Codestral 2508 er Mistral AI's kodemodel til hyppige fuldførelses- og genereringsopgaver, hvor svartiden er vigtig. Den modtager kildekode og tekstlige krav og returnerer tekst, som kan indeholde en implementering, fuldførelse, rettelse eller forklaring. Den navngivne 2508-udgave fokuserer på udviklerens aktuelle redigeringskontekst og er hverken en embeddingmodel eller i sig selv en komplet agent til kodebaser.
Kodefuldførelse og opdateringen 2508
Producenten retter Codestral mod fill-in-the-middle-fuldførelse og redigering over flere linjer. Udgivelsen beskriver forbedret fuldførelsesadfærd, herunder mindre løbsk generering, sammen med forbedringer af instruktionsefterlevelse og kodeopgaver i chattilstand. Det er ændringer i denne Codestral-udgave; den omgivende kodestaks funktioner til informationshentning og autonome agenter tilhører særskilt navngivne komponenter.
Til en fuldførelsesopgave skal du bevare den relevante funktionssignatur, deklarationer og kaldskontekst sammen med markørens placering. Angiv, om det ønskede resultat kun er den manglende kode eller en fuldt revideret funktion. En editorlignende anmodning kan bede om kroppen i en løkke, der bevarer den eksisterende returtype, beholder dublerede værdier og ikke ændrer kalderens input. Resultatet får dermed et konkret indsættelsespunkt og en defineret adfærd.
Forberedelse af fill-in-the-middle
I producentens FIM-grænseflade leverer prompten tekst eller kode, der skal fuldføres, og et valgfrit suffiks leverer materialet efter hullet. Når begge er angivet, udfylder modellen mellemrummet mellem dem. Uden et suffiks fortsætter den fra prompten. Det adskiller sig fra en almindelig samtaleanmodning, der beder om en kodeændring og en forklaring; hver forberedelsesform definerer sin egen outputkontrakt.
Et nyttigt input til udfyldning indeholder funktionens begyndelse, koden, der skal følge efter indsættelsen, og eventuelle relevante type- eller hjælperdefinitioner. Bevar indrykning og afgrænsningstegn, så den returnerede tekst kan passe ind i det eksisterende fragment. Hvis opgaven kun kræver den manglende krop, skal du bede om den frem for en omskrivning af hele filen. Et særskilt chatspørgsmål kan forklare, hvorfor det fuldførte fragment opfylder kravet.
Den officielle FIM-dokumentation tillader et budget for outputtokens og kræver, at prompten plus dette budget holder sig inden for modellens kontekst. Den dokumenterer også stopsekvenser og streaming af genereret indhold. Vælg en fuldførelsesarbejdsgang, når resultatet skal passe ind i kodehullet, og en samtalearbejdsgang, når opgaven beder om kode sammen med en forklaring.
Kontekst og understøttende funktioner
Modelsiden angiver et kontekstvindue på 128k. Brug konteksten til at bevare den kildekode og de deklarationer, der bestemmer den tilsigtede ændring, og hold samtidig selve redigeringsopgaven udtrykkelig. Ved en fejlrettelse skal du levere den berørte funktion, et konkret input, der fejler, det forventede resultat og fejlen eller den observerede adfærd. Bed om den foreslåede rettelse adskilt fra dens forklaring og eksempler.
Siden angiver også strukturerede output, funktionskald, forudsagte output, dokumentspørgsmål, svarpræfikser og batchbehandling sammen med chat- og FIM-funktioner. Til et struktureret kodegennemgangsresultat skal du definere felter såsom det berørte symbol, den observerede afvigelse, den foreslåede ændring og den antagelse, der stadig kræver afklaring. Mistrals vejledning om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema, hvor det ønskede JSON-format angives i prompten.
Forudsagte output er beregnet til indhold, hvor store dele af svaret allerede kendes. De kan bruges, når et dokument eller en kodefil skal genskabes med en begrænset ændring, mens det øvrige indhold bevares. Angiv den præcise ændring og det materiale, der skal forblive. Et svarpræfiks leverer derimod en kendt begyndelse, som genereringen fortsætter fra; det adskiller sig både fra en kendt, fuldstændig tekst og et FIM-suffiks.
Et dokumentationsspørgsmål kan bruge producentens arbejdsgang til dokumentbehandling til at klargøre tekst og struktur med OCR før sprogmodellens analyse. Til programmeringsmateriale, der allerede findes som tekst, skal du give de relevante dokumentationspassager og spørge, hvilken betingelse der styrer implementeringen. Hold hvert udtrukket krav knyttet til sit kildeafsnit, så den genererede kode eller forklaring forbliver forbundet med den givne specifikation.
Værktøjer og praktiske resultater
Funktionskald lader applikationen levere beskrevne operationer og deres parametre. Modellen forbereder et kald, applikationen udfører det, og det returnerede resultat bliver kontekst for næste svar. En kodeassistent kan modtage et opslagsresultat eller et beregningsresultat gennem denne cyklus, men kompilering, test eller anvendelse af en foreslået ændring kræver stadig det omgivende udviklingsmiljø.
Til en praktisk rettelse skal du definere den offentlige grænseflade, som skal forblive kompatibel, og bede om det reviderede fragment, en kort forklaring og eksempelinput med forventede output. Til en genereret funktion skal du angive de accepterede typer og grænsetilfælde. Til en forklaring skal du levere det input, der skal spores, så svaret forbinder et konkret eksekveringsforløb med den returnerede værdi.
Codestral producerer tekst. Den arver ikke kodesøgningsvektorer fra Codestral Embed, automatisering af kodebaser fra Devstral eller billedgenerering fra en visuel model. Modelsiden for præcis 2508 offentliggør ikke et parameterantal eller en selvstændig maksimal svarlængde, som kan lånes fra en anden udgivelse. Bevar den navngivne udgave, kodekonteksten og den krævede artefakt, når du forbereder en gentagelig arbejdsgang i editoren eller chatten.
", "aboutText": "Codestral 2508 er Mistral AI's kodemodel til hyppige fuldførelses- og genereringsopgaver, hvor svartiden er vigtig. Den modtager kildekode og tekstlige krav og returnerer tekst, som kan indeholde en implementering, fuldførelse, rettelse eller forklaring. Den navngivne 2508-udgave fokuserer på udviklerens aktuelle redigeringskontekst og er hverken en embeddingmodel eller i sig selv en komplet agent til kodebaser.\n\nKodefuldførelse og opdateringen 2508\n\nProducenten retter Codestral mod fill-in-the-middle-fuldførelse og redigering over flere linjer. Udgivelsen beskriver forbedret fuldførelsesadfærd, herunder mindre løbsk generering, sammen med forbedringer af instruktionsefterlevelse og kodeopgaver i chattilstand. Det er ændringer i denne Codestral-udgave; den omgivende kodestaks funktioner til informationshentning og autonome agenter tilhører særskilt navngivne komponenter.\n\nTil en fuldførelsesopgave skal du bevare den relevante funktionssignatur, deklarationer og kaldskontekst sammen med markørens placering. Angiv, om det ønskede resultat kun er den manglende kode eller en fuldt revideret funktion. En editorlignende anmodning kan bede om kroppen i en løkke, der bevarer den eksisterende returtype, beholder dublerede værdier og ikke ændrer kalderens input. Resultatet får dermed et konkret indsættelsespunkt og en defineret adfærd.\n\nForberedelse af fill-in-the-middle\n\nI producentens FIM-grænseflade leverer prompten tekst eller kode, der skal fuldføres, og et valgfrit suffiks leverer materialet efter hullet. Når begge er angivet, udfylder modellen mellemrummet mellem dem. Uden et suffiks fortsætter den fra prompten. Det adskiller sig fra en almindelig samtaleanmodning, der beder om en kodeændring og en forklaring; hver forberedelsesform definerer sin egen outputkontrakt.\n\nEt nyttigt input til udfyldning indeholder funktionens begyndelse, koden, der skal følge efter indsættelsen, og eventuelle relevante type- eller hjælperdefinitioner. Bevar indrykning og afgrænsningstegn, så den returnerede tekst kan passe ind i det eksisterende fragment. Hvis opgaven kun kræver den manglende krop, skal du bede om den frem for en omskrivning af hele filen. Et særskilt chatspørgsmål kan forklare, hvorfor det fuldførte fragment opfylder kravet.\n\nDen officielle FIM-dokumentation tillader et budget for outputtokens og kræver, at prompten plus dette budget holder sig inden for modellens kontekst. Den dokumenterer også stopsekvenser og streaming af genereret indhold. Vælg en fuldførelsesarbejdsgang, når resultatet skal passe ind i kodehullet, og en samtalearbejdsgang, når opgaven beder om kode sammen med en forklaring.\n\nKontekst og understøttende funktioner\n\nModelsiden angiver et kontekstvindue på 128k. Brug konteksten til at bevare den kildekode og de deklarationer, der bestemmer den tilsigtede ændring, og hold samtidig selve redigeringsopgaven udtrykkelig. Ved en fejlrettelse skal du levere den berørte funktion, et konkret input, der fejler, det forventede resultat og fejlen eller den observerede adfærd. Bed om den foreslåede rettelse adskilt fra dens forklaring og eksempler.\n\nSiden angiver også strukturerede output, funktionskald, forudsagte output, dokumentspørgsmål, svarpræfikser og batchbehandling sammen med chat- og FIM-funktioner. Til et struktureret kodegennemgangsresultat skal du definere felter såsom det berørte symbol, den observerede afvigelse, den foreslåede ændring og den antagelse, der stadig kræver afklaring. Mistrals vejledning om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema, hvor det ønskede JSON-format angives i prompten.\n\nForudsagte output er beregnet til indhold, hvor store dele af svaret allerede kendes. De kan bruges, når et dokument eller en kodefil skal genskabes med en begrænset ændring, mens det øvrige indhold bevares. Angiv den præcise ændring og det materiale, der skal forblive. Et svarpræfiks leverer derimod en kendt begyndelse, som genereringen fortsætter fra; det adskiller sig både fra en kendt, fuldstændig tekst og et FIM-suffiks.\n\nEt dokumentationsspørgsmål kan bruge producentens arbejdsgang til dokumentbehandling til at klargøre tekst og struktur med OCR før sprogmodellens analyse. Til programmeringsmateriale, der allerede findes som tekst, skal du give de relevante dokumentationspassager og spørge, hvilken betingelse der styrer implementeringen. Hold hvert udtrukket krav knyttet til sit kildeafsnit, så den genererede kode eller forklaring forbliver forbundet med den givne specifikation.\n\nVærktøjer og praktiske resultater\n\nFunktionskald lader applikationen levere beskrevne operationer og deres parametre. Modellen forbereder et kald, applikationen udfører det, og det returnerede resultat bliver kontekst for næste svar. En kodeassistent kan modtage et opslagsresultat eller et beregningsresultat gennem denne cyklus, men kompilering, test eller anvendelse af en foreslået ændring kræver stadig det omgivende udviklingsmiljø.\n\nTil en praktisk rettelse skal du definere den offentlige grænseflade, som skal forblive kompatibel, og bede om det reviderede fragment, en kort forklaring og eksempelinput med forventede output. Til en genereret funktion skal du angive de accepterede typer og grænsetilfælde. Til en forklaring skal du levere det input, der skal spores, så svaret forbinder et konkret eksekveringsforløb med den returnerede værdi.\n\nCodestral producerer tekst. Den arver ikke kodesøgningsvektorer fra Codestral Embed, automatisering af kodebaser fra Devstral eller billedgenerering fra en visuel model. Modelsiden for præcis 2508 offentliggør ikke et parameterantal eller en selvstændig maksimal svarlængde, som kan lånes fra en anden udgivelse. Bevar den navngivne udgave, kodekonteksten og den krævede artefakt, når du forbereder en gentagelig arbejdsgang i editoren eller chatten.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fill a nonmutating loop body\n\nComplete only the missing body in this Python function: 'def doubled(values):\n result = []\n # missing body\n return result'. It must append twice every input value, preserve order and duplicate values, and leave values unchanged. Return the indented insertion followed by assert tests for [2, 2, -1] and []. This is a chat completion request, not a FIM transport request.Only the missing indented loop body, then two tests verifying [4, 4, -2] and an empty result.The insertion fits before return result and never deduplicates or mutates the input.mistralai/codestral-2508Codestral 2508 er Mistral AI's tekstmodel til kodegenerering og kontekstafhængig kodefuldførelse. Den er optimeret til hyppige opgaver i editoren, herunder udfyldning mellem eksisterende kode og redigering over flere linjer, med en producentangivet kontekst på 128k og dokumenterede funktioner til chat, struktureret output og værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Codestral 2508 er Mistral AI's kodemodel til hyppige fuldførelses- og genereringsopgaver, hvor svartiden er vigtig. Den modtager kildekode og tekstlige krav og returnerer tekst, som kan indeholde en implementering, fuldførelse, rettelse eller forklaring. Den navngivne 2508-udgave fokuserer på udviklerens aktuelle redigeringskontekst og er hverken en embeddingmodel eller i sig selv en komplet agent til kodebaser.
Kodefuldførelse og opdateringen 2508
Producenten retter Codestral mod fill-in-the-middle-fuldførelse og redigering over flere linjer. Udgivelsen beskriver forbedret fuldførelsesadfærd, herunder mindre løbsk generering, sammen med forbedringer af instruktionsefterlevelse og kodeopgaver i chattilstand. Det er ændringer i denne Codestral-udgave; den omgivende kodestaks funktioner til informationshentning og autonome agenter tilhører særskilt navngivne komponenter.
Til en fuldførelsesopgave skal du bevare den relevante funktionssignatur, deklarationer og kaldskontekst sammen med markørens placering. Angiv, om det ønskede resultat kun er den manglende kode eller en fuldt revideret funktion. En editorlignende anmodning kan bede om kroppen i en løkke, der bevarer den eksisterende returtype, beholder dublerede værdier og ikke ændrer kalderens input. Resultatet får dermed et konkret indsættelsespunkt og en defineret adfærd.
Forberedelse af fill-in-the-middle
I producentens FIM-grænseflade leverer prompten tekst eller kode, der skal fuldføres, og et valgfrit suffiks leverer materialet efter hullet. Når begge er angivet, udfylder modellen mellemrummet mellem dem. Uden et suffiks fortsætter den fra prompten. Det adskiller sig fra en almindelig samtaleanmodning, der beder om en kodeændring og en forklaring; hver forberedelsesform definerer sin egen outputkontrakt.
Et nyttigt input til udfyldning indeholder funktionens begyndelse, koden, der skal følge efter indsættelsen, og eventuelle relevante type- eller hjælperdefinitioner. Bevar indrykning og afgrænsningstegn, så den returnerede tekst kan passe ind i det eksisterende fragment. Hvis opgaven kun kræver den manglende krop, skal du bede om den frem for en omskrivning af hele filen. Et særskilt chatspørgsmål kan forklare, hvorfor det fuldførte fragment opfylder kravet.
Den officielle FIM-dokumentation tillader et budget for outputtokens og kræver, at prompten plus dette budget holder sig inden for modellens kontekst. Den dokumenterer også stopsekvenser og streaming af genereret indhold. Vælg en fuldførelsesarbejdsgang, når resultatet skal passe ind i kodehullet, og en samtalearbejdsgang, når opgaven beder om kode sammen med en forklaring.
Kontekst og understøttende funktioner
Modelsiden angiver et kontekstvindue på 128k. Brug konteksten til at bevare den kildekode og de deklarationer, der bestemmer den tilsigtede ændring, og hold samtidig selve redigeringsopgaven udtrykkelig. Ved en fejlrettelse skal du levere den berørte funktion, et konkret input, der fejler, det forventede resultat og fejlen eller den observerede adfærd. Bed om den foreslåede rettelse adskilt fra dens forklaring og eksempler.
Siden angiver også strukturerede output, funktionskald, forudsagte output, dokumentspørgsmål, svarpræfikser og batchbehandling sammen med chat- og FIM-funktioner. Til et struktureret kodegennemgangsresultat skal du definere felter såsom det berørte symbol, den observerede afvigelse, den foreslåede ændring og den antagelse, der stadig kræver afklaring. Mistrals vejledning om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema, hvor det ønskede JSON-format angives i prompten.
Forudsagte output er beregnet til indhold, hvor store dele af svaret allerede kendes. De kan bruges, når et dokument eller en kodefil skal genskabes med en begrænset ændring, mens det øvrige indhold bevares. Angiv den præcise ændring og det materiale, der skal forblive. Et svarpræfiks leverer derimod en kendt begyndelse, som genereringen fortsætter fra; det adskiller sig både fra en kendt, fuldstændig tekst og et FIM-suffiks.
Et dokumentationsspørgsmål kan bruge producentens arbejdsgang til dokumentbehandling til at klargøre tekst og struktur med OCR før sprogmodellens analyse. Til programmeringsmateriale, der allerede findes som tekst, skal du give de relevante dokumentationspassager og spørge, hvilken betingelse der styrer implementeringen. Hold hvert udtrukket krav knyttet til sit kildeafsnit, så den genererede kode eller forklaring forbliver forbundet med den givne specifikation.
Værktøjer og praktiske resultater
Funktionskald lader applikationen levere beskrevne operationer og deres parametre. Modellen forbereder et kald, applikationen udfører det, og det returnerede resultat bliver kontekst for næste svar. En kodeassistent kan modtage et opslagsresultat eller et beregningsresultat gennem denne cyklus, men kompilering, test eller anvendelse af en foreslået ændring kræver stadig det omgivende udviklingsmiljø.
Til en praktisk rettelse skal du definere den offentlige grænseflade, som skal forblive kompatibel, og bede om det reviderede fragment, en kort forklaring og eksempelinput med forventede output. Til en genereret funktion skal du angive de accepterede typer og grænsetilfælde. Til en forklaring skal du levere det input, der skal spores, så svaret forbinder et konkret eksekveringsforløb med den returnerede værdi.
Codestral producerer tekst. Den arver ikke kodesøgningsvektorer fra Codestral Embed, automatisering af kodebaser fra Devstral eller billedgenerering fra en visuel model. Modelsiden for præcis 2508 offentliggør ikke et parameterantal eller en selvstændig maksimal svarlængde, som kan lånes fra en anden udgivelse. Bevar den navngivne udgave, kodekonteksten og den krævede artefakt, når du forbereder en gentagelig arbejdsgang i editoren eller chatten.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/codestral-2508 | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.0018 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.0018 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/codestral-2508", "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/codestral-2508',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/codestral-2508',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 mistralai/codestral-2508
Brug metodestierne vist ovenfor.
mistralai/codestral-2508Codestral 2508 er Mistral AI's tekstmodel til kodegenerering og kontekstafhængig kodefuldførelse. Den er optimeret til hyppige opgaver i editoren, herunder udfyldning mellem eksisterende kode og redigering over flere linjer, med en producentangivet kontekst på 128k og dokumenterede funktioner til chat, struktureret output og værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Codestral 2508 er Mistral AI's kodemodel til hyppige fuldførelses- og genereringsopgaver, hvor svartiden er vigtig. Den modtager kildekode og tekstlige krav og returnerer tekst, som kan indeholde en implementering, fuldførelse, rettelse eller forklaring. Den navngivne 2508-udgave fokuserer på udviklerens aktuelle redigeringskontekst og er hverken en embeddingmodel eller i sig selv en komplet agent til kodebaser.
Kodefuldførelse og opdateringen 2508
Producenten retter Codestral mod fill-in-the-middle-fuldførelse og redigering over flere linjer. Udgivelsen beskriver forbedret fuldførelsesadfærd, herunder mindre løbsk generering, sammen med forbedringer af instruktionsefterlevelse og kodeopgaver i chattilstand. Det er ændringer i denne Codestral-udgave; den omgivende kodestaks funktioner til informationshentning og autonome agenter tilhører særskilt navngivne komponenter.
Til en fuldførelsesopgave skal du bevare den relevante funktionssignatur, deklarationer og kaldskontekst sammen med markørens placering. Angiv, om det ønskede resultat kun er den manglende kode eller en fuldt revideret funktion. En editorlignende anmodning kan bede om kroppen i en løkke, der bevarer den eksisterende returtype, beholder dublerede værdier og ikke ændrer kalderens input. Resultatet får dermed et konkret indsættelsespunkt og en defineret adfærd.
Forberedelse af fill-in-the-middle
I producentens FIM-grænseflade leverer prompten tekst eller kode, der skal fuldføres, og et valgfrit suffiks leverer materialet efter hullet. Når begge er angivet, udfylder modellen mellemrummet mellem dem. Uden et suffiks fortsætter den fra prompten. Det adskiller sig fra en almindelig samtaleanmodning, der beder om en kodeændring og en forklaring; hver forberedelsesform definerer sin egen outputkontrakt.
Et nyttigt input til udfyldning indeholder funktionens begyndelse, koden, der skal følge efter indsættelsen, og eventuelle relevante type- eller hjælperdefinitioner. Bevar indrykning og afgrænsningstegn, så den returnerede tekst kan passe ind i det eksisterende fragment. Hvis opgaven kun kræver den manglende krop, skal du bede om den frem for en omskrivning af hele filen. Et særskilt chatspørgsmål kan forklare, hvorfor det fuldførte fragment opfylder kravet.
Den officielle FIM-dokumentation tillader et budget for outputtokens og kræver, at prompten plus dette budget holder sig inden for modellens kontekst. Den dokumenterer også stopsekvenser og streaming af genereret indhold. Vælg en fuldførelsesarbejdsgang, når resultatet skal passe ind i kodehullet, og en samtalearbejdsgang, når opgaven beder om kode sammen med en forklaring.
Kontekst og understøttende funktioner
Modelsiden angiver et kontekstvindue på 128k. Brug konteksten til at bevare den kildekode og de deklarationer, der bestemmer den tilsigtede ændring, og hold samtidig selve redigeringsopgaven udtrykkelig. Ved en fejlrettelse skal du levere den berørte funktion, et konkret input, der fejler, det forventede resultat og fejlen eller den observerede adfærd. Bed om den foreslåede rettelse adskilt fra dens forklaring og eksempler.
Siden angiver også strukturerede output, funktionskald, forudsagte output, dokumentspørgsmål, svarpræfikser og batchbehandling sammen med chat- og FIM-funktioner. Til et struktureret kodegennemgangsresultat skal du definere felter såsom det berørte symbol, den observerede afvigelse, den foreslåede ændring og den antagelse, der stadig kræver afklaring. Mistrals vejledning om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema, hvor det ønskede JSON-format angives i prompten.
Forudsagte output er beregnet til indhold, hvor store dele af svaret allerede kendes. De kan bruges, når et dokument eller en kodefil skal genskabes med en begrænset ændring, mens det øvrige indhold bevares. Angiv den præcise ændring og det materiale, der skal forblive. Et svarpræfiks leverer derimod en kendt begyndelse, som genereringen fortsætter fra; det adskiller sig både fra en kendt, fuldstændig tekst og et FIM-suffiks.
Et dokumentationsspørgsmål kan bruge producentens arbejdsgang til dokumentbehandling til at klargøre tekst og struktur med OCR før sprogmodellens analyse. Til programmeringsmateriale, der allerede findes som tekst, skal du give de relevante dokumentationspassager og spørge, hvilken betingelse der styrer implementeringen. Hold hvert udtrukket krav knyttet til sit kildeafsnit, så den genererede kode eller forklaring forbliver forbundet med den givne specifikation.
Værktøjer og praktiske resultater
Funktionskald lader applikationen levere beskrevne operationer og deres parametre. Modellen forbereder et kald, applikationen udfører det, og det returnerede resultat bliver kontekst for næste svar. En kodeassistent kan modtage et opslagsresultat eller et beregningsresultat gennem denne cyklus, men kompilering, test eller anvendelse af en foreslået ændring kræver stadig det omgivende udviklingsmiljø.
Til en praktisk rettelse skal du definere den offentlige grænseflade, som skal forblive kompatibel, og bede om det reviderede fragment, en kort forklaring og eksempelinput med forventede output. Til en genereret funktion skal du angive de accepterede typer og grænsetilfælde. Til en forklaring skal du levere det input, der skal spores, så svaret forbinder et konkret eksekveringsforløb med den returnerede værdi.
Codestral producerer tekst. Den arver ikke kodesøgningsvektorer fra Codestral Embed, automatisering af kodebaser fra Devstral eller billedgenerering fra en visuel model. Modelsiden for præcis 2508 offentliggør ikke et parameterantal eller en selvstændig maksimal svarlængde, som kan lånes fra en anden udgivelse. Bevar den navngivne udgave, kodekonteksten og den krævede artefakt, når du forbereder en gentagelig arbejdsgang i editoren eller chatten.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/codestral-2508 | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.0018 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.0018 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/codestral-2508",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/codestral-2508', '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/codestral-2508', '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 mistralai/codestral-2508
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Fill a nonmutating loop body\n\nComplete only the missing body in this Python function: 'def doubled(values):\n result = []\n # missing body\n return result'. It must append twice every input value, preserve order and duplicate values, and leave values unchanged. Return the indented insertion followed by assert tests for [2, 2, -1] and []. This is a chat completion request, not a FIM transport request.Only the missing indented loop body, then two tests verifying [4, 4, -2] and an empty result.The insertion fits before return result and never deduplicates or mutates the input.