Ministral 3 8B Instruct 2512 er den mellemstore, instruktionsfinjusterede model i Mistral AI's Ministral 3-familie. Det udgivne checkpoint er eftertrænet til chat- og instruktionsopgaver i FP8-præcision. Det kombinerer en sprogkomponent med en visuel encoder, tager imod tekst og billeder og returnerer tekst frem for en billed- eller lydartefakt.
Arkitektur og centrale funktioner
Producenten angiver en sprogmodel med 8,4 milliarder parametre og en visuel encoder med 0,4 milliarder parametre. Kontekstvinduet beskrives som 256k, og de offentliggjorte brugsnoter anvender en konfigureret standardlængde på 262.144. Det beskriver denne udgave i 8B-størrelse; familiens mindre 3B- og større 14B-medlemmer bevarer deres egne komponentstørrelser og konfigurationer.
Syn udvider modellens input ud over en skriftlig samtale. Et dokumentbillede kan kombineres med et spørgsmål om et udvalgt felt, afsnit eller en synlig relation. Et skærmbillede kan kombineres med brugerens mål og en anmodning om at identificere det relevante kontrolelement. Bed om den observation, der understøtter hver konklusion, når svaret afhænger af visuelle detaljer, og bevar de overskrifter, etiketter og enheder, der kræves for at fortolke en beskæring.
Modelkortet beskriver flersproget arbejde på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Det identificerer også efterlevelse af systeminstruktioner, indbygget funktionskald og JSON-output. Definer målsprog, rolle og outputkrav udtrykkeligt frem for at lade modellen udlede den tilsigtede artefakt fra et stort input.
Dokument-, samtale- og agentopgaver
Producentens anvendelser omfatter chatgrænseflader, hverdagsassistenter, billed- og dokumentbeskrivelse, oversættelse, indholdsgenerering og specialiserede agenter. Til en dokumentassistent skal du give siden og angive, hvilke oplysninger der skal returneres. En udtrækningsanmodning kan navngive feltetiketter, forventede typer og behandlingen af manglende værdier. Et nyttigt svar kan indeholde dokumentidentifikatoren, den udtrukne værdi og en kort forklaring knyttet til den synlige kilde.
Til en løbende samtale skal du bevare det relevante tidligere svar og stille et fokuseret opfølgningsspørgsmål. En bruger kan først bede om et dokumentresumé og derefter spørge, hvilket udsagn der understøtter én konklusion. Det ændrer det krævede output fra en generel oversigt til en kildehenvisende forklaring og bevarer samtidig originalmaterialet og dialogens formål.
Til flersproget redigering skal du give originalpassagen, den tilsigtede læser og en terminologiliste. Bed om en revideret version, der bevarer navne, betingelser og enheder, efterfulgt af en kort forklaring af ændringerne, hvis det er nyttigt. Til indholdsgenerering skal du angive målgruppen og de fakta, der skal indgå, før du beder om et kort udkast eller en alternativ formulering.
I en agentopgave leverer applikationen værktøjerne og deres parametre. Modellen kan vælge en funktion og forberede argumenter, mens applikationen udfører den og returnerer resultatet. Modelkortets funktionseksempel kombinerer et billedspørgsmål med et beregningsværktøj. Hold værktøjsresultatet adskilt fra det foreslåede kald, så det efterfølgende skriftlige svar bruger de oplysninger, operationen faktisk returnerede.
Anbefalet forberedelse og indstillinger
Producenten anbefaler en systeminstruktion, der beskriver miljøet, anvendelsen og hvordan værktøjer skal bruges. Hold værktøjssættet veldefineret og begrænset til det minimum, opgaven kræver. En lille opslagsarbejdsgang kan tilbyde de funktioner, der er relevante for det aktuelle spørgsmål, med tydeligt navngivne krævede argumenter frem for at præsentere en stor samling uvedkommende operationer.
Til daglig og produktionslignende brug anbefaler modelkortet en temperatur under 0,1, mens højere temperaturer kan bruges til kreativ udforskning. Behandl det som en anbefaling til instruktionsarbejdsgangen og ikke som en særskilt styring af ræsonnementstilstand. Familien har forskellige Base-, Instruct- og Reasoning-checkpoints; denne post er Instruct 2512-udgaven og ikke den særskilte Reasoning-udgivelse i samme størrelse.
Til billeder anbefaler producenten billedformater tæt på 1:1 og at undgå meget smalle eller meget brede input. Beskær efter behov, men bevar de etiketter og den kontekst, spørgsmålet kræver. Hvis en side indeholder flere uvedkommende områder, skal du identificere den del, der skal undersøges, og resultatet, der skal returneres. Et læseligt, fokuseret billede er mere nyttigt end at bede modellen gætte, hvilken lille detalje på en stor side der betyder noget.
Kontekst og udgavegrænser
Planlæg tekst, billeder, samtale og ønsket svar omkring den konfigurerede kontekst. Brugsnoterne tillader udtrykkeligt at reducere den konfigurerede modellængde, når mindre kontekst er nødvendig, så hele vinduet er ikke en instruktion om at fylde hver anmodning med alt tilgængeligt materiale. Modelkortets genereringseksempel på 512 tokens er kun en eksempelindstilling, og de læste kilder fastlægger ikke en særskilt fast maksimal svarlængde.
FP8 Instruct-checkpointet, den fortrænede Base-udgivelse og Reasoning-udgivelsen er særskilte udgaver. Producenten beskriver også specialisering og finjustering som anvendelser. Bevar det navngivne checkpoint og dets tokenizer ved forberedelse af samtalen, og hold tekstgenerering adskilt fra adgang til kodebaser, funktionseksekvering eller andre handlinger leveret af den omgivende applikation.
", "aboutText": "Ministral 3 8B Instruct 2512 er den mellemstore, instruktionsfinjusterede model i Mistral AI's Ministral 3-familie. Det udgivne checkpoint er eftertrænet til chat- og instruktionsopgaver i FP8-præcision. Det kombinerer en sprogkomponent med en visuel encoder, tager imod tekst og billeder og returnerer tekst frem for en billed- eller lydartefakt.\n\nArkitektur og centrale funktioner\n\nProducenten angiver en sprogmodel med 8,4 milliarder parametre og en visuel encoder med 0,4 milliarder parametre. Kontekstvinduet beskrives som 256k, og de offentliggjorte brugsnoter anvender en konfigureret standardlængde på 262.144. Det beskriver denne udgave i 8B-størrelse; familiens mindre 3B- og større 14B-medlemmer bevarer deres egne komponentstørrelser og konfigurationer.\n\nSyn udvider modellens input ud over en skriftlig samtale. Et dokumentbillede kan kombineres med et spørgsmål om et udvalgt felt, afsnit eller en synlig relation. Et skærmbillede kan kombineres med brugerens mål og en anmodning om at identificere det relevante kontrolelement. Bed om den observation, der understøtter hver konklusion, når svaret afhænger af visuelle detaljer, og bevar de overskrifter, etiketter og enheder, der kræves for at fortolke en beskæring.\n\nModelkortet beskriver flersproget arbejde på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Det identificerer også efterlevelse af systeminstruktioner, indbygget funktionskald og JSON-output. Definer målsprog, rolle og outputkrav udtrykkeligt frem for at lade modellen udlede den tilsigtede artefakt fra et stort input.\n\nDokument-, samtale- og agentopgaver\n\nProducentens anvendelser omfatter chatgrænseflader, hverdagsassistenter, billed- og dokumentbeskrivelse, oversættelse, indholdsgenerering og specialiserede agenter. Til en dokumentassistent skal du give siden og angive, hvilke oplysninger der skal returneres. En udtrækningsanmodning kan navngive feltetiketter, forventede typer og behandlingen af manglende værdier. Et nyttigt svar kan indeholde dokumentidentifikatoren, den udtrukne værdi og en kort forklaring knyttet til den synlige kilde.\n\nTil en løbende samtale skal du bevare det relevante tidligere svar og stille et fokuseret opfølgningsspørgsmål. En bruger kan først bede om et dokumentresumé og derefter spørge, hvilket udsagn der understøtter én konklusion. Det ændrer det krævede output fra en generel oversigt til en kildehenvisende forklaring og bevarer samtidig originalmaterialet og dialogens formål.\n\nTil flersproget redigering skal du give originalpassagen, den tilsigtede læser og en terminologiliste. Bed om en revideret version, der bevarer navne, betingelser og enheder, efterfulgt af en kort forklaring af ændringerne, hvis det er nyttigt. Til indholdsgenerering skal du angive målgruppen og de fakta, der skal indgå, før du beder om et kort udkast eller en alternativ formulering.\n\nI en agentopgave leverer applikationen værktøjerne og deres parametre. Modellen kan vælge en funktion og forberede argumenter, mens applikationen udfører den og returnerer resultatet. Modelkortets funktionseksempel kombinerer et billedspørgsmål med et beregningsværktøj. Hold værktøjsresultatet adskilt fra det foreslåede kald, så det efterfølgende skriftlige svar bruger de oplysninger, operationen faktisk returnerede.\n\nAnbefalet forberedelse og indstillinger\n\nProducenten anbefaler en systeminstruktion, der beskriver miljøet, anvendelsen og hvordan værktøjer skal bruges. Hold værktøjssættet veldefineret og begrænset til det minimum, opgaven kræver. En lille opslagsarbejdsgang kan tilbyde de funktioner, der er relevante for det aktuelle spørgsmål, med tydeligt navngivne krævede argumenter frem for at præsentere en stor samling uvedkommende operationer.\n\nTil daglig og produktionslignende brug anbefaler modelkortet en temperatur under 0,1, mens højere temperaturer kan bruges til kreativ udforskning. Behandl det som en anbefaling til instruktionsarbejdsgangen og ikke som en særskilt styring af ræsonnementstilstand. Familien har forskellige Base-, Instruct- og Reasoning-checkpoints; denne post er Instruct 2512-udgaven og ikke den særskilte Reasoning-udgivelse i samme størrelse.\n\nTil billeder anbefaler producenten billedformater tæt på 1:1 og at undgå meget smalle eller meget brede input. Beskær efter behov, men bevar de etiketter og den kontekst, spørgsmålet kræver. Hvis en side indeholder flere uvedkommende områder, skal du identificere den del, der skal undersøges, og resultatet, der skal returneres. Et læseligt, fokuseret billede er mere nyttigt end at bede modellen gætte, hvilken lille detalje på en stor side der betyder noget.\n\nKontekst og udgavegrænser\n\nPlanlæg tekst, billeder, samtale og ønsket svar omkring den konfigurerede kontekst. Brugsnoterne tillader udtrykkeligt at reducere den konfigurerede modellængde, når mindre kontekst er nødvendig, så hele vinduet er ikke en instruktion om at fylde hver anmodning med alt tilgængeligt materiale. Modelkortets genereringseksempel på 512 tokens er kun en eksempelindstilling, og de læste kilder fastlægger ikke en særskilt fast maksimal svarlængde.\n\nFP8 Instruct-checkpointet, den fortrænede Base-udgivelse og Reasoning-udgivelsen er særskilte udgaver. Producenten beskriver også specialisering og finjustering som anvendelser. Bevar det navngivne checkpoint og dets tokenizer ved forberedelse af samtalen, og hold tekstgenerering adskilt fra adgang til kodebaser, funktionseksekvering eller andre handlinger leveret af den omgivende applikation.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 er en flersproget tekst- og billedinstruktionsmodel med en sprogkomponent på 8,4 milliarder parametre og en visuel encoder på 0,4 milliarder parametre. Den understøtter en producentangivet kontekst på 256k, systeminstruktioner, JSON og indbyggede funktionskald til assistenter og dokumentarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Ministral 3 8B Instruct 2512 er den mellemstore, instruktionsfinjusterede model i Mistral AI's Ministral 3-familie. Det udgivne checkpoint er eftertrænet til chat- og instruktionsopgaver i FP8-præcision. Det kombinerer en sprogkomponent med en visuel encoder, tager imod tekst og billeder og returnerer tekst frem for en billed- eller lydartefakt.
Arkitektur og centrale funktioner
Producenten angiver en sprogmodel med 8,4 milliarder parametre og en visuel encoder med 0,4 milliarder parametre. Kontekstvinduet beskrives som 256k, og de offentliggjorte brugsnoter anvender en konfigureret standardlængde på 262.144. Det beskriver denne udgave i 8B-størrelse; familiens mindre 3B- og større 14B-medlemmer bevarer deres egne komponentstørrelser og konfigurationer.
Syn udvider modellens input ud over en skriftlig samtale. Et dokumentbillede kan kombineres med et spørgsmål om et udvalgt felt, afsnit eller en synlig relation. Et skærmbillede kan kombineres med brugerens mål og en anmodning om at identificere det relevante kontrolelement. Bed om den observation, der understøtter hver konklusion, når svaret afhænger af visuelle detaljer, og bevar de overskrifter, etiketter og enheder, der kræves for at fortolke en beskæring.
Modelkortet beskriver flersproget arbejde på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Det identificerer også efterlevelse af systeminstruktioner, indbygget funktionskald og JSON-output. Definer målsprog, rolle og outputkrav udtrykkeligt frem for at lade modellen udlede den tilsigtede artefakt fra et stort input.
Dokument-, samtale- og agentopgaver
Producentens anvendelser omfatter chatgrænseflader, hverdagsassistenter, billed- og dokumentbeskrivelse, oversættelse, indholdsgenerering og specialiserede agenter. Til en dokumentassistent skal du give siden og angive, hvilke oplysninger der skal returneres. En udtrækningsanmodning kan navngive feltetiketter, forventede typer og behandlingen af manglende værdier. Et nyttigt svar kan indeholde dokumentidentifikatoren, den udtrukne værdi og en kort forklaring knyttet til den synlige kilde.
Til en løbende samtale skal du bevare det relevante tidligere svar og stille et fokuseret opfølgningsspørgsmål. En bruger kan først bede om et dokumentresumé og derefter spørge, hvilket udsagn der understøtter én konklusion. Det ændrer det krævede output fra en generel oversigt til en kildehenvisende forklaring og bevarer samtidig originalmaterialet og dialogens formål.
Til flersproget redigering skal du give originalpassagen, den tilsigtede læser og en terminologiliste. Bed om en revideret version, der bevarer navne, betingelser og enheder, efterfulgt af en kort forklaring af ændringerne, hvis det er nyttigt. Til indholdsgenerering skal du angive målgruppen og de fakta, der skal indgå, før du beder om et kort udkast eller en alternativ formulering.
I en agentopgave leverer applikationen værktøjerne og deres parametre. Modellen kan vælge en funktion og forberede argumenter, mens applikationen udfører den og returnerer resultatet. Modelkortets funktionseksempel kombinerer et billedspørgsmål med et beregningsværktøj. Hold værktøjsresultatet adskilt fra det foreslåede kald, så det efterfølgende skriftlige svar bruger de oplysninger, operationen faktisk returnerede.
Anbefalet forberedelse og indstillinger
Producenten anbefaler en systeminstruktion, der beskriver miljøet, anvendelsen og hvordan værktøjer skal bruges. Hold værktøjssættet veldefineret og begrænset til det minimum, opgaven kræver. En lille opslagsarbejdsgang kan tilbyde de funktioner, der er relevante for det aktuelle spørgsmål, med tydeligt navngivne krævede argumenter frem for at præsentere en stor samling uvedkommende operationer.
Til daglig og produktionslignende brug anbefaler modelkortet en temperatur under 0,1, mens højere temperaturer kan bruges til kreativ udforskning. Behandl det som en anbefaling til instruktionsarbejdsgangen og ikke som en særskilt styring af ræsonnementstilstand. Familien har forskellige Base-, Instruct- og Reasoning-checkpoints; denne post er Instruct 2512-udgaven og ikke den særskilte Reasoning-udgivelse i samme størrelse.
Til billeder anbefaler producenten billedformater tæt på 1:1 og at undgå meget smalle eller meget brede input. Beskær efter behov, men bevar de etiketter og den kontekst, spørgsmålet kræver. Hvis en side indeholder flere uvedkommende områder, skal du identificere den del, der skal undersøges, og resultatet, der skal returneres. Et læseligt, fokuseret billede er mere nyttigt end at bede modellen gætte, hvilken lille detalje på en stor side der betyder noget.
Kontekst og udgavegrænser
Planlæg tekst, billeder, samtale og ønsket svar omkring den konfigurerede kontekst. Brugsnoterne tillader udtrykkeligt at reducere den konfigurerede modellængde, når mindre kontekst er nødvendig, så hele vinduet er ikke en instruktion om at fylde hver anmodning med alt tilgængeligt materiale. Modelkortets genereringseksempel på 512 tokens er kun en eksempelindstilling, og de læste kilder fastlægger ikke en særskilt fast maksimal svarlængde.
FP8 Instruct-checkpointet, den fortrænede Base-udgivelse og Reasoning-udgivelsen er særskilte udgaver. Producenten beskriver også specialisering og finjustering som anvendelser. Bevar det navngivne checkpoint og dets tokenizer ved forberedelse af samtalen, og hold tekstgenerering adskilt fra adgang til kodebaser, funktionseksekvering eller andre handlinger leveret af den omgivende applikation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/ministral-8b-2512 | 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 $0.00066 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0.00003 / 1K tokens Input · Cacheskrivning $0 / 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 $0.00066 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0.00003 / 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": "mistralai/ministral-8b-2512", "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/ministral-8b-2512',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/ministral-8b-2512',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/ministral-8b-2512
Brug metodestierne vist ovenfor.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 er en flersproget tekst- og billedinstruktionsmodel med en sprogkomponent på 8,4 milliarder parametre og en visuel encoder på 0,4 milliarder parametre. Den understøtter en producentangivet kontekst på 256k, systeminstruktioner, JSON og indbyggede funktionskald til assistenter og dokumentarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Ministral 3 8B Instruct 2512 er den mellemstore, instruktionsfinjusterede model i Mistral AI's Ministral 3-familie. Det udgivne checkpoint er eftertrænet til chat- og instruktionsopgaver i FP8-præcision. Det kombinerer en sprogkomponent med en visuel encoder, tager imod tekst og billeder og returnerer tekst frem for en billed- eller lydartefakt.
Arkitektur og centrale funktioner
Producenten angiver en sprogmodel med 8,4 milliarder parametre og en visuel encoder med 0,4 milliarder parametre. Kontekstvinduet beskrives som 256k, og de offentliggjorte brugsnoter anvender en konfigureret standardlængde på 262.144. Det beskriver denne udgave i 8B-størrelse; familiens mindre 3B- og større 14B-medlemmer bevarer deres egne komponentstørrelser og konfigurationer.
Syn udvider modellens input ud over en skriftlig samtale. Et dokumentbillede kan kombineres med et spørgsmål om et udvalgt felt, afsnit eller en synlig relation. Et skærmbillede kan kombineres med brugerens mål og en anmodning om at identificere det relevante kontrolelement. Bed om den observation, der understøtter hver konklusion, når svaret afhænger af visuelle detaljer, og bevar de overskrifter, etiketter og enheder, der kræves for at fortolke en beskæring.
Modelkortet beskriver flersproget arbejde på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Det identificerer også efterlevelse af systeminstruktioner, indbygget funktionskald og JSON-output. Definer målsprog, rolle og outputkrav udtrykkeligt frem for at lade modellen udlede den tilsigtede artefakt fra et stort input.
Dokument-, samtale- og agentopgaver
Producentens anvendelser omfatter chatgrænseflader, hverdagsassistenter, billed- og dokumentbeskrivelse, oversættelse, indholdsgenerering og specialiserede agenter. Til en dokumentassistent skal du give siden og angive, hvilke oplysninger der skal returneres. En udtrækningsanmodning kan navngive feltetiketter, forventede typer og behandlingen af manglende værdier. Et nyttigt svar kan indeholde dokumentidentifikatoren, den udtrukne værdi og en kort forklaring knyttet til den synlige kilde.
Til en løbende samtale skal du bevare det relevante tidligere svar og stille et fokuseret opfølgningsspørgsmål. En bruger kan først bede om et dokumentresumé og derefter spørge, hvilket udsagn der understøtter én konklusion. Det ændrer det krævede output fra en generel oversigt til en kildehenvisende forklaring og bevarer samtidig originalmaterialet og dialogens formål.
Til flersproget redigering skal du give originalpassagen, den tilsigtede læser og en terminologiliste. Bed om en revideret version, der bevarer navne, betingelser og enheder, efterfulgt af en kort forklaring af ændringerne, hvis det er nyttigt. Til indholdsgenerering skal du angive målgruppen og de fakta, der skal indgå, før du beder om et kort udkast eller en alternativ formulering.
I en agentopgave leverer applikationen værktøjerne og deres parametre. Modellen kan vælge en funktion og forberede argumenter, mens applikationen udfører den og returnerer resultatet. Modelkortets funktionseksempel kombinerer et billedspørgsmål med et beregningsværktøj. Hold værktøjsresultatet adskilt fra det foreslåede kald, så det efterfølgende skriftlige svar bruger de oplysninger, operationen faktisk returnerede.
Anbefalet forberedelse og indstillinger
Producenten anbefaler en systeminstruktion, der beskriver miljøet, anvendelsen og hvordan værktøjer skal bruges. Hold værktøjssættet veldefineret og begrænset til det minimum, opgaven kræver. En lille opslagsarbejdsgang kan tilbyde de funktioner, der er relevante for det aktuelle spørgsmål, med tydeligt navngivne krævede argumenter frem for at præsentere en stor samling uvedkommende operationer.
Til daglig og produktionslignende brug anbefaler modelkortet en temperatur under 0,1, mens højere temperaturer kan bruges til kreativ udforskning. Behandl det som en anbefaling til instruktionsarbejdsgangen og ikke som en særskilt styring af ræsonnementstilstand. Familien har forskellige Base-, Instruct- og Reasoning-checkpoints; denne post er Instruct 2512-udgaven og ikke den særskilte Reasoning-udgivelse i samme størrelse.
Til billeder anbefaler producenten billedformater tæt på 1:1 og at undgå meget smalle eller meget brede input. Beskær efter behov, men bevar de etiketter og den kontekst, spørgsmålet kræver. Hvis en side indeholder flere uvedkommende områder, skal du identificere den del, der skal undersøges, og resultatet, der skal returneres. Et læseligt, fokuseret billede er mere nyttigt end at bede modellen gætte, hvilken lille detalje på en stor side der betyder noget.
Kontekst og udgavegrænser
Planlæg tekst, billeder, samtale og ønsket svar omkring den konfigurerede kontekst. Brugsnoterne tillader udtrykkeligt at reducere den konfigurerede modellængde, når mindre kontekst er nødvendig, så hele vinduet er ikke en instruktion om at fylde hver anmodning med alt tilgængeligt materiale. Modelkortets genereringseksempel på 512 tokens er kun en eksempelindstilling, og de læste kilder fastlægger ikke en særskilt fast maksimal svarlængde.
FP8 Instruct-checkpointet, den fortrænede Base-udgivelse og Reasoning-udgivelsen er særskilte udgaver. Producenten beskriver også specialisering og finjustering som anvendelser. Bevar det navngivne checkpoint og dets tokenizer ved forberedelse af samtalen, og hold tekstgenerering adskilt fra adgang til kodebaser, funktionseksekvering eller andre handlinger leveret af den omgivende applikation.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/ministral-8b-2512 | 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 $0.00066 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0.00003 / 1K tokens Input · Cacheskrivning $0 / 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 $0.00066 / 1K tokens Output · Outputtokens $0.00066 / 1K tokens Input · Cachelæsning $0.00003 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-8b-2512', '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/ministral-8b-2512', '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/ministral-8b-2512
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.