Devstral Small 1.1 er Mistral AI's faste, rent tekstbaserede model til softwareudviklingsagenter. Den er finjusteret fra Mistral Small 3.1 med billedencoderen fjernet og koncentrerer modellen om udforskning af kodearkiver, værktøjer og kodeændringer i flere filer. Udgivelsen har 24 milliarder parametre og et kontekstvindue på op til 128K tokens. Dens output består af tekst, kode eller instruktioner til de funktioner, agentapplikationen stiller til rådighed.
Version 1.1 bevarer den foregående Small-udgaves arkitektur og udvider samtidig dens samspil med prompts og kodemiljøer. Producenten beskriver bedre generalisering på tværs af forskellige agentrammer og tilføjer understøttelse af Mistrals funktionskaldsformat ved siden af XML-baserede formater. Dette er måder at udtrykke og fortolke agentinteraktioner på; de leverede værktøjer og udførelsesmiljøet bestemmer, hvilke handlinger i kodearkivet der er tilgængelige.
De vigtigste modelegenskaber omfatter størrelsen på 24B, Apache 2.0-vægte og Tekken-tokenizeren med et ordforråd på omtrent 131K elementer. Den faste 1.1-udgave identificeres ved sit eget udgivelsesnavn og bevarer sin 128K-kontekst. Tekstligt projektmateriale kan inkludere kildefiler, opgavekrav, tidligere handlinger og returnerede resultater fra søgninger eller kommandoer. Dermed kan den næste foreslåede ændring bygge på, hvad agenten har lært om projektet.
En praktisk arbejdsgang begynder med et konkret udviklingsmål. Bed agenten om at finde den kodevej, der håndterer en forespørgsel, identificere de relevante funktioner og foreslå koordinerede ændringer i de involverede filer. Lever den forventede adfærd, kompatibilitetskrav og eksempler, som kendetegner et korrekt resultat. Ved en fejl skal du medtage den observerede fejl og det input, der reproducerer den. Ved en refaktorering skal du navngive de grænseflader og den adfærd, som skal forblive stabile. Den nyttige leverance er den foreslåede patch sammen med en forklaring af dens afhængigheder og de kontroller, der kræves for at validere den.
Modellen understøtter også strukturerede svar og dokumentspørgsmål. En kodegennemgang kan returnere særskilte felter for berørte komponenter, foreslåede ændringer og opfølgende kontroller. En teknisk dokumentopgave kan identificere de krav, der er relevante for implementeringen. Præfiksfortsættelse kan fastlægge begyndelsen af et svar, mens asynkrone batcharbejdsgange kan håndtere uafhængige kodeanalyseopgaver. Disse funktioner supplerer hovedspecialiseringen i kodearkiver og værktøjer.
I en Ailoot API-agent skal du levere værktøjsbeskrivelserne og deres argumentskemaer sammen med opgaven. Devstral kan vælge en funktion og forberede argumenter; applikationen udfører funktionen, returnerer dens output og holder samtalen i gang. Modellen får ikke selvstændigt filadgang og udfører ikke sin foreslåede kode. Brug de returnerede værktøjsresultater til at forbedre de foreslåede redigeringer, og afslut med kodeleverancen, forklaringen og den dokumentation, miljøet har leveret. Small 1.1-identiteten forbliver adskilt fra senere Devstral-udgaver og fra Mistral Small-udgaver til generelle formål.
", "aboutText": "Devstral Small 1.1 er Mistral AI's faste, rent tekstbaserede model til softwareudviklingsagenter. Den er finjusteret fra Mistral Small 3.1 med billedencoderen fjernet og koncentrerer modellen om udforskning af kodearkiver, værktøjer og kodeændringer i flere filer. Udgivelsen har 24 milliarder parametre og et kontekstvindue på op til 128K tokens. Dens output består af tekst, kode eller instruktioner til de funktioner, agentapplikationen stiller til rådighed.\n\nVersion 1.1 bevarer den foregående Small-udgaves arkitektur og udvider samtidig dens samspil med prompts og kodemiljøer. Producenten beskriver bedre generalisering på tværs af forskellige agentrammer og tilføjer understøttelse af Mistrals funktionskaldsformat ved siden af XML-baserede formater. Dette er måder at udtrykke og fortolke agentinteraktioner på; de leverede værktøjer og udførelsesmiljøet bestemmer, hvilke handlinger i kodearkivet der er tilgængelige.\n\nDe vigtigste modelegenskaber omfatter størrelsen på 24B, Apache 2.0-vægte og Tekken-tokenizeren med et ordforråd på omtrent 131K elementer. Den faste 1.1-udgave identificeres ved sit eget udgivelsesnavn og bevarer sin 128K-kontekst. Tekstligt projektmateriale kan inkludere kildefiler, opgavekrav, tidligere handlinger og returnerede resultater fra søgninger eller kommandoer. Dermed kan den næste foreslåede ændring bygge på, hvad agenten har lært om projektet.\n\nEn praktisk arbejdsgang begynder med et konkret udviklingsmål. Bed agenten om at finde den kodevej, der håndterer en forespørgsel, identificere de relevante funktioner og foreslå koordinerede ændringer i de involverede filer. Lever den forventede adfærd, kompatibilitetskrav og eksempler, som kendetegner et korrekt resultat. Ved en fejl skal du medtage den observerede fejl og det input, der reproducerer den. Ved en refaktorering skal du navngive de grænseflader og den adfærd, som skal forblive stabile. Den nyttige leverance er den foreslåede patch sammen med en forklaring af dens afhængigheder og de kontroller, der kræves for at validere den.\n\nModellen understøtter også strukturerede svar og dokumentspørgsmål. En kodegennemgang kan returnere særskilte felter for berørte komponenter, foreslåede ændringer og opfølgende kontroller. En teknisk dokumentopgave kan identificere de krav, der er relevante for implementeringen. Præfiksfortsættelse kan fastlægge begyndelsen af et svar, mens asynkrone batcharbejdsgange kan håndtere uafhængige kodeanalyseopgaver. Disse funktioner supplerer hovedspecialiseringen i kodearkiver og værktøjer.\n\nI en Ailoot API-agent skal du levere værktøjsbeskrivelserne og deres argumentskemaer sammen med opgaven. Devstral kan vælge en funktion og forberede argumenter; applikationen udfører funktionen, returnerer dens output og holder samtalen i gang. Modellen får ikke selvstændigt filadgang og udfører ikke sin foreslåede kode. Brug de returnerede værktøjsresultater til at forbedre de foreslåede redigeringer, og afslut med kodeleverancen, forklaringen og den dokumentation, miljøet har leveret. Small 1.1-identiteten forbliver adskilt fra senere Devstral-udgaver og fra Mistral Small-udgaver til generelle formål.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.devstral-small-2507Devstral Small 1.1 er Mistral AI's rent tekstbaserede kodeagentmodel med 24B parametre til at udforske kodearkiver og forberede koordinerede redigeringer på tværs af filer. Version 1.1 tilføjer bredere promptkompatibilitet og understøtter funktionskald og XML-baserede agentformater med et kontekstvindue på 128K.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Devstral Small 1.1 er Mistral AI's faste, rent tekstbaserede model til softwareudviklingsagenter. Den er finjusteret fra Mistral Small 3.1 med billedencoderen fjernet og koncentrerer modellen om udforskning af kodearkiver, værktøjer og kodeændringer i flere filer. Udgivelsen har 24 milliarder parametre og et kontekstvindue på op til 128K tokens. Dens output består af tekst, kode eller instruktioner til de funktioner, agentapplikationen stiller til rådighed.
Version 1.1 bevarer den foregående Small-udgaves arkitektur og udvider samtidig dens samspil med prompts og kodemiljøer. Producenten beskriver bedre generalisering på tværs af forskellige agentrammer og tilføjer understøttelse af Mistrals funktionskaldsformat ved siden af XML-baserede formater. Dette er måder at udtrykke og fortolke agentinteraktioner på; de leverede værktøjer og udførelsesmiljøet bestemmer, hvilke handlinger i kodearkivet der er tilgængelige.
De vigtigste modelegenskaber omfatter størrelsen på 24B, Apache 2.0-vægte og Tekken-tokenizeren med et ordforråd på omtrent 131K elementer. Den faste 1.1-udgave identificeres ved sit eget udgivelsesnavn og bevarer sin 128K-kontekst. Tekstligt projektmateriale kan inkludere kildefiler, opgavekrav, tidligere handlinger og returnerede resultater fra søgninger eller kommandoer. Dermed kan den næste foreslåede ændring bygge på, hvad agenten har lært om projektet.
En praktisk arbejdsgang begynder med et konkret udviklingsmål. Bed agenten om at finde den kodevej, der håndterer en forespørgsel, identificere de relevante funktioner og foreslå koordinerede ændringer i de involverede filer. Lever den forventede adfærd, kompatibilitetskrav og eksempler, som kendetegner et korrekt resultat. Ved en fejl skal du medtage den observerede fejl og det input, der reproducerer den. Ved en refaktorering skal du navngive de grænseflader og den adfærd, som skal forblive stabile. Den nyttige leverance er den foreslåede patch sammen med en forklaring af dens afhængigheder og de kontroller, der kræves for at validere den.
Modellen understøtter også strukturerede svar og dokumentspørgsmål. En kodegennemgang kan returnere særskilte felter for berørte komponenter, foreslåede ændringer og opfølgende kontroller. En teknisk dokumentopgave kan identificere de krav, der er relevante for implementeringen. Præfiksfortsættelse kan fastlægge begyndelsen af et svar, mens asynkrone batcharbejdsgange kan håndtere uafhængige kodeanalyseopgaver. Disse funktioner supplerer hovedspecialiseringen i kodearkiver og værktøjer.
I en Ailoot API-agent skal du levere værktøjsbeskrivelserne og deres argumentskemaer sammen med opgaven. Devstral kan vælge en funktion og forberede argumenter; applikationen udfører funktionen, returnerer dens output og holder samtalen i gang. Modellen får ikke selvstændigt filadgang og udfører ikke sin foreslåede kode. Brug de returnerede værktøjsresultater til at forbedre de foreslåede redigeringer, og afslut med kodeleverancen, forklaringen og den dokumentation, miljøet har leveret. Small 1.1-identiteten forbliver adskilt fra senere Devstral-udgaver og fra Mistral Small-udgaver til generelle formål.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser devstral-small-2507 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00022 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2507", "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='devstral-small-2507',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='devstral-small-2507',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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra devstral-small-2507
Brug metodestierne vist ovenfor.
devstral-small-2507Devstral Small 1.1 er Mistral AI's rent tekstbaserede kodeagentmodel med 24B parametre til at udforske kodearkiver og forberede koordinerede redigeringer på tværs af filer. Version 1.1 tilføjer bredere promptkompatibilitet og understøtter funktionskald og XML-baserede agentformater med et kontekstvindue på 128K.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Devstral Small 1.1 er Mistral AI's faste, rent tekstbaserede model til softwareudviklingsagenter. Den er finjusteret fra Mistral Small 3.1 med billedencoderen fjernet og koncentrerer modellen om udforskning af kodearkiver, værktøjer og kodeændringer i flere filer. Udgivelsen har 24 milliarder parametre og et kontekstvindue på op til 128K tokens. Dens output består af tekst, kode eller instruktioner til de funktioner, agentapplikationen stiller til rådighed.
Version 1.1 bevarer den foregående Small-udgaves arkitektur og udvider samtidig dens samspil med prompts og kodemiljøer. Producenten beskriver bedre generalisering på tværs af forskellige agentrammer og tilføjer understøttelse af Mistrals funktionskaldsformat ved siden af XML-baserede formater. Dette er måder at udtrykke og fortolke agentinteraktioner på; de leverede værktøjer og udførelsesmiljøet bestemmer, hvilke handlinger i kodearkivet der er tilgængelige.
De vigtigste modelegenskaber omfatter størrelsen på 24B, Apache 2.0-vægte og Tekken-tokenizeren med et ordforråd på omtrent 131K elementer. Den faste 1.1-udgave identificeres ved sit eget udgivelsesnavn og bevarer sin 128K-kontekst. Tekstligt projektmateriale kan inkludere kildefiler, opgavekrav, tidligere handlinger og returnerede resultater fra søgninger eller kommandoer. Dermed kan den næste foreslåede ændring bygge på, hvad agenten har lært om projektet.
En praktisk arbejdsgang begynder med et konkret udviklingsmål. Bed agenten om at finde den kodevej, der håndterer en forespørgsel, identificere de relevante funktioner og foreslå koordinerede ændringer i de involverede filer. Lever den forventede adfærd, kompatibilitetskrav og eksempler, som kendetegner et korrekt resultat. Ved en fejl skal du medtage den observerede fejl og det input, der reproducerer den. Ved en refaktorering skal du navngive de grænseflader og den adfærd, som skal forblive stabile. Den nyttige leverance er den foreslåede patch sammen med en forklaring af dens afhængigheder og de kontroller, der kræves for at validere den.
Modellen understøtter også strukturerede svar og dokumentspørgsmål. En kodegennemgang kan returnere særskilte felter for berørte komponenter, foreslåede ændringer og opfølgende kontroller. En teknisk dokumentopgave kan identificere de krav, der er relevante for implementeringen. Præfiksfortsættelse kan fastlægge begyndelsen af et svar, mens asynkrone batcharbejdsgange kan håndtere uafhængige kodeanalyseopgaver. Disse funktioner supplerer hovedspecialiseringen i kodearkiver og værktøjer.
I en Ailoot API-agent skal du levere værktøjsbeskrivelserne og deres argumentskemaer sammen med opgaven. Devstral kan vælge en funktion og forberede argumenter; applikationen udfører funktionen, returnerer dens output og holder samtalen i gang. Modellen får ikke selvstændigt filadgang og udfører ikke sin foreslåede kode. Brug de returnerede værktøjsresultater til at forbedre de foreslåede redigeringer, og afslut med kodeleverancen, forklaringen og den dokumentation, miljøet har leveret. Small 1.1-identiteten forbliver adskilt fra senere Devstral-udgaver og fra Mistral Small-udgaver til generelle formål.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser devstral-small-2507 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00022 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "devstral-small-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2507', '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': 'devstral-small-2507', '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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra devstral-small-2507
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.