
模型資訊與上下文
製造商為 Maverick 列出 128 個專家、170 億啟用參數與 4,000 億總參數。雖然 Maverick 與 Scout 都標示 17B 啟用規模，但這些規格與 Scout 的 16 專家、109B 總參數設定不同。Instruct 名稱識別的是助理導向檢查點，而非預訓練 Maverick 模型。
模型卡為 Maverick 記錄 1M 上下文視窗。請利用上下文將相關段落、圖片、對話與要求的答案保留在一起。大型來源集合仍需要明確問題與產物。請標示來源文件及圖片，並要求每項擷取發現的支持位置，不要要求對所有資料進行無方向的摘要。
支援語言為阿拉伯語、英語、法語、德語、印地語、印尼語、義大利語、葡萄牙語、西班牙語、他加祿語、泰語及越南語。製造商將這十二種支援語言，與預訓練使用的約二百種較廣語言集合區分。某語言出現在訓練資料中，不應被轉為每種語言能力相同的承諾。
聊天、視覺與程式碼任務
模型卡預定視覺用途包含辨識、圖片推理、圖片說明，以及回答圖片的一般問題。對於照片，請要求模型辨識與任務相關的物件或關係。對於圖表，請要求比較具名數列，並保留座標軸與單位。圖解則可詢問哪項有標籤的連結支持提供的需求。
比較多張圖片時，請識別每張圖片的角色，並要求以相同準則比較。例如，提供原始設計與修訂版，再要求可見的一致、差異，以及圖片無法確立的細節。請將觀察與依賴隨附文字的結論分開。這讓輸出更容易對照實際來源檢視。
製造商報告以最多五張輸入圖片測試圖片理解。這是文件所載測試範圍，不是無條件的圖片數量硬上限。請保留問題所需細節與圖片順序。加入大量無關圖片，本身不會定義要比較什麼。
程式設計任務請提供需求、相關原始碼與預期行為。請將實作提案與其假設、範例分開要求。螢幕擷取畫面可提供視覺需求，文字條件則提供畫面無法顯示的行為。生成程式碼是文字產物；執行它、檢視算繪介面或套用到程式碼庫，都需要連接環境。
對話準備與訓練
模型卡示範相符處理器與聊天範本，使用兩張圖片及書面比較問題。請明確保留對話角色與圖文關聯。系統指示可定義讀者、語氣與回應結構，使用者訊息則提供實際任務與證據。製造商描述後訓練改善系統提示詞可引導性與對話格式。
Maverick 以約 22 兆 token 的多模態資料預訓練，陳述的預訓練資料截止時間為 2024 年 8 月。這是靜態訓練資料邊界，而非即時存取當前資訊。當問題依賴較新或私人資料時，請將資料作為來源上下文提供，或透過獨立連接的檢索操作取得。
此版本包含 BF16 與另行量化的 FP8 權重。這些精度選擇不會建立另一種輸入模態，也不會將 Scout 的 10M 上下文賦予 Maverick。比較重複任務或衍生部署時，請保留精確 Instruct 檢查點與設定。
實際結果設計
文件圖片任務可將來源識別碼、可見陳述、擷取值與解讀分為不同欄位。對話式說明可保留原始術語，並依讀者使用的支援語言調整文字表達。程式設計要求可回傳修訂片段，以及能區分預期行為的範例。
提供資料之前，請定義最終結果的用途。即使共用相同圖片，簡短圖片說明、比較表與程式提案也解決不同任務。模型的視覺與語言能力提供解讀與文字；外部檢索、執行或檔案製作則來自應用程式元件。
具體邊界
此處文件所載輸入為文字與圖片，輸出為文字與程式碼。不應將音訊或影片理解、語音生成，或 Muse Spark 具名推理強度控制項套用到此 Maverick 版本。Llama Guard 也是另行訓練的分類器，而非 Maverick 答案自動附帶的分類器輸出。
模型卡中的 256 token 生成範例是範例設定，已讀來源未確立模型上下文規格以外、獨立的硬性輸出 token 上限。請明確保留 Maverick 身分、支援語言範圍與連結到來源的最終產物，不要借用其他 Llama 版本的限制或模式。
", "aboutText": "Llama 4 Maverick Instruct 是 Meta 用於助理式對話與視覺推理的原生多模態模型。它接收多語言文字與圖片，生成多語言文字或程式碼。其混合專家架構採用早期融合，在模型內結合視覺與文字資訊，而非將圖片視為由另一個文字助理提供、互不相關的圖片說明。\n\n模型資訊與上下文\n\n製造商為 Maverick 列出 128 個專家、170 億啟用參數與 4,000 億總參數。雖然 Maverick 與 Scout 都標示 17B 啟用規模，但這些規格與 Scout 的 16 專家、109B 總參數設定不同。Instruct 名稱識別的是助理導向檢查點，而非預訓練 Maverick 模型。\n\n模型卡為 Maverick 記錄 1M 上下文視窗。請利用上下文將相關段落、圖片、對話與要求的答案保留在一起。大型來源集合仍需要明確問題與產物。請標示來源文件及圖片，並要求每項擷取發現的支持位置，不要要求對所有資料進行無方向的摘要。\n\n支援語言為阿拉伯語、英語、法語、德語、印地語、印尼語、義大利語、葡萄牙語、西班牙語、他加祿語、泰語及越南語。製造商將這十二種支援語言，與預訓練使用的約二百種較廣語言集合區分。某語言出現在訓練資料中，不應被轉為每種語言能力相同的承諾。\n\n聊天、視覺與程式碼任務\n\n模型卡預定視覺用途包含辨識、圖片推理、圖片說明，以及回答圖片的一般問題。對於照片，請要求模型辨識與任務相關的物件或關係。對於圖表，請要求比較具名數列，並保留座標軸與單位。圖解則可詢問哪項有標籤的連結支持提供的需求。\n\n比較多張圖片時，請識別每張圖片的角色，並要求以相同準則比較。例如，提供原始設計與修訂版，再要求可見的一致、差異，以及圖片無法確立的細節。請將觀察與依賴隨附文字的結論分開。這讓輸出更容易對照實際來源檢視。\n\n製造商報告以最多五張輸入圖片測試圖片理解。這是文件所載測試範圍，不是無條件的圖片數量硬上限。請保留問題所需細節與圖片順序。加入大量無關圖片，本身不會定義要比較什麼。\n\n程式設計任務請提供需求、相關原始碼與預期行為。請將實作提案與其假設、範例分開要求。螢幕擷取畫面可提供視覺需求，文字條件則提供畫面無法顯示的行為。生成程式碼是文字產物；執行它、檢視算繪介面或套用到程式碼庫，都需要連接環境。\n\n對話準備與訓練\n\n模型卡示範相符處理器與聊天範本，使用兩張圖片及書面比較問題。請明確保留對話角色與圖文關聯。系統指示可定義讀者、語氣與回應結構，使用者訊息則提供實際任務與證據。製造商描述後訓練改善系統提示詞可引導性與對話格式。\n\nMaverick 以約 22 兆 token 的多模態資料預訓練，陳述的預訓練資料截止時間為 2024 年 8 月。這是靜態訓練資料邊界，而非即時存取當前資訊。當問題依賴較新或私人資料時，請將資料作為來源上下文提供，或透過獨立連接的檢索操作取得。\n\n此版本包含 BF16 與另行量化的 FP8 權重。這些精度選擇不會建立另一種輸入模態，也不會將 Scout 的 10M 上下文賦予 Maverick。比較重複任務或衍生部署時，請保留精確 Instruct 檢查點與設定。\n\n實際結果設計\n\n文件圖片任務可將來源識別碼、可見陳述、擷取值與解讀分為不同欄位。對話式說明可保留原始術語，並依讀者使用的支援語言調整文字表達。程式設計要求可回傳修訂片段，以及能區分預期行為的範例。\n\n提供資料之前，請定義最終結果的用途。即使共用相同圖片，簡短圖片說明、比較表與程式提案也解決不同任務。模型的視覺與語言能力提供解讀與文字；外部檢索、執行或檔案製作則來自應用程式元件。\n\n具體邊界\n\n此處文件所載輸入為文字與圖片，輸出為文字與程式碼。不應將音訊或影片理解、語音生成，或 Muse Spark 具名推理強度控制項套用到此 Maverick 版本。Llama Guard 也是另行訓練的分類器，而非 Maverick 答案自動附帶的分類器輸出。\n\n模型卡中的 256 token 生成範例是範例設定，已讀來源未確立模型上下文規格以外、獨立的硬性輸出 token 上限。請明確保留 Maverick 身分、支援語言範圍與連結到來源的最終產物，不要借用其他 Llama 版本的限制或模式。", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.llama-4-maverickLlama 4 Maverick 是 Meta 原生接受文字與圖片的 Instruct 模型，具備 128 個專家、17B 啟用參數與 400B 總參數。製造商文件列出 1M 上下文、多語言文字／程式碼輸出、視覺辨識、圖片說明與圖片問答，並將其作為有別於 Scout 的獨立版本。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Llama 4 Maverick Instruct 是 Meta 用於助理式對話與視覺推理的原生多模態模型。它接收多語言文字與圖片，生成多語言文字或程式碼。其混合專家架構採用早期融合，在模型內結合視覺與文字資訊，而非將圖片視為由另一個文字助理提供、互不相關的圖片說明。
模型資訊與上下文
製造商為 Maverick 列出 128 個專家、170 億啟用參數與 4,000 億總參數。雖然 Maverick 與 Scout 都標示 17B 啟用規模，但這些規格與 Scout 的 16 專家、109B 總參數設定不同。Instruct 名稱識別的是助理導向檢查點，而非預訓練 Maverick 模型。
模型卡為 Maverick 記錄 1M 上下文視窗。請利用上下文將相關段落、圖片、對話與要求的答案保留在一起。大型來源集合仍需要明確問題與產物。請標示來源文件及圖片，並要求每項擷取發現的支持位置，不要要求對所有資料進行無方向的摘要。
支援語言為阿拉伯語、英語、法語、德語、印地語、印尼語、義大利語、葡萄牙語、西班牙語、他加祿語、泰語及越南語。製造商將這十二種支援語言，與預訓練使用的約二百種較廣語言集合區分。某語言出現在訓練資料中，不應被轉為每種語言能力相同的承諾。
聊天、視覺與程式碼任務
模型卡預定視覺用途包含辨識、圖片推理、圖片說明，以及回答圖片的一般問題。對於照片，請要求模型辨識與任務相關的物件或關係。對於圖表，請要求比較具名數列，並保留座標軸與單位。圖解則可詢問哪項有標籤的連結支持提供的需求。
比較多張圖片時，請識別每張圖片的角色，並要求以相同準則比較。例如，提供原始設計與修訂版，再要求可見的一致、差異，以及圖片無法確立的細節。請將觀察與依賴隨附文字的結論分開。這讓輸出更容易對照實際來源檢視。
製造商報告以最多五張輸入圖片測試圖片理解。這是文件所載測試範圍，不是無條件的圖片數量硬上限。請保留問題所需細節與圖片順序。加入大量無關圖片，本身不會定義要比較什麼。
程式設計任務請提供需求、相關原始碼與預期行為。請將實作提案與其假設、範例分開要求。螢幕擷取畫面可提供視覺需求，文字條件則提供畫面無法顯示的行為。生成程式碼是文字產物；執行它、檢視算繪介面或套用到程式碼庫，都需要連接環境。
對話準備與訓練
模型卡示範相符處理器與聊天範本，使用兩張圖片及書面比較問題。請明確保留對話角色與圖文關聯。系統指示可定義讀者、語氣與回應結構，使用者訊息則提供實際任務與證據。製造商描述後訓練改善系統提示詞可引導性與對話格式。
Maverick 以約 22 兆 token 的多模態資料預訓練，陳述的預訓練資料截止時間為 2024 年 8 月。這是靜態訓練資料邊界，而非即時存取當前資訊。當問題依賴較新或私人資料時，請將資料作為來源上下文提供，或透過獨立連接的檢索操作取得。
此版本包含 BF16 與另行量化的 FP8 權重。這些精度選擇不會建立另一種輸入模態，也不會將 Scout 的 10M 上下文賦予 Maverick。比較重複任務或衍生部署時，請保留精確 Instruct 檢查點與設定。
實際結果設計
文件圖片任務可將來源識別碼、可見陳述、擷取值與解讀分為不同欄位。對話式說明可保留原始術語，並依讀者使用的支援語言調整文字表達。程式設計要求可回傳修訂片段，以及能區分預期行為的範例。
提供資料之前，請定義最終結果的用途。即使共用相同圖片，簡短圖片說明、比較表與程式提案也解決不同任務。模型的視覺與語言能力提供解讀與文字；外部檢索、執行或檔案製作則來自應用程式元件。
具體邊界
此處文件所載輸入為文字與圖片，輸出為文字與程式碼。不應將音訊或影片理解、語音生成，或 Muse Spark 具名推理強度控制項套用到此 Maverick 版本。Llama Guard 也是另行訓練的分類器，而非 Maverick 答案自動附帶的分類器輸出。
模型卡中的 256 token 生成範例是範例設定，已讀來源未確立模型上下文規格以外、獨立的硬性輸出 token 上限。請明確保留 Maverick 身分、支援語言範圍與連結到來源的最終產物，不要借用其他 Llama 版本的限制或模式。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 llama-4-maverick | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 項目數下限: 1 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 依模型而定 | 預設值— |
欄位messages[].content | 類型string | 要求選填 | 值與限制 適用條件: 文字對話 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF8 文字
messages[].content
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數material_types | 規格text |
參數messages | 規格具有 role/content 結構的訊息陣列 |
參數file_material | 規格實際 UTF-8 文件以原文文字插入；不推定檔案 ID |
參數optional_controls | 規格stream |
參數control_scope | 規格文字對話；stream 是布林值，預設為 false。 |
參數output_modalities | 規格text |
參數hosted_operations | 規格false |
參數multimodal_input_binding | 規格null |
方法別名： /chat/completions
生命週期： synchronous_or_streamed
將確切模型 ID 與 messages 一併送出。
上下文長度不是輸出上限。
文字檔案可提供原文文字；圖片／音訊／檔案物件輸入需要精確綁定。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000375 / 1K Token 輸出 · 輸出 Token $0.001305 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000375 / 1K Token 輸出 · 輸出 Token $0.001305 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"llama-4-maverick","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="llama-4-maverick", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個候選項及其內容／工具呼叫／推理。SSE 中依候選項／工具索引組合增量，保留最終完成原因與用量。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位choices[].index | 類型integer |
欄位choices[].message.content | 類型string|null |
欄位choices[].message.tool_calls | 類型tool_call[] |
欄位choices[].message.reasoning_content | 類型string |
欄位choices[].message.reasoning_details | 類型object|array |
欄位choices[].finish_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
llama-4-maverickLlama 4 Maverick 是 Meta 原生接受文字與圖片的 Instruct 模型，具備 128 個專家、17B 啟用參數與 400B 總參數。製造商文件列出 1M 上下文、多語言文字／程式碼輸出、視覺辨識、圖片說明與圖片問答，並將其作為有別於 Scout 的獨立版本。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Llama 4 Maverick Instruct 是 Meta 用於助理式對話與視覺推理的原生多模態模型。它接收多語言文字與圖片，生成多語言文字或程式碼。其混合專家架構採用早期融合，在模型內結合視覺與文字資訊，而非將圖片視為由另一個文字助理提供、互不相關的圖片說明。
模型資訊與上下文
製造商為 Maverick 列出 128 個專家、170 億啟用參數與 4,000 億總參數。雖然 Maverick 與 Scout 都標示 17B 啟用規模，但這些規格與 Scout 的 16 專家、109B 總參數設定不同。Instruct 名稱識別的是助理導向檢查點，而非預訓練 Maverick 模型。
模型卡為 Maverick 記錄 1M 上下文視窗。請利用上下文將相關段落、圖片、對話與要求的答案保留在一起。大型來源集合仍需要明確問題與產物。請標示來源文件及圖片，並要求每項擷取發現的支持位置，不要要求對所有資料進行無方向的摘要。
支援語言為阿拉伯語、英語、法語、德語、印地語、印尼語、義大利語、葡萄牙語、西班牙語、他加祿語、泰語及越南語。製造商將這十二種支援語言，與預訓練使用的約二百種較廣語言集合區分。某語言出現在訓練資料中，不應被轉為每種語言能力相同的承諾。
聊天、視覺與程式碼任務
模型卡預定視覺用途包含辨識、圖片推理、圖片說明，以及回答圖片的一般問題。對於照片，請要求模型辨識與任務相關的物件或關係。對於圖表，請要求比較具名數列，並保留座標軸與單位。圖解則可詢問哪項有標籤的連結支持提供的需求。
比較多張圖片時，請識別每張圖片的角色，並要求以相同準則比較。例如，提供原始設計與修訂版，再要求可見的一致、差異，以及圖片無法確立的細節。請將觀察與依賴隨附文字的結論分開。這讓輸出更容易對照實際來源檢視。
製造商報告以最多五張輸入圖片測試圖片理解。這是文件所載測試範圍，不是無條件的圖片數量硬上限。請保留問題所需細節與圖片順序。加入大量無關圖片，本身不會定義要比較什麼。
程式設計任務請提供需求、相關原始碼與預期行為。請將實作提案與其假設、範例分開要求。螢幕擷取畫面可提供視覺需求，文字條件則提供畫面無法顯示的行為。生成程式碼是文字產物；執行它、檢視算繪介面或套用到程式碼庫，都需要連接環境。
對話準備與訓練
模型卡示範相符處理器與聊天範本，使用兩張圖片及書面比較問題。請明確保留對話角色與圖文關聯。系統指示可定義讀者、語氣與回應結構，使用者訊息則提供實際任務與證據。製造商描述後訓練改善系統提示詞可引導性與對話格式。
Maverick 以約 22 兆 token 的多模態資料預訓練，陳述的預訓練資料截止時間為 2024 年 8 月。這是靜態訓練資料邊界，而非即時存取當前資訊。當問題依賴較新或私人資料時，請將資料作為來源上下文提供，或透過獨立連接的檢索操作取得。
此版本包含 BF16 與另行量化的 FP8 權重。這些精度選擇不會建立另一種輸入模態，也不會將 Scout 的 10M 上下文賦予 Maverick。比較重複任務或衍生部署時，請保留精確 Instruct 檢查點與設定。
實際結果設計
文件圖片任務可將來源識別碼、可見陳述、擷取值與解讀分為不同欄位。對話式說明可保留原始術語，並依讀者使用的支援語言調整文字表達。程式設計要求可回傳修訂片段，以及能區分預期行為的範例。
提供資料之前，請定義最終結果的用途。即使共用相同圖片，簡短圖片說明、比較表與程式提案也解決不同任務。模型的視覺與語言能力提供解讀與文字；外部檢索、執行或檔案製作則來自應用程式元件。
具體邊界
此處文件所載輸入為文字與圖片，輸出為文字與程式碼。不應將音訊或影片理解、語音生成，或 Muse Spark 具名推理強度控制項套用到此 Maverick 版本。Llama Guard 也是另行訓練的分類器，而非 Maverick 答案自動附帶的分類器輸出。
模型卡中的 256 token 生成範例是範例設定，已讀來源未確立模型上下文規格以外、獨立的硬性輸出 token 上限。請明確保留 Maverick 身分、支援語言範圍與連結到來源的最終產物，不要借用其他 Llama 版本的限制或模式。
POST /v1/messagestextjson, sse| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 llama-4-maverick | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 user, assistant | 預設值— |
欄位messages[].content | 類型string | 要求必填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF-8 文字
messages[].content 字串
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional_controls | 規格stream |
參數material_types | 規格text |
參數text_file_material | 規格讀取實際 UTF-8 文件，將文字放入指定的 input 或訊息內容字串。 |
生命週期： synchronous_or_streamed
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000375 / 1K Token 輸出 · 輸出 Token $0.001305 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000375 / 1K Token 輸出 · 輸出 Token $0.001305 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留所有內容區塊、思考簽章與實際工具使用 ID。組合所有 SSE 區塊增量；第一個文字區塊不是完整輸出。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位id | 類型string |
欄位model | 類型string |
欄位content[] | 類型text|thinking|tool_use|other content block |
欄位stop_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick 是 Meta 原生接受文字與圖片的 Instruct 模型，具備 128 個專家、17B 啟用參數與 400B 總參數。製造商文件列出 1M 上下文、多語言文字／程式碼輸出、視覺辨識、圖片說明與圖片問答，並將其作為有別於 Scout 的獨立版本。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Llama 4 Maverick Instruct 是 Meta 用於助理式對話與視覺推理的原生多模態模型。它接收多語言文字與圖片，生成多語言文字或程式碼。其混合專家架構採用早期融合，在模型內結合視覺與文字資訊，而非將圖片視為由另一個文字助理提供、互不相關的圖片說明。
模型資訊與上下文
製造商為 Maverick 列出 128 個專家、170 億啟用參數與 4,000 億總參數。雖然 Maverick 與 Scout 都標示 17B 啟用規模，但這些規格與 Scout 的 16 專家、109B 總參數設定不同。Instruct 名稱識別的是助理導向檢查點，而非預訓練 Maverick 模型。
模型卡為 Maverick 記錄 1M 上下文視窗。請利用上下文將相關段落、圖片、對話與要求的答案保留在一起。大型來源集合仍需要明確問題與產物。請標示來源文件及圖片，並要求每項擷取發現的支持位置，不要要求對所有資料進行無方向的摘要。
支援語言為阿拉伯語、英語、法語、德語、印地語、印尼語、義大利語、葡萄牙語、西班牙語、他加祿語、泰語及越南語。製造商將這十二種支援語言，與預訓練使用的約二百種較廣語言集合區分。某語言出現在訓練資料中，不應被轉為每種語言能力相同的承諾。
聊天、視覺與程式碼任務
模型卡預定視覺用途包含辨識、圖片推理、圖片說明，以及回答圖片的一般問題。對於照片，請要求模型辨識與任務相關的物件或關係。對於圖表，請要求比較具名數列，並保留座標軸與單位。圖解則可詢問哪項有標籤的連結支持提供的需求。
比較多張圖片時，請識別每張圖片的角色，並要求以相同準則比較。例如，提供原始設計與修訂版，再要求可見的一致、差異，以及圖片無法確立的細節。請將觀察與依賴隨附文字的結論分開。這讓輸出更容易對照實際來源檢視。
製造商報告以最多五張輸入圖片測試圖片理解。這是文件所載測試範圍，不是無條件的圖片數量硬上限。請保留問題所需細節與圖片順序。加入大量無關圖片，本身不會定義要比較什麼。
程式設計任務請提供需求、相關原始碼與預期行為。請將實作提案與其假設、範例分開要求。螢幕擷取畫面可提供視覺需求，文字條件則提供畫面無法顯示的行為。生成程式碼是文字產物；執行它、檢視算繪介面或套用到程式碼庫，都需要連接環境。
對話準備與訓練
模型卡示範相符處理器與聊天範本，使用兩張圖片及書面比較問題。請明確保留對話角色與圖文關聯。系統指示可定義讀者、語氣與回應結構，使用者訊息則提供實際任務與證據。製造商描述後訓練改善系統提示詞可引導性與對話格式。
Maverick 以約 22 兆 token 的多模態資料預訓練，陳述的預訓練資料截止時間為 2024 年 8 月。這是靜態訓練資料邊界，而非即時存取當前資訊。當問題依賴較新或私人資料時，請將資料作為來源上下文提供，或透過獨立連接的檢索操作取得。
此版本包含 BF16 與另行量化的 FP8 權重。這些精度選擇不會建立另一種輸入模態，也不會將 Scout 的 10M 上下文賦予 Maverick。比較重複任務或衍生部署時，請保留精確 Instruct 檢查點與設定。
實際結果設計
文件圖片任務可將來源識別碼、可見陳述、擷取值與解讀分為不同欄位。對話式說明可保留原始術語，並依讀者使用的支援語言調整文字表達。程式設計要求可回傳修訂片段，以及能區分預期行為的範例。
提供資料之前，請定義最終結果的用途。即使共用相同圖片，簡短圖片說明、比較表與程式提案也解決不同任務。模型的視覺與語言能力提供解讀與文字；外部檢索、執行或檔案製作則來自應用程式元件。
具體邊界
此處文件所載輸入為文字與圖片，輸出為文字與程式碼。不應將音訊或影片理解、語音生成，或 Muse Spark 具名推理強度控制項套用到此 Maverick 版本。Llama Guard 也是另行訓練的分類器，而非 Maverick 答案自動附帶的分類器輸出。
模型卡中的 256 token 生成範例是範例設定，已讀來源未確立模型上下文規格以外、獨立的硬性輸出 token 上限。請明確保留 Maverick 身分、支援語言範圍與連結到來源的最終產物，不要借用其他 Llama 版本的限制或模式。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 meta-llama/llama-4-maverick | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 項目數下限: 1 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 範例：system, user, assistant, tool, function 條件: 這些角色由 原始碼中的相容型別明確表示；確切角色集合仍依模型而定。 依模型而定 | 預設值— |
欄位messages[].content | 類型string|content_part[]|null | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_calls | 類型tool_call[] | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_call_id | 類型string | 要求選填 | 值與限制 適用條件: role=tool；使用實際回傳的 ID | 預設值— |
欄位messages[].name | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位messages[].reasoning_content | 類型string | 要求選填 | 值與限制 適用條件: 此模型使用推理內容時，將實際回傳的推理內容帶回後續請求 | 預設值— |
欄位messages[].reasoning_details | 類型object|array | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位max_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位max_completion_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
欄位stream_options.include_usage | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位stop | 類型string|string[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools | 類型function_tool[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools[].type | 類型string | 要求選填 | 值與限制 function 依模型而定 | 預設值— |
欄位tools[].function.name | 類型string | 要求必填 | 值與限制 適用條件: 已提供函式工具 | 預設值— |
欄位tools[].function.description | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位tools[].function.parameters | 類型JSON_schema | 要求選填 | 值與限制 | 預設值— |
欄位tool_choice | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位parallel_tool_calls | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位response_format | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning_effort | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位service_tier | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位instructions | 類型string | 要求選填 | 值與限制 相容性欄位 | 預設值— |
欄位functions | 類型function[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位function_call | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位prompt_cache_options | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位modalities | 類型string[] | 要求選填 | 值與限制 text | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 條件: 此 Ultra 文字路由拒絕 provider.options | 預設值— |
欄位cache_control.ttl | 類型string | 要求選填 | 值與限制 條件: 實際提示詞快取位置拒絕 1h | 預設值— |
文字 · UTF8 文字
messages[].content
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數material_types | 規格text |
參數messages | 規格具有 role/content 結構的訊息陣列 |
參數file_material | 規格實際 UTF-8 文件以原文文字插入；不推定檔案 ID |
參數optional_controls | 規格stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
參數control_scope | 規格依模型而定；使用者函式工具與託管工具不同 |
參數output_modalities | 規格text |
參數hosted_operations | 規格false |
參數multimodal_input_binding | 規格null |
生命週期： synchronous_or_streamed
將確切模型 ID 與 messages 一併送出。
上下文長度不是輸出上限。
文字檔案可提供原文文字；圖片／音訊／檔案物件輸入需要精確綁定。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000375 / 1K Token 輸出 · 輸出 Token $0.001305 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000375 / 1K Token 輸出 · 輸出 Token $0.001305 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-4-maverick", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-4-maverick',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個候選項及其內容／工具呼叫／推理。SSE 中依候選項／工具索引組合增量，保留最終完成原因與用量。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位choices[].index | 類型integer |
欄位choices[].message.content | 類型string|null |
欄位choices[].message.tool_calls | 類型tool_call[] |
欄位choices[].message.reasoning_content | 類型string |
欄位choices[].message.reasoning_details | 類型object|array |
欄位choices[].finish_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
meta-llama/llama-4-maverickLlama 4 Maverick 是 Meta 原生接受文字與圖片的 Instruct 模型，具備 128 個專家、17B 啟用參數與 400B 總參數。製造商文件列出 1M 上下文、多語言文字／程式碼輸出、視覺辨識、圖片說明與圖片問答，並將其作為有別於 Scout 的獨立版本。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Llama 4 Maverick Instruct 是 Meta 用於助理式對話與視覺推理的原生多模態模型。它接收多語言文字與圖片，生成多語言文字或程式碼。其混合專家架構採用早期融合，在模型內結合視覺與文字資訊，而非將圖片視為由另一個文字助理提供、互不相關的圖片說明。
模型資訊與上下文
製造商為 Maverick 列出 128 個專家、170 億啟用參數與 4,000 億總參數。雖然 Maverick 與 Scout 都標示 17B 啟用規模，但這些規格與 Scout 的 16 專家、109B 總參數設定不同。Instruct 名稱識別的是助理導向檢查點，而非預訓練 Maverick 模型。
模型卡為 Maverick 記錄 1M 上下文視窗。請利用上下文將相關段落、圖片、對話與要求的答案保留在一起。大型來源集合仍需要明確問題與產物。請標示來源文件及圖片，並要求每項擷取發現的支持位置，不要要求對所有資料進行無方向的摘要。
支援語言為阿拉伯語、英語、法語、德語、印地語、印尼語、義大利語、葡萄牙語、西班牙語、他加祿語、泰語及越南語。製造商將這十二種支援語言，與預訓練使用的約二百種較廣語言集合區分。某語言出現在訓練資料中，不應被轉為每種語言能力相同的承諾。
聊天、視覺與程式碼任務
模型卡預定視覺用途包含辨識、圖片推理、圖片說明，以及回答圖片的一般問題。對於照片，請要求模型辨識與任務相關的物件或關係。對於圖表，請要求比較具名數列，並保留座標軸與單位。圖解則可詢問哪項有標籤的連結支持提供的需求。
比較多張圖片時，請識別每張圖片的角色，並要求以相同準則比較。例如，提供原始設計與修訂版，再要求可見的一致、差異，以及圖片無法確立的細節。請將觀察與依賴隨附文字的結論分開。這讓輸出更容易對照實際來源檢視。
製造商報告以最多五張輸入圖片測試圖片理解。這是文件所載測試範圍，不是無條件的圖片數量硬上限。請保留問題所需細節與圖片順序。加入大量無關圖片，本身不會定義要比較什麼。
程式設計任務請提供需求、相關原始碼與預期行為。請將實作提案與其假設、範例分開要求。螢幕擷取畫面可提供視覺需求，文字條件則提供畫面無法顯示的行為。生成程式碼是文字產物；執行它、檢視算繪介面或套用到程式碼庫，都需要連接環境。
對話準備與訓練
模型卡示範相符處理器與聊天範本，使用兩張圖片及書面比較問題。請明確保留對話角色與圖文關聯。系統指示可定義讀者、語氣與回應結構，使用者訊息則提供實際任務與證據。製造商描述後訓練改善系統提示詞可引導性與對話格式。
Maverick 以約 22 兆 token 的多模態資料預訓練，陳述的預訓練資料截止時間為 2024 年 8 月。這是靜態訓練資料邊界，而非即時存取當前資訊。當問題依賴較新或私人資料時，請將資料作為來源上下文提供，或透過獨立連接的檢索操作取得。
此版本包含 BF16 與另行量化的 FP8 權重。這些精度選擇不會建立另一種輸入模態，也不會將 Scout 的 10M 上下文賦予 Maverick。比較重複任務或衍生部署時，請保留精確 Instruct 檢查點與設定。
實際結果設計
文件圖片任務可將來源識別碼、可見陳述、擷取值與解讀分為不同欄位。對話式說明可保留原始術語，並依讀者使用的支援語言調整文字表達。程式設計要求可回傳修訂片段，以及能區分預期行為的範例。
提供資料之前，請定義最終結果的用途。即使共用相同圖片，簡短圖片說明、比較表與程式提案也解決不同任務。模型的視覺與語言能力提供解讀與文字；外部檢索、執行或檔案製作則來自應用程式元件。
具體邊界
此處文件所載輸入為文字與圖片，輸出為文字與程式碼。不應將音訊或影片理解、語音生成，或 Muse Spark 具名推理強度控制項套用到此 Maverick 版本。Llama Guard 也是另行訓練的分類器，而非 Maverick 答案自動附帶的分類器輸出。
模型卡中的 256 token 生成範例是範例設定，已讀來源未確立模型上下文規格以外、獨立的硬性輸出 token 上限。請明確保留 Maverick 身分、支援語言範圍與連結到來源的最終產物，不要借用其他 Llama 版本的限制或模式。
POST /v1/messagestextjson, sse| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 meta-llama/llama-4-maverick | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 user, assistant | 預設值— |
欄位messages[].content | 類型string | 要求必填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF-8 文字
messages[].content 字串
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional_controls | 規格stream |
參數material_types | 規格text |
參數text_file_material | 規格讀取實際 UTF-8 文件，將文字放入指定的 input 或訊息內容字串。 |
生命週期： synchronous_or_streamed
費率資訊不會增加請求選項。支援的參數列於所選方法中。
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 上下文 Token 數大於 | 上下文 Token 數小於或等於 | 費用 |
|---|---|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 上下文 Token 數大於— | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000375 / 1K Token 輸出 · 輸出 Token $0.001305 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
| 設定請求長度級距 1 | 費率表— | 上下文 Token 數大於0 | 上下文 Token 數小於或等於無上限 | 費用 輸入 · 輸入 Token $0.000375 / 1K Token 輸出 · 輸出 Token $0.001305 / 1K Token 輸入 · 讀取快取 $0.0001 / 1K Token 輸入 · 寫入快取 — / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "meta-llama/llama-4-maverick",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-4-maverick', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留所有內容區塊、思考簽章與實際工具使用 ID。組合所有 SSE 區塊增量；第一個文字區塊不是完整輸出。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位id | 類型string |
欄位model | 類型string |
欄位content[] | 類型text|thinking|tool_use|other content block |
欄位stop_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra llama-4-maverick, meta-llama/llama-4-maverick
/chat/completions
英文技術範例
Explain a return policy in Spanish\n\nExplain this policy in Spanish to a customer, keeping product code ZX-14 unchanged: 'Unused ZX-14 items may be returned within 14 days of delivery. Personalized items are excluded. A purchase receipt is required.' Use three short bullets and retain the distinction between ordinary and personalized items. Base the answer only on this supplied policy.Three Spanish policy bullets retaining the code, time trigger, exclusion and receipt requirement.ZX-14 must stay exact, and the exception for personalized items must not disappear.