Mistral Small je univerzální rodina Mistral AI pro plnění pokynů, práci s dokumenty a programátorské asistenty. Její zveřejněné edice mají odlišné architektury a limity kontextu. Small 4 spojuje plnění pokynů, uvažování a agentní programování v jednom multimodálním modelu. Přijímá text a obrázky a vytváří text, takže stejná úloha může obsahovat písemný požadavek i vizuální podklady, například stránku dokumentu nebo snímek rozhraní.
Small 4 používá architekturu mixture-of-experts s celkem 119 miliardami parametrů a 128 experty, z nichž jsou pro každý token vybráni čtyři. Jeho kontextové okno má 256 tisíc tokenů. Předchozí edice Small 3.2 má kontextové okno 128 tisíc tokenů. Jde o vlastnosti konkrétních verzí: výběr rodiny sleduje aktualizovanou edici, zatímco pevný název modelu označuje konkrétní vydání.
Small 4 poskytuje dvě nastavení intenzity uvažování. Nastavení pro přímou odpověď používá minimální přemýšlení a vrací odpověď bez samostatného úseku uvažování. Nastavení vysoké intenzity přidává před konečnou odpověď podrobnější uvažování a je určeno pro obtížnější problémy. Spojuje tak každodenní konverzaci s matematickou analýzou, výzkumem a programátorskými úlohami. Při konverzaci s uvažováním zachování celé předchozí zprávy asistenta uchovává kontext potřebný pro následující kola.
Aplikační funkce modelu zahrnují volání funkcí, strukturovaný výstup, otázky k dokumentům a řízené pokračování odpovědi. Volání funkcí začíná popisy dostupných nástrojů a jejich očekávaných argumentů. Model může vybrat vhodnou funkci, zjistit chybějící informace a vygenerovat její argumenty; aplikace funkci provede a vrátí výsledek pro další odpověď. Postup s nástroji může umožnit automatický výběr, vyžadovat nástroj, zakázat použití nástrojů nebo povolit několik paralelních volání. Tyto ovládací prvky patří okolnímu aplikačnímu postupu.
Strukturovaný výstup podporuje JSON i vlastní schéma. Úlohy zaměřené na JSON mají výslovně popsat očekávaný formát, zatímco schéma definuje pole a typy potřebné pro následné zpracování. Odpovídání na otázky k dokumentům spojuje extrakci textu a rozvržení s analýzou jazykovým modelem: požadujte konkrétní podmínku, srovnání sekcí nebo sběr definované sady polí. Podpora předpovězeného výstupu je užitečná při úpravách textu nebo kódu, kdy je velká část výsledku již známa. Pokračování od prefixu dodává zvolený začátek odpovědi; dávkové zpracování zpracovává kolekce nezávislých požadavků asynchronně.
Pro asistenta přes Ailoot API definujte jeden užitečný výstup a podklady, které jej podporují. Úloha podpory může spojit dotaz a snímek obrazovky a vytvořit odpověď s extrahovanými pozorováními. Dokumentová úloha může vrátit tabulku polí a nevyřešené otázky. Programátorská úloha může prozkoumat relevantní soubory, navrhnout koordinované úpravy a zpřesnit je pomocí kontrol aplikace. Small 4 je vydán s vahami pod licencí Apache 2.0 pro přizpůsobení; název rodiny zachovává obecnou volbu modelu, zatímco konkrétní režimy a limity patří vybrané edici.
", "aboutText": "Mistral Small je univerzální rodina Mistral AI pro plnění pokynů, práci s dokumenty a programátorské asistenty. Její zveřejněné edice mají odlišné architektury a limity kontextu. Small 4 spojuje plnění pokynů, uvažování a agentní programování v jednom multimodálním modelu. Přijímá text a obrázky a vytváří text, takže stejná úloha může obsahovat písemný požadavek i vizuální podklady, například stránku dokumentu nebo snímek rozhraní.\n\nSmall 4 používá architekturu mixture-of-experts s celkem 119 miliardami parametrů a 128 experty, z nichž jsou pro každý token vybráni čtyři. Jeho kontextové okno má 256 tisíc tokenů. Předchozí edice Small 3.2 má kontextové okno 128 tisíc tokenů. Jde o vlastnosti konkrétních verzí: výběr rodiny sleduje aktualizovanou edici, zatímco pevný název modelu označuje konkrétní vydání.\n\nSmall 4 poskytuje dvě nastavení intenzity uvažování. Nastavení pro přímou odpověď používá minimální přemýšlení a vrací odpověď bez samostatného úseku uvažování. Nastavení vysoké intenzity přidává před konečnou odpověď podrobnější uvažování a je určeno pro obtížnější problémy. Spojuje tak každodenní konverzaci s matematickou analýzou, výzkumem a programátorskými úlohami. Při konverzaci s uvažováním zachování celé předchozí zprávy asistenta uchovává kontext potřebný pro následující kola.\n\nAplikační funkce modelu zahrnují volání funkcí, strukturovaný výstup, otázky k dokumentům a řízené pokračování odpovědi. Volání funkcí začíná popisy dostupných nástrojů a jejich očekávaných argumentů. Model může vybrat vhodnou funkci, zjistit chybějící informace a vygenerovat její argumenty; aplikace funkci provede a vrátí výsledek pro další odpověď. Postup s nástroji může umožnit automatický výběr, vyžadovat nástroj, zakázat použití nástrojů nebo povolit několik paralelních volání. Tyto ovládací prvky patří okolnímu aplikačnímu postupu.\n\nStrukturovaný výstup podporuje JSON i vlastní schéma. Úlohy zaměřené na JSON mají výslovně popsat očekávaný formát, zatímco schéma definuje pole a typy potřebné pro následné zpracování. Odpovídání na otázky k dokumentům spojuje extrakci textu a rozvržení s analýzou jazykovým modelem: požadujte konkrétní podmínku, srovnání sekcí nebo sběr definované sady polí. Podpora předpovězeného výstupu je užitečná při úpravách textu nebo kódu, kdy je velká část výsledku již známa. Pokračování od prefixu dodává zvolený začátek odpovědi; dávkové zpracování zpracovává kolekce nezávislých požadavků asynchronně.\n\nPro asistenta přes Ailoot API definujte jeden užitečný výstup a podklady, které jej podporují. Úloha podpory může spojit dotaz a snímek obrazovky a vytvořit odpověď s extrahovanými pozorováními. Dokumentová úloha může vrátit tabulku polí a nevyřešené otázky. Programátorská úloha může prozkoumat relevantní soubory, navrhnout koordinované úpravy a zpřesnit je pomocí kontrol aplikace. Small 4 je vydán s vahami pod licencí Apache 2.0 pro přizpůsobení; název rodiny zachovává obecnou volbu modelu, zatímco konkrétní režimy a limity patří vybrané edici.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.mistral-small-latestUniverzální rodina Small od Mistral AI podporuje asistenty, analýzu dokumentů a programátorské postupy s voláním nástrojů a strukturovanými odpověďmi. Její edice Small 4 spojuje přímé odpovědi a nastavitelné uvažování s textovým a obrazovým vstupem.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Mistral Small je univerzální rodina Mistral AI pro plnění pokynů, práci s dokumenty a programátorské asistenty. Její zveřejněné edice mají odlišné architektury a limity kontextu. Small 4 spojuje plnění pokynů, uvažování a agentní programování v jednom multimodálním modelu. Přijímá text a obrázky a vytváří text, takže stejná úloha může obsahovat písemný požadavek i vizuální podklady, například stránku dokumentu nebo snímek rozhraní.
Small 4 používá architekturu mixture-of-experts s celkem 119 miliardami parametrů a 128 experty, z nichž jsou pro každý token vybráni čtyři. Jeho kontextové okno má 256 tisíc tokenů. Předchozí edice Small 3.2 má kontextové okno 128 tisíc tokenů. Jde o vlastnosti konkrétních verzí: výběr rodiny sleduje aktualizovanou edici, zatímco pevný název modelu označuje konkrétní vydání.
Small 4 poskytuje dvě nastavení intenzity uvažování. Nastavení pro přímou odpověď používá minimální přemýšlení a vrací odpověď bez samostatného úseku uvažování. Nastavení vysoké intenzity přidává před konečnou odpověď podrobnější uvažování a je určeno pro obtížnější problémy. Spojuje tak každodenní konverzaci s matematickou analýzou, výzkumem a programátorskými úlohami. Při konverzaci s uvažováním zachování celé předchozí zprávy asistenta uchovává kontext potřebný pro následující kola.
Aplikační funkce modelu zahrnují volání funkcí, strukturovaný výstup, otázky k dokumentům a řízené pokračování odpovědi. Volání funkcí začíná popisy dostupných nástrojů a jejich očekávaných argumentů. Model může vybrat vhodnou funkci, zjistit chybějící informace a vygenerovat její argumenty; aplikace funkci provede a vrátí výsledek pro další odpověď. Postup s nástroji může umožnit automatický výběr, vyžadovat nástroj, zakázat použití nástrojů nebo povolit několik paralelních volání. Tyto ovládací prvky patří okolnímu aplikačnímu postupu.
Strukturovaný výstup podporuje JSON i vlastní schéma. Úlohy zaměřené na JSON mají výslovně popsat očekávaný formát, zatímco schéma definuje pole a typy potřebné pro následné zpracování. Odpovídání na otázky k dokumentům spojuje extrakci textu a rozvržení s analýzou jazykovým modelem: požadujte konkrétní podmínku, srovnání sekcí nebo sběr definované sady polí. Podpora předpovězeného výstupu je užitečná při úpravách textu nebo kódu, kdy je velká část výsledku již známa. Pokračování od prefixu dodává zvolený začátek odpovědi; dávkové zpracování zpracovává kolekce nezávislých požadavků asynchronně.
Pro asistenta přes Ailoot API definujte jeden užitečný výstup a podklady, které jej podporují. Úloha podpory může spojit dotaz a snímek obrazovky a vytvořit odpověď s extrahovanými pozorováními. Dokumentová úloha může vrátit tabulku polí a nevyřešené otázky. Programátorská úloha může prozkoumat relevantní soubory, navrhnout koordinované úpravy a zpřesnit je pomocí kontrol aplikace. Small 4 je vydán s vahami pod licencí Apache 2.0 pro přizpůsobení; název rodiny zachovává obecnou volbu modelu, zatímco konkrétní režimy a limity patří vybrané edici.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistral-small-latest | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0011 / 1K tokenů Výstup · Výstupní tokeny $0.0011 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-small-latest", "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='mistral-small-latest',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='mistral-small-latest',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 nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra mistral-small-latest
Použijte cesty metod uvedené výše.
mistral-small-latestUniverzální rodina Small od Mistral AI podporuje asistenty, analýzu dokumentů a programátorské postupy s voláním nástrojů a strukturovanými odpověďmi. Její edice Small 4 spojuje přímé odpovědi a nastavitelné uvažování s textovým a obrazovým vstupem.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Mistral Small je univerzální rodina Mistral AI pro plnění pokynů, práci s dokumenty a programátorské asistenty. Její zveřejněné edice mají odlišné architektury a limity kontextu. Small 4 spojuje plnění pokynů, uvažování a agentní programování v jednom multimodálním modelu. Přijímá text a obrázky a vytváří text, takže stejná úloha může obsahovat písemný požadavek i vizuální podklady, například stránku dokumentu nebo snímek rozhraní.
Small 4 používá architekturu mixture-of-experts s celkem 119 miliardami parametrů a 128 experty, z nichž jsou pro každý token vybráni čtyři. Jeho kontextové okno má 256 tisíc tokenů. Předchozí edice Small 3.2 má kontextové okno 128 tisíc tokenů. Jde o vlastnosti konkrétních verzí: výběr rodiny sleduje aktualizovanou edici, zatímco pevný název modelu označuje konkrétní vydání.
Small 4 poskytuje dvě nastavení intenzity uvažování. Nastavení pro přímou odpověď používá minimální přemýšlení a vrací odpověď bez samostatného úseku uvažování. Nastavení vysoké intenzity přidává před konečnou odpověď podrobnější uvažování a je určeno pro obtížnější problémy. Spojuje tak každodenní konverzaci s matematickou analýzou, výzkumem a programátorskými úlohami. Při konverzaci s uvažováním zachování celé předchozí zprávy asistenta uchovává kontext potřebný pro následující kola.
Aplikační funkce modelu zahrnují volání funkcí, strukturovaný výstup, otázky k dokumentům a řízené pokračování odpovědi. Volání funkcí začíná popisy dostupných nástrojů a jejich očekávaných argumentů. Model může vybrat vhodnou funkci, zjistit chybějící informace a vygenerovat její argumenty; aplikace funkci provede a vrátí výsledek pro další odpověď. Postup s nástroji může umožnit automatický výběr, vyžadovat nástroj, zakázat použití nástrojů nebo povolit několik paralelních volání. Tyto ovládací prvky patří okolnímu aplikačnímu postupu.
Strukturovaný výstup podporuje JSON i vlastní schéma. Úlohy zaměřené na JSON mají výslovně popsat očekávaný formát, zatímco schéma definuje pole a typy potřebné pro následné zpracování. Odpovídání na otázky k dokumentům spojuje extrakci textu a rozvržení s analýzou jazykovým modelem: požadujte konkrétní podmínku, srovnání sekcí nebo sběr definované sady polí. Podpora předpovězeného výstupu je užitečná při úpravách textu nebo kódu, kdy je velká část výsledku již známa. Pokračování od prefixu dodává zvolený začátek odpovědi; dávkové zpracování zpracovává kolekce nezávislých požadavků asynchronně.
Pro asistenta přes Ailoot API definujte jeden užitečný výstup a podklady, které jej podporují. Úloha podpory může spojit dotaz a snímek obrazovky a vytvořit odpověď s extrahovanými pozorováními. Dokumentová úloha může vrátit tabulku polí a nevyřešené otázky. Programátorská úloha může prozkoumat relevantní soubory, navrhnout koordinované úpravy a zpřesnit je pomocí kontrol aplikace. Small 4 je vydán s vahami pod licencí Apache 2.0 pro přizpůsobení; název rodiny zachovává obecnou volbu modelu, zatímco konkrétní režimy a limity patří vybrané edici.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistral-small-latest | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0011 / 1K tokenů Výstup · Výstupní tokeny $0.0011 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "mistral-small-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-small-latest', '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': 'mistral-small-latest', '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 nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra mistral-small-latest
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.