Mistral Small 3.1 24B Instruct 2503 navazuje na Small 3 2501 přidáním vizuálního porozumění a rozšířením podpory dlouhého kontextu na 128 tisíc tokenů. Má 24 miliard parametrů a je vyladěn pro plnění pokynů ze samostatně pojmenovaného vydání Small 3.1 Base. Model přijímá text a obrázky a vytváří text, včetně vysvětlení, kódu nebo strukturovaného záznamu.
Hlavní schopnosti
Vizuální schopnosti umožňují modelu analyzovat viditelné materiály spolu s otázkou uživatele. Obrázek dokumentu může dodat pole či tvrzení k prozkoumání, diagram vztah k vysvětlení a graf data stojící za srovnáním. Označení, jednotky a relevantní okolní obsah ponechte čitelné, aby otázka odkazovala na podklady skutečně přítomné v obrázku.
Výrobce uvádí vícejazyčnou podporu desítek jazyků, včetně ruštiny, angličtiny, francouzštiny, němčiny, řečtiny, hindštiny, indonéštiny, italštiny, japonštiny, korejštiny, malajštiny, nepálštiny, polštiny, portugalštiny, rumunštiny, srbštiny, španělštiny, švédštiny, turečtiny, ukrajinštiny, vietnamštiny, arabštiny, bengálštiny, čínštiny a perštiny. Pro vícejazyčnou odpověď definujte cílový jazyk, čtenáře a terminologii. Názvy, citovaná označení, identifikátory proměnných a jednotky mohou zůstat nezměněné, zatímco okolní text se přizpůsobí.
Karta popisuje také konverzační schopnosti a uvažování, nativní volání funkcí, výstup JSON a dodržování systémových promptů. Jeho tokenizérem je Tekken se slovníkem označeným 131 tisíc. Jde o funkce pojmenovaného vydání vyladěného pro plnění pokynů; edice Base slouží jiné roli a pozdější vydání Small 3.2 a Small 4 si zachovávají vlastní změny a režimy.
Příprava dokumentových, programátorských a matematických úloh
Pro úlohu s dlouhými dokumenty určete dokumenty a položte jednu definovanou otázku. Srovnání může požadovat matici požadavků s tvrzením, jeho zdrojovou sekcí a případným rozporem mezi dokumenty. Shrnutí může požadovat pouze materiály relevantní pro pojmenovanou změnu. Dlouhý kontext zachová tyto zdroje pohromadě, zatímco konečná odpověď může zůstat stručná.
Pro vysvětlení kódu dodejte funkci a vstup, jehož chování se má sledovat. Zahrňte relevantní pomocné funkce nebo deklarace a zeptejte se, jak se stav mění před vrácením hodnoty. Pro navrženou úpravu uveďte požadavek, veřejné rozhraní k zachování a očekávaný výstup. Upravený kód požadujte odděleně od jeho vysvětlení a příkladů.
Pro matematickou úlohu definujte symboly a předpoklady o definičním oboru, než požádáte o odvození. Určete, zda má být konečný výsledek přesný, zaokrouhlený nebo důkazem tvrzení. Je-li podmínka v obrázku, ponechte vzorec a související označení jasné a požádejte model o zachování této notace v odpovědi. Tato příprava převádí zdokumentované zaměření modelu na programování a matematické uvažování do kontrolovatelného artefaktu.
Formát pokynů a doporučené použití
Výrobce zveřejňuje konverzační šablonu V7-Tekken, která rozlišuje role systému, uživatele a asistenta, a doporučuje používat odpovídající implementaci tokenizéru jako závazný zdroj. Systémový pokyn má definovat roli asistenta a pravidla odpovědi, zatímco uživatelská zpráva obsahuje skutečnou úlohu a zdrojové materiály. Správné formátování konverzace se liší od umístění označení podobných rolím do citovaného dokumentu.
Karta doporučuje poměrně nízkou teplotu, například 0.15, a systémový prompt přizpůsobený způsobu použití. Definujte výstupní pole nebo sekce a podmínky, které musí přepis zachovat. Pro opakovanou extrakci požadujte JSON s určenými názvy a typy a reprezentací hodnot chybějících ve zdroji. Vysvětlující odstavec může být vrácen samostatně, pokud člověk potřebuje zkontrolovat výklad.
Postup volání funkcí
Model může vybrat funkci z nástrojů popsaných aplikací a vygenerovat její argumenty. Aplikace funkci provede, vrátí výsledek s odpovídajícím voláním nástroje a model tento výsledek použije v následné odpovědi. Příklad výrobce ukazuje tento konverzační cyklus, včetně předchozího použití nástroje a nové otázky uživatele. Navržené vyhledání se tedy liší od dat skutečně vrácených vyhledáním.
Praktický asistent může nejprve extrahovat otázku z dokumentu a poté použít dodanou referenční funkci k získání chybějící podmínky. Funkci jasně popište, zahrňte její povinné argumenty a vrácený výsledek udržujte propojený s původní operací. JSON uspořádává textový výsledek; volání funkcí žádá připojenou operaci místo tichého vykonávání kódu nebo čtení databáze.
Věcná omezení
Zdokumentovaná vizuální schopnost obrázky čte; negeneruje je. Pokyny pro asistenta ve vydané kartě také odlišují tento model od přepisu zvuku a videa, takže mluvená či video otázka potřebuje relevantní obsah dodat vhodným samostatným přípravným krokem. Přístup k webu a externí akce také pocházejí z připojených nástrojů, nikoli pouze z modelu pro textový a obrazový vstup.
Kontext 128 tisíc tokenů se týká vstupu úlohy a generované konverzace, zatímco příklad generování 512 tokenů v kartě je jen ukázkovým nastavením. Přečtené zdroje nespecifikují samostatnou pevnou kapacitu délky odpovědi. Zachovejte přesnou edici Instruct 2503, její konverzační formát a požadované vysvětlení, záznam nebo artefakt kódu.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 navazuje na Small 3 2501 přidáním vizuálního porozumění a rozšířením podpory dlouhého kontextu na 128 tisíc tokenů. Má 24 miliard parametrů a je vyladěn pro plnění pokynů ze samostatně pojmenovaného vydání Small 3.1 Base. Model přijímá text a obrázky a vytváří text, včetně vysvětlení, kódu nebo strukturovaného záznamu.\n\nHlavní schopnosti\n\nVizuální schopnosti umožňují modelu analyzovat viditelné materiály spolu s otázkou uživatele. Obrázek dokumentu může dodat pole či tvrzení k prozkoumání, diagram vztah k vysvětlení a graf data stojící za srovnáním. Označení, jednotky a relevantní okolní obsah ponechte čitelné, aby otázka odkazovala na podklady skutečně přítomné v obrázku.\n\nVýrobce uvádí vícejazyčnou podporu desítek jazyků, včetně ruštiny, angličtiny, francouzštiny, němčiny, řečtiny, hindštiny, indonéštiny, italštiny, japonštiny, korejštiny, malajštiny, nepálštiny, polštiny, portugalštiny, rumunštiny, srbštiny, španělštiny, švédštiny, turečtiny, ukrajinštiny, vietnamštiny, arabštiny, bengálštiny, čínštiny a perštiny. Pro vícejazyčnou odpověď definujte cílový jazyk, čtenáře a terminologii. Názvy, citovaná označení, identifikátory proměnných a jednotky mohou zůstat nezměněné, zatímco okolní text se přizpůsobí.\n\nKarta popisuje také konverzační schopnosti a uvažování, nativní volání funkcí, výstup JSON a dodržování systémových promptů. Jeho tokenizérem je Tekken se slovníkem označeným 131 tisíc. Jde o funkce pojmenovaného vydání vyladěného pro plnění pokynů; edice Base slouží jiné roli a pozdější vydání Small 3.2 a Small 4 si zachovávají vlastní změny a režimy.\n\nPříprava dokumentových, programátorských a matematických úloh\n\nPro úlohu s dlouhými dokumenty určete dokumenty a položte jednu definovanou otázku. Srovnání může požadovat matici požadavků s tvrzením, jeho zdrojovou sekcí a případným rozporem mezi dokumenty. Shrnutí může požadovat pouze materiály relevantní pro pojmenovanou změnu. Dlouhý kontext zachová tyto zdroje pohromadě, zatímco konečná odpověď může zůstat stručná.\n\nPro vysvětlení kódu dodejte funkci a vstup, jehož chování se má sledovat. Zahrňte relevantní pomocné funkce nebo deklarace a zeptejte se, jak se stav mění před vrácením hodnoty. Pro navrženou úpravu uveďte požadavek, veřejné rozhraní k zachování a očekávaný výstup. Upravený kód požadujte odděleně od jeho vysvětlení a příkladů.\n\nPro matematickou úlohu definujte symboly a předpoklady o definičním oboru, než požádáte o odvození. Určete, zda má být konečný výsledek přesný, zaokrouhlený nebo důkazem tvrzení. Je-li podmínka v obrázku, ponechte vzorec a související označení jasné a požádejte model o zachování této notace v odpovědi. Tato příprava převádí zdokumentované zaměření modelu na programování a matematické uvažování do kontrolovatelného artefaktu.\n\nFormát pokynů a doporučené použití\n\nVýrobce zveřejňuje konverzační šablonu V7-Tekken, která rozlišuje role systému, uživatele a asistenta, a doporučuje používat odpovídající implementaci tokenizéru jako závazný zdroj. Systémový pokyn má definovat roli asistenta a pravidla odpovědi, zatímco uživatelská zpráva obsahuje skutečnou úlohu a zdrojové materiály. Správné formátování konverzace se liší od umístění označení podobných rolím do citovaného dokumentu.\n\nKarta doporučuje poměrně nízkou teplotu, například 0.15, a systémový prompt přizpůsobený způsobu použití. Definujte výstupní pole nebo sekce a podmínky, které musí přepis zachovat. Pro opakovanou extrakci požadujte JSON s určenými názvy a typy a reprezentací hodnot chybějících ve zdroji. Vysvětlující odstavec může být vrácen samostatně, pokud člověk potřebuje zkontrolovat výklad.\n\nPostup volání funkcí\n\nModel může vybrat funkci z nástrojů popsaných aplikací a vygenerovat její argumenty. Aplikace funkci provede, vrátí výsledek s odpovídajícím voláním nástroje a model tento výsledek použije v následné odpovědi. Příklad výrobce ukazuje tento konverzační cyklus, včetně předchozího použití nástroje a nové otázky uživatele. Navržené vyhledání se tedy liší od dat skutečně vrácených vyhledáním.\n\nPraktický asistent může nejprve extrahovat otázku z dokumentu a poté použít dodanou referenční funkci k získání chybějící podmínky. Funkci jasně popište, zahrňte její povinné argumenty a vrácený výsledek udržujte propojený s původní operací. JSON uspořádává textový výsledek; volání funkcí žádá připojenou operaci místo tichého vykonávání kódu nebo čtení databáze.\n\nVěcná omezení\n\nZdokumentovaná vizuální schopnost obrázky čte; negeneruje je. Pokyny pro asistenta ve vydané kartě také odlišují tento model od přepisu zvuku a videa, takže mluvená či video otázka potřebuje relevantní obsah dodat vhodným samostatným přípravným krokem. Přístup k webu a externí akce také pocházejí z připojených nástrojů, nikoli pouze z modelu pro textový a obrazový vstup.\n\nKontext 128 tisíc tokenů se týká vstupu úlohy a generované konverzace, zatímco příklad generování 512 tokenů v kartě je jen ukázkovým nastavením. Přečtené zdroje nespecifikují samostatnou pevnou kapacitu délky odpovědi. Zachovejte přesnou edici Instruct 2503, její konverzační formát a požadované vysvětlení, záznam nebo artefakt kódu.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 přidává řadě Small 3 porozumění obrázkům a kontext 128 tisíc tokenů uváděný výrobcem. V samostatném vydání vyladěném pro plnění pokynů spojuje vícejazyčný text, programování a matematické uvažování se systémovými pokyny, JSON a nativním voláním funkcí.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Mistral Small 3.1 24B Instruct 2503 navazuje na Small 3 2501 přidáním vizuálního porozumění a rozšířením podpory dlouhého kontextu na 128 tisíc tokenů. Má 24 miliard parametrů a je vyladěn pro plnění pokynů ze samostatně pojmenovaného vydání Small 3.1 Base. Model přijímá text a obrázky a vytváří text, včetně vysvětlení, kódu nebo strukturovaného záznamu.
Hlavní schopnosti
Vizuální schopnosti umožňují modelu analyzovat viditelné materiály spolu s otázkou uživatele. Obrázek dokumentu může dodat pole či tvrzení k prozkoumání, diagram vztah k vysvětlení a graf data stojící za srovnáním. Označení, jednotky a relevantní okolní obsah ponechte čitelné, aby otázka odkazovala na podklady skutečně přítomné v obrázku.
Výrobce uvádí vícejazyčnou podporu desítek jazyků, včetně ruštiny, angličtiny, francouzštiny, němčiny, řečtiny, hindštiny, indonéštiny, italštiny, japonštiny, korejštiny, malajštiny, nepálštiny, polštiny, portugalštiny, rumunštiny, srbštiny, španělštiny, švédštiny, turečtiny, ukrajinštiny, vietnamštiny, arabštiny, bengálštiny, čínštiny a perštiny. Pro vícejazyčnou odpověď definujte cílový jazyk, čtenáře a terminologii. Názvy, citovaná označení, identifikátory proměnných a jednotky mohou zůstat nezměněné, zatímco okolní text se přizpůsobí.
Karta popisuje také konverzační schopnosti a uvažování, nativní volání funkcí, výstup JSON a dodržování systémových promptů. Jeho tokenizérem je Tekken se slovníkem označeným 131 tisíc. Jde o funkce pojmenovaného vydání vyladěného pro plnění pokynů; edice Base slouží jiné roli a pozdější vydání Small 3.2 a Small 4 si zachovávají vlastní změny a režimy.
Příprava dokumentových, programátorských a matematických úloh
Pro úlohu s dlouhými dokumenty určete dokumenty a položte jednu definovanou otázku. Srovnání může požadovat matici požadavků s tvrzením, jeho zdrojovou sekcí a případným rozporem mezi dokumenty. Shrnutí může požadovat pouze materiály relevantní pro pojmenovanou změnu. Dlouhý kontext zachová tyto zdroje pohromadě, zatímco konečná odpověď může zůstat stručná.
Pro vysvětlení kódu dodejte funkci a vstup, jehož chování se má sledovat. Zahrňte relevantní pomocné funkce nebo deklarace a zeptejte se, jak se stav mění před vrácením hodnoty. Pro navrženou úpravu uveďte požadavek, veřejné rozhraní k zachování a očekávaný výstup. Upravený kód požadujte odděleně od jeho vysvětlení a příkladů.
Pro matematickou úlohu definujte symboly a předpoklady o definičním oboru, než požádáte o odvození. Určete, zda má být konečný výsledek přesný, zaokrouhlený nebo důkazem tvrzení. Je-li podmínka v obrázku, ponechte vzorec a související označení jasné a požádejte model o zachování této notace v odpovědi. Tato příprava převádí zdokumentované zaměření modelu na programování a matematické uvažování do kontrolovatelného artefaktu.
Formát pokynů a doporučené použití
Výrobce zveřejňuje konverzační šablonu V7-Tekken, která rozlišuje role systému, uživatele a asistenta, a doporučuje používat odpovídající implementaci tokenizéru jako závazný zdroj. Systémový pokyn má definovat roli asistenta a pravidla odpovědi, zatímco uživatelská zpráva obsahuje skutečnou úlohu a zdrojové materiály. Správné formátování konverzace se liší od umístění označení podobných rolím do citovaného dokumentu.
Karta doporučuje poměrně nízkou teplotu, například 0.15, a systémový prompt přizpůsobený způsobu použití. Definujte výstupní pole nebo sekce a podmínky, které musí přepis zachovat. Pro opakovanou extrakci požadujte JSON s určenými názvy a typy a reprezentací hodnot chybějících ve zdroji. Vysvětlující odstavec může být vrácen samostatně, pokud člověk potřebuje zkontrolovat výklad.
Postup volání funkcí
Model může vybrat funkci z nástrojů popsaných aplikací a vygenerovat její argumenty. Aplikace funkci provede, vrátí výsledek s odpovídajícím voláním nástroje a model tento výsledek použije v následné odpovědi. Příklad výrobce ukazuje tento konverzační cyklus, včetně předchozího použití nástroje a nové otázky uživatele. Navržené vyhledání se tedy liší od dat skutečně vrácených vyhledáním.
Praktický asistent může nejprve extrahovat otázku z dokumentu a poté použít dodanou referenční funkci k získání chybějící podmínky. Funkci jasně popište, zahrňte její povinné argumenty a vrácený výsledek udržujte propojený s původní operací. JSON uspořádává textový výsledek; volání funkcí žádá připojenou operaci místo tichého vykonávání kódu nebo čtení databáze.
Věcná omezení
Zdokumentovaná vizuální schopnost obrázky čte; negeneruje je. Pokyny pro asistenta ve vydané kartě také odlišují tento model od přepisu zvuku a videa, takže mluvená či video otázka potřebuje relevantní obsah dodat vhodným samostatným přípravným krokem. Přístup k webu a externí akce také pocházejí z připojených nástrojů, nikoli pouze z modelu pro textový a obrazový vstup.
Kontext 128 tisíc tokenů se týká vstupu úlohy a generované konverzace, zatímco příklad generování 512 tokenů v kartě je jen ukázkovým nastavením. Přečtené zdroje nespecifikují samostatnou pevnou kapacitu délky odpovědi. Zachovejte přesnou edici Instruct 2503, její konverzační formát a požadované vysvětlení, záznam nebo artefakt kódu.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistralai/mistral-small-3.1-24b-instruct | 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.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0011 / 1K tokenů Výstup · Výstupní tokeny $0.00111 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0011 / 1K tokenů Výstup · Výstupní tokeny $0.00111 / 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": "mistralai/mistral-small-3.1-24b-instruct", "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='mistralai/mistral-small-3.1-24b-instruct',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='mistralai/mistral-small-3.1-24b-instruct',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 mistralai/mistral-small-3.1-24b-instruct
Použijte cesty metod uvedené výše.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 přidává řadě Small 3 porozumění obrázkům a kontext 128 tisíc tokenů uváděný výrobcem. V samostatném vydání vyladěném pro plnění pokynů spojuje vícejazyčný text, programování a matematické uvažování se systémovými pokyny, JSON a nativním voláním funkcí.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Mistral Small 3.1 24B Instruct 2503 navazuje na Small 3 2501 přidáním vizuálního porozumění a rozšířením podpory dlouhého kontextu na 128 tisíc tokenů. Má 24 miliard parametrů a je vyladěn pro plnění pokynů ze samostatně pojmenovaného vydání Small 3.1 Base. Model přijímá text a obrázky a vytváří text, včetně vysvětlení, kódu nebo strukturovaného záznamu.
Hlavní schopnosti
Vizuální schopnosti umožňují modelu analyzovat viditelné materiály spolu s otázkou uživatele. Obrázek dokumentu může dodat pole či tvrzení k prozkoumání, diagram vztah k vysvětlení a graf data stojící za srovnáním. Označení, jednotky a relevantní okolní obsah ponechte čitelné, aby otázka odkazovala na podklady skutečně přítomné v obrázku.
Výrobce uvádí vícejazyčnou podporu desítek jazyků, včetně ruštiny, angličtiny, francouzštiny, němčiny, řečtiny, hindštiny, indonéštiny, italštiny, japonštiny, korejštiny, malajštiny, nepálštiny, polštiny, portugalštiny, rumunštiny, srbštiny, španělštiny, švédštiny, turečtiny, ukrajinštiny, vietnamštiny, arabštiny, bengálštiny, čínštiny a perštiny. Pro vícejazyčnou odpověď definujte cílový jazyk, čtenáře a terminologii. Názvy, citovaná označení, identifikátory proměnných a jednotky mohou zůstat nezměněné, zatímco okolní text se přizpůsobí.
Karta popisuje také konverzační schopnosti a uvažování, nativní volání funkcí, výstup JSON a dodržování systémových promptů. Jeho tokenizérem je Tekken se slovníkem označeným 131 tisíc. Jde o funkce pojmenovaného vydání vyladěného pro plnění pokynů; edice Base slouží jiné roli a pozdější vydání Small 3.2 a Small 4 si zachovávají vlastní změny a režimy.
Příprava dokumentových, programátorských a matematických úloh
Pro úlohu s dlouhými dokumenty určete dokumenty a položte jednu definovanou otázku. Srovnání může požadovat matici požadavků s tvrzením, jeho zdrojovou sekcí a případným rozporem mezi dokumenty. Shrnutí může požadovat pouze materiály relevantní pro pojmenovanou změnu. Dlouhý kontext zachová tyto zdroje pohromadě, zatímco konečná odpověď může zůstat stručná.
Pro vysvětlení kódu dodejte funkci a vstup, jehož chování se má sledovat. Zahrňte relevantní pomocné funkce nebo deklarace a zeptejte se, jak se stav mění před vrácením hodnoty. Pro navrženou úpravu uveďte požadavek, veřejné rozhraní k zachování a očekávaný výstup. Upravený kód požadujte odděleně od jeho vysvětlení a příkladů.
Pro matematickou úlohu definujte symboly a předpoklady o definičním oboru, než požádáte o odvození. Určete, zda má být konečný výsledek přesný, zaokrouhlený nebo důkazem tvrzení. Je-li podmínka v obrázku, ponechte vzorec a související označení jasné a požádejte model o zachování této notace v odpovědi. Tato příprava převádí zdokumentované zaměření modelu na programování a matematické uvažování do kontrolovatelného artefaktu.
Formát pokynů a doporučené použití
Výrobce zveřejňuje konverzační šablonu V7-Tekken, která rozlišuje role systému, uživatele a asistenta, a doporučuje používat odpovídající implementaci tokenizéru jako závazný zdroj. Systémový pokyn má definovat roli asistenta a pravidla odpovědi, zatímco uživatelská zpráva obsahuje skutečnou úlohu a zdrojové materiály. Správné formátování konverzace se liší od umístění označení podobných rolím do citovaného dokumentu.
Karta doporučuje poměrně nízkou teplotu, například 0.15, a systémový prompt přizpůsobený způsobu použití. Definujte výstupní pole nebo sekce a podmínky, které musí přepis zachovat. Pro opakovanou extrakci požadujte JSON s určenými názvy a typy a reprezentací hodnot chybějících ve zdroji. Vysvětlující odstavec může být vrácen samostatně, pokud člověk potřebuje zkontrolovat výklad.
Postup volání funkcí
Model může vybrat funkci z nástrojů popsaných aplikací a vygenerovat její argumenty. Aplikace funkci provede, vrátí výsledek s odpovídajícím voláním nástroje a model tento výsledek použije v následné odpovědi. Příklad výrobce ukazuje tento konverzační cyklus, včetně předchozího použití nástroje a nové otázky uživatele. Navržené vyhledání se tedy liší od dat skutečně vrácených vyhledáním.
Praktický asistent může nejprve extrahovat otázku z dokumentu a poté použít dodanou referenční funkci k získání chybějící podmínky. Funkci jasně popište, zahrňte její povinné argumenty a vrácený výsledek udržujte propojený s původní operací. JSON uspořádává textový výsledek; volání funkcí žádá připojenou operaci místo tichého vykonávání kódu nebo čtení databáze.
Věcná omezení
Zdokumentovaná vizuální schopnost obrázky čte; negeneruje je. Pokyny pro asistenta ve vydané kartě také odlišují tento model od přepisu zvuku a videa, takže mluvená či video otázka potřebuje relevantní obsah dodat vhodným samostatným přípravným krokem. Přístup k webu a externí akce také pocházejí z připojených nástrojů, nikoli pouze z modelu pro textový a obrazový vstup.
Kontext 128 tisíc tokenů se týká vstupu úlohy a generované konverzace, zatímco příklad generování 512 tokenů v kartě je jen ukázkovým nastavením. Přečtené zdroje nespecifikují samostatnou pevnou kapacitu délky odpovědi. Zachovejte přesnou edici Instruct 2503, její konverzační formát a požadované vysvětlení, záznam nebo artefakt kódu.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistralai/mistral-small-3.1-24b-instruct | 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.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0011 / 1K tokenů Výstup · Výstupní tokeny $0.00111 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.0011 / 1K tokenů Výstup · Výstupní tokeny $0.00111 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistralai/mistral-small-3.1-24b-instruct', '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': 'mistralai/mistral-small-3.1-24b-instruct', '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 mistralai/mistral-small-3.1-24b-instruct
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.