AI Prosumer
MR
मेटा

Llama-4-Maverick-17B-128E-Instruct-FP8

API की प्राप्त करा
meta/llama-4-maverick-17b-128e-instruct-fp8
इनपुट → आउटपुट
मजकूर, प्रतिमा मजकूर
प्रवेश
टोकन एक्सचेंज
संदर्भ विंडो
1,048,576 टोकन्स
परवाना: उघड वजन

मॉडेलपासून अनुप्रयोगापर्यंत

जलद प्रारंभ

API संदर्भ
  1. तुमचा API की प्राप्त करा

    ShareAI कन्सोलमध्ये की तयार करा, नंतर ती तुमच्या सर्व्हरवर पर्यावरणीय व्हेरिएबल म्हणून सेव्ह करा.

    API की तयार करा
    पर्यावरणीय व्हेरिएबल
    export SHAREAI_API_KEY="your-api-key"
  2. तुमचा एंडपॉइंट निवडा

    तुमच्या API कीसह Authorization हेडरमध्ये POST विनंती पाठवा.

    पोस्टhttps://api.shareai.now/api/v1/chat/completions
  3. तुमची पहिली विनंती करा

    खालील विनंती तुमच्या निवडलेल्या टॅगचा वापर करते. तुमची API की खाजगी ठेवण्यासाठी ती तुमच्या सर्व्हरवर चालवा.

    cURL
    curl --request POST 'https://api.shareai.now/api/v1/chat/completions' \
      --header "Authorization: Bearer ${SHAREAI_API_KEY}" \
      --header 'Content-Type: application/json' \
      --data-raw '{
      "model": "meta/llama-4-maverick-17b-128e-instruct-fp8",
      "messages": [
        {
          "role": "user",
          "content": "Hello!"
        }
      ],
      "stream": false
    }'
    Python
    import json
    import os
    import urllib.request
    
    payload = json.loads("{\n  \"model\": \"meta/llama-4-maverick-17b-128e-instruct-fp8\",\n  \"messages\": [\n    {\n      \"role\": \"user\",\n      \"content\": \"Hello!\"\n    }\n  ],\n  \"stream\": false\n}")
    request = urllib.request.Request("https://api.shareai.now/api/v1/chat/completions",
        data=json.dumps(payload).encode(),
        headers={
            "Authorization": f"Bearer {os.environ['SHAREAI_API_KEY']}",
            "Content-Type": "application/json",
        },
        method="POST",
    )
    with urllib.request.urlopen(request) as response:
        print(json.load(response))
    टाइपस्क्रिप्ट
    const response = await fetch("https://api.shareai.now/api/v1/chat/completions", {
      method: 'POST',
      headers: {
        Authorization: `Bearer ${process.env.SHAREAI_API_KEY}`,
        'Content-Type': 'application/json',
      },
      body: JSON.stringify({
        "model": "meta/llama-4-maverick-17b-128e-instruct-fp8",
        "messages": [
          {
            "role": "user",
            "content": "Hello!"
          }
        ],
        "stream": false
      }),
    });
    if (!response.ok) throw new Error(await response.text());
    console.log(await response.json());

टोकन एक्सचेंज

टोकन एक्सचेंजद्वारे उपलब्ध

तुमच्या टोकन बॅलन्ससह नेटवर्क वापरा. तुमच्या खात्याच्या वापर सेटिंग्ज ठरवतात की विनंत्यांचे बिलिंग कसे होईल.

थोडी अधिक माहिती

वारंवार विचारले जाणारे प्रश्न

Llama-4-Maverick-17B-128E-Instruct-FP8 म्हणजे काय?

Llama-4-Maverick-17B-128E-Instruct-FP8 हा Meta चा एक मॉडेल आहे जो ShareAI कॅटलॉगमध्ये सूचीबद्ध आहे. त्याच्या वैशिष्ट्यांसाठी टॅग निवडा.

Llama-4-Maverick-17B-128E-Instruct-FP8 ची किंमत किती आहे?

हा टॅग टोकन एक्सचेंजद्वारे उपलब्ध आहे. तुमचा टोकन शिल्लक आणि खाते वापर सेटिंग्ज प्रवेश आणि बिलिंग ठरवतात. तुमचा शिल्लक आणि पात्रता तपासण्यासाठी तुमचा कन्सोल तपासा.

Llama-4-Maverick-17B-128E-Instruct-FP8 कोणते इनपुट्स आणि आउटपुट्स समर्थित करते?

इनपुट्स: मजकूर, प्रतिमा. आउटपुट्स: मजकूर. निवडलेल्या मॉडेल टॅगसाठी ही क्षमता लागू होते. समर्थित विनंती स्वरूपांसाठी एंडपॉइंट दस्तऐवज तपासा.

Llama-4-Maverick-17B-128E-Instruct-FP8 चा संदर्भ लांबी किती आहे?

या टॅगमध्ये 1,048,576 टोकन्सचा संदर्भ विंडो आहे. संदर्भ आकार आणि किंमत मर्यादा वेगळ्या आहेत. विशिष्ट उपयोजनासाठी विनंती मर्यादा कमी असू शकतात.

ShareAI सह Llama-4-Maverick-17B-128E-Instruct-FP8 कसे वापरावे?

ShareAI कन्सोलमध्ये API की तयार करा, मॉडेल टॅग निवडा, आणि क्विक स्टार्टमधील एन्डपॉइंटला प्रमाणित विनंती पाठवा. निवडलेल्या मॉडेलसाठी तुमच्या कीला प्रवेश असणे आवश्यक आहे. तुमची की तुमच्या सर्व्हरवर ठेवा.