Mistral Saba er Mistral AI's specialiserede regionale tekstmodel, skabt ved finjustering af en model fra Small-familien med kurateret materiale fra Mellemøsten og Sydasien. Producenten beskriver en model med 24 milliarder parametre, som er beregnet til at afspejle regionalt sprog, kulturel kontekst og lokale udtryksformer. Den modtager en skriftlig opgave og kildemateriale og returnerer tekst.
Regionalt sprog og kontekst
Udgivelsen identificerer udtrykkeligt arabisk og mange sprog med indisk oprindelse med særlig styrke i sydindiske sprog såsom tamil. Dens fokus er mere specifikt end blot at ændre målsproget i et generelt svar: træningsmaterialet er valgt til den regionale sproglige og kulturelle kontekst, hvor svaret skal anvendes.
Angiv målgruppe, region, sprog og ønsket stilniveau, før du beder om et resultat. En formel forklaring, en kunderettet besked og en undervisningstekst kan kræve forskellig terminologi og tiltaleformer. Giv en ordliste til produktnavne eller fagtermer, der skal være konsekvente, og angiv, om resultatet skal bevare kildens ordlyd eller tilpasse forklaringen til læseren.
Producentens side angiver et kontekstvindue på 32k og identificerer udgaven som mistral-saba-2502. Brug konteksten til relevante kildepassager, samtale og instruktioner samlet. Et regionalt tilpasset svar kræver stadig de faktiske produktbetingelser, proceduren eller dokumentindholdet som bevismateriale; kulturelt kendskab leverer ikke en virksomheds private oplysninger.
Samtalebaseret support
Producenten fremhæver arabiske samtaleassistenter som en central anvendelse. En praktisk supportanmodning kan give brugerens besked og det godkendte referencemateriale og derefter bede om et svar i et navngivet stilniveau. Bed om næste handling, betingelsen, der gør den relevant, og eventuelle detaljer, brugeren stadig skal levere. Det forankrer svaret i det konkrete problem frem for at producere en generisk regional hilsen.
Til en tosproget forklaring skal du identificere kildens sprog og den endelige beskeds sprog. Bevar navne, beløb eller enheder i materialet, og beskriv den målgruppe, der skal forstå svaret. Et opfølgningsspørgsmål kan bede om en kortere version eller en forklaring af én term, mens de samme betingelser bevares.
Domænespecifik tilpasning
Meddelelsen beskriver finjustering af Saba til bestemte domæner, herunder energi og andre regionale faglige sammenhænge. Det er en tilpasningsproces frem for en påstand om, at alle specialiserede datasæt allerede er en del af standardmodellen. Til en domæneorienteret tekstopgave skal du give den terminologi, de kildedokumenter og de svarregler, der er relevante for den faktiske applikation.
En teknisk forklaring kan bede modellen gengive en procedure med læserens regionale terminologi, mens de oprindelige trin og betingelser bevares. Et dokumentspørgsmål kan identificere den bestemmelse, der skal forklares, og bede om et kort svar med den understøttende passage. Adskil kildefakta, forklaringen og eventuelle uafklarede termer ved forberedelse af outputtet.
Kulturel indholdsskabelse
Producenten beskriver også kulturelt relevant skrivning og undervisningsressourcer. Giv emnet, den tilsigtede målgruppe, sproget og de fakta eller eksempler, der skal indgå. Til en undervisningstekst skal du angive, hvad eleven skal forstå til sidst, og bede om en forklaring efterfulgt af et praktisk eksempel. Til en organisatorisk besked skal du give formålet og de oplysninger, læseren skal handle på.
Når lokale idiomer eller kulturelle referencer indgår i opgaven, skal du angive den kontekst, de skal bruges i. Bed om en alternativ formulering, når en formel eller mere neutral version passer til en anden målgruppe. Det er praktiske måder at anvende modellens regionale specialisering på og samtidig holde indhold og tilsigtet brug udtrykkelige.
Udgave og resultatgrænser
Sabas dokumenterede specialisering er tekstbaseret regionalt sprogarbejde med en kontekst på 32k. Den bør ikke arve billedinput, hybride ræsonnementsindstillinger eller værktøjsformatfunktioner fra senere Small- eller Medium-modeller alene fordi den er en finjustering i Small-familien. De læste kilder angiver ikke en særskilt maksimal kapacitet for outputtokens i denne udgave.
Forbered den komplette skriftlige opgave, de relevante kildefakta og den ønskede artefakt: et supportsvar, en forklaring, en tilpasset passage eller en kort undervisningstekst. Hold den navngivne Saba-udgave samt målgruppens sprog og stilniveau udtrykkelige, så den resulterende tekst besvarer det faktiske regionale kommunikationsbehov.
", "aboutText": "Mistral Saba er Mistral AI's specialiserede regionale tekstmodel, skabt ved finjustering af en model fra Small-familien med kurateret materiale fra Mellemøsten og Sydasien. Producenten beskriver en model med 24 milliarder parametre, som er beregnet til at afspejle regionalt sprog, kulturel kontekst og lokale udtryksformer. Den modtager en skriftlig opgave og kildemateriale og returnerer tekst.\n\nRegionalt sprog og kontekst\n\nUdgivelsen identificerer udtrykkeligt arabisk og mange sprog med indisk oprindelse med særlig styrke i sydindiske sprog såsom tamil. Dens fokus er mere specifikt end blot at ændre målsproget i et generelt svar: træningsmaterialet er valgt til den regionale sproglige og kulturelle kontekst, hvor svaret skal anvendes.\n\nAngiv målgruppe, region, sprog og ønsket stilniveau, før du beder om et resultat. En formel forklaring, en kunderettet besked og en undervisningstekst kan kræve forskellig terminologi og tiltaleformer. Giv en ordliste til produktnavne eller fagtermer, der skal være konsekvente, og angiv, om resultatet skal bevare kildens ordlyd eller tilpasse forklaringen til læseren.\n\nProducentens side angiver et kontekstvindue på 32k og identificerer udgaven som mistral-saba-2502. Brug konteksten til relevante kildepassager, samtale og instruktioner samlet. Et regionalt tilpasset svar kræver stadig de faktiske produktbetingelser, proceduren eller dokumentindholdet som bevismateriale; kulturelt kendskab leverer ikke en virksomheds private oplysninger.\n\nSamtalebaseret support\n\nProducenten fremhæver arabiske samtaleassistenter som en central anvendelse. En praktisk supportanmodning kan give brugerens besked og det godkendte referencemateriale og derefter bede om et svar i et navngivet stilniveau. Bed om næste handling, betingelsen, der gør den relevant, og eventuelle detaljer, brugeren stadig skal levere. Det forankrer svaret i det konkrete problem frem for at producere en generisk regional hilsen.\n\nTil en tosproget forklaring skal du identificere kildens sprog og den endelige beskeds sprog. Bevar navne, beløb eller enheder i materialet, og beskriv den målgruppe, der skal forstå svaret. Et opfølgningsspørgsmål kan bede om en kortere version eller en forklaring af én term, mens de samme betingelser bevares.\n\nDomænespecifik tilpasning\n\nMeddelelsen beskriver finjustering af Saba til bestemte domæner, herunder energi og andre regionale faglige sammenhænge. Det er en tilpasningsproces frem for en påstand om, at alle specialiserede datasæt allerede er en del af standardmodellen. Til en domæneorienteret tekstopgave skal du give den terminologi, de kildedokumenter og de svarregler, der er relevante for den faktiske applikation.\n\nEn teknisk forklaring kan bede modellen gengive en procedure med læserens regionale terminologi, mens de oprindelige trin og betingelser bevares. Et dokumentspørgsmål kan identificere den bestemmelse, der skal forklares, og bede om et kort svar med den understøttende passage. Adskil kildefakta, forklaringen og eventuelle uafklarede termer ved forberedelse af outputtet.\n\nKulturel indholdsskabelse\n\nProducenten beskriver også kulturelt relevant skrivning og undervisningsressourcer. Giv emnet, den tilsigtede målgruppe, sproget og de fakta eller eksempler, der skal indgå. Til en undervisningstekst skal du angive, hvad eleven skal forstå til sidst, og bede om en forklaring efterfulgt af et praktisk eksempel. Til en organisatorisk besked skal du give formålet og de oplysninger, læseren skal handle på.\n\nNår lokale idiomer eller kulturelle referencer indgår i opgaven, skal du angive den kontekst, de skal bruges i. Bed om en alternativ formulering, når en formel eller mere neutral version passer til en anden målgruppe. Det er praktiske måder at anvende modellens regionale specialisering på og samtidig holde indhold og tilsigtet brug udtrykkelige.\n\nUdgave og resultatgrænser\n\nSabas dokumenterede specialisering er tekstbaseret regionalt sprogarbejde med en kontekst på 32k. Den bør ikke arve billedinput, hybride ræsonnementsindstillinger eller værktøjsformatfunktioner fra senere Small- eller Medium-modeller alene fordi den er en finjustering i Small-familien. De læste kilder angiver ikke en særskilt maksimal kapacitet for outputtokens i denne udgave.\n\nForbered den komplette skriftlige opgave, de relevante kildefakta og den ønskede artefakt: et supportsvar, en forklaring, en tilpasset passage eller en kort undervisningstekst. Hold den navngivne Saba-udgave samt målgruppens sprog og stilniveau udtrykkelige, så den resulterende tekst besvarer det faktiske regionale kommunikationsbehov.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.mistralai/mistral-sabaMistral Saba er en tekstmodel med 24 milliarder parametre, trænet på kurateret materiale fra Mellemøsten og Sydasien. Den fokuserer på regionalt sprog og kulturel kontekst, herunder arabisk og sprog med indisk oprindelse såsom tamil, med en producentangivet kontekst på 32k til skriftlige opgaver.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Saba er Mistral AI's specialiserede regionale tekstmodel, skabt ved finjustering af en model fra Small-familien med kurateret materiale fra Mellemøsten og Sydasien. Producenten beskriver en model med 24 milliarder parametre, som er beregnet til at afspejle regionalt sprog, kulturel kontekst og lokale udtryksformer. Den modtager en skriftlig opgave og kildemateriale og returnerer tekst.
Regionalt sprog og kontekst
Udgivelsen identificerer udtrykkeligt arabisk og mange sprog med indisk oprindelse med særlig styrke i sydindiske sprog såsom tamil. Dens fokus er mere specifikt end blot at ændre målsproget i et generelt svar: træningsmaterialet er valgt til den regionale sproglige og kulturelle kontekst, hvor svaret skal anvendes.
Angiv målgruppe, region, sprog og ønsket stilniveau, før du beder om et resultat. En formel forklaring, en kunderettet besked og en undervisningstekst kan kræve forskellig terminologi og tiltaleformer. Giv en ordliste til produktnavne eller fagtermer, der skal være konsekvente, og angiv, om resultatet skal bevare kildens ordlyd eller tilpasse forklaringen til læseren.
Producentens side angiver et kontekstvindue på 32k og identificerer udgaven som mistral-saba-2502. Brug konteksten til relevante kildepassager, samtale og instruktioner samlet. Et regionalt tilpasset svar kræver stadig de faktiske produktbetingelser, proceduren eller dokumentindholdet som bevismateriale; kulturelt kendskab leverer ikke en virksomheds private oplysninger.
Samtalebaseret support
Producenten fremhæver arabiske samtaleassistenter som en central anvendelse. En praktisk supportanmodning kan give brugerens besked og det godkendte referencemateriale og derefter bede om et svar i et navngivet stilniveau. Bed om næste handling, betingelsen, der gør den relevant, og eventuelle detaljer, brugeren stadig skal levere. Det forankrer svaret i det konkrete problem frem for at producere en generisk regional hilsen.
Til en tosproget forklaring skal du identificere kildens sprog og den endelige beskeds sprog. Bevar navne, beløb eller enheder i materialet, og beskriv den målgruppe, der skal forstå svaret. Et opfølgningsspørgsmål kan bede om en kortere version eller en forklaring af én term, mens de samme betingelser bevares.
Domænespecifik tilpasning
Meddelelsen beskriver finjustering af Saba til bestemte domæner, herunder energi og andre regionale faglige sammenhænge. Det er en tilpasningsproces frem for en påstand om, at alle specialiserede datasæt allerede er en del af standardmodellen. Til en domæneorienteret tekstopgave skal du give den terminologi, de kildedokumenter og de svarregler, der er relevante for den faktiske applikation.
En teknisk forklaring kan bede modellen gengive en procedure med læserens regionale terminologi, mens de oprindelige trin og betingelser bevares. Et dokumentspørgsmål kan identificere den bestemmelse, der skal forklares, og bede om et kort svar med den understøttende passage. Adskil kildefakta, forklaringen og eventuelle uafklarede termer ved forberedelse af outputtet.
Kulturel indholdsskabelse
Producenten beskriver også kulturelt relevant skrivning og undervisningsressourcer. Giv emnet, den tilsigtede målgruppe, sproget og de fakta eller eksempler, der skal indgå. Til en undervisningstekst skal du angive, hvad eleven skal forstå til sidst, og bede om en forklaring efterfulgt af et praktisk eksempel. Til en organisatorisk besked skal du give formålet og de oplysninger, læseren skal handle på.
Når lokale idiomer eller kulturelle referencer indgår i opgaven, skal du angive den kontekst, de skal bruges i. Bed om en alternativ formulering, når en formel eller mere neutral version passer til en anden målgruppe. Det er praktiske måder at anvende modellens regionale specialisering på og samtidig holde indhold og tilsigtet brug udtrykkelige.
Udgave og resultatgrænser
Sabas dokumenterede specialisering er tekstbaseret regionalt sprogarbejde med en kontekst på 32k. Den bør ikke arve billedinput, hybride ræsonnementsindstillinger eller værktøjsformatfunktioner fra senere Small- eller Medium-modeller alene fordi den er en finjustering i Small-familien. De læste kilder angiver ikke en særskilt maksimal kapacitet for outputtokens i denne udgave.
Forbered den komplette skriftlige opgave, de relevante kildefakta og den ønskede artefakt: et supportsvar, en forklaring, en tilpasset passage eller en kort undervisningstekst. Hold den navngivne Saba-udgave samt målgruppens sprog og stilniveau udtrykkelige, så den resulterende tekst besvarer det faktiske regionale kommunikationsbehov.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-saba | 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 $0.0004 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00004 / 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 $0.0004 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-saba", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-saba',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-saba',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/mistral-saba
Brug metodestierne vist ovenfor.
mistralai/mistral-sabaMistral Saba er en tekstmodel med 24 milliarder parametre, trænet på kurateret materiale fra Mellemøsten og Sydasien. Den fokuserer på regionalt sprog og kulturel kontekst, herunder arabisk og sprog med indisk oprindelse såsom tamil, med en producentangivet kontekst på 32k til skriftlige opgaver.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Saba er Mistral AI's specialiserede regionale tekstmodel, skabt ved finjustering af en model fra Small-familien med kurateret materiale fra Mellemøsten og Sydasien. Producenten beskriver en model med 24 milliarder parametre, som er beregnet til at afspejle regionalt sprog, kulturel kontekst og lokale udtryksformer. Den modtager en skriftlig opgave og kildemateriale og returnerer tekst.
Regionalt sprog og kontekst
Udgivelsen identificerer udtrykkeligt arabisk og mange sprog med indisk oprindelse med særlig styrke i sydindiske sprog såsom tamil. Dens fokus er mere specifikt end blot at ændre målsproget i et generelt svar: træningsmaterialet er valgt til den regionale sproglige og kulturelle kontekst, hvor svaret skal anvendes.
Angiv målgruppe, region, sprog og ønsket stilniveau, før du beder om et resultat. En formel forklaring, en kunderettet besked og en undervisningstekst kan kræve forskellig terminologi og tiltaleformer. Giv en ordliste til produktnavne eller fagtermer, der skal være konsekvente, og angiv, om resultatet skal bevare kildens ordlyd eller tilpasse forklaringen til læseren.
Producentens side angiver et kontekstvindue på 32k og identificerer udgaven som mistral-saba-2502. Brug konteksten til relevante kildepassager, samtale og instruktioner samlet. Et regionalt tilpasset svar kræver stadig de faktiske produktbetingelser, proceduren eller dokumentindholdet som bevismateriale; kulturelt kendskab leverer ikke en virksomheds private oplysninger.
Samtalebaseret support
Producenten fremhæver arabiske samtaleassistenter som en central anvendelse. En praktisk supportanmodning kan give brugerens besked og det godkendte referencemateriale og derefter bede om et svar i et navngivet stilniveau. Bed om næste handling, betingelsen, der gør den relevant, og eventuelle detaljer, brugeren stadig skal levere. Det forankrer svaret i det konkrete problem frem for at producere en generisk regional hilsen.
Til en tosproget forklaring skal du identificere kildens sprog og den endelige beskeds sprog. Bevar navne, beløb eller enheder i materialet, og beskriv den målgruppe, der skal forstå svaret. Et opfølgningsspørgsmål kan bede om en kortere version eller en forklaring af én term, mens de samme betingelser bevares.
Domænespecifik tilpasning
Meddelelsen beskriver finjustering af Saba til bestemte domæner, herunder energi og andre regionale faglige sammenhænge. Det er en tilpasningsproces frem for en påstand om, at alle specialiserede datasæt allerede er en del af standardmodellen. Til en domæneorienteret tekstopgave skal du give den terminologi, de kildedokumenter og de svarregler, der er relevante for den faktiske applikation.
En teknisk forklaring kan bede modellen gengive en procedure med læserens regionale terminologi, mens de oprindelige trin og betingelser bevares. Et dokumentspørgsmål kan identificere den bestemmelse, der skal forklares, og bede om et kort svar med den understøttende passage. Adskil kildefakta, forklaringen og eventuelle uafklarede termer ved forberedelse af outputtet.
Kulturel indholdsskabelse
Producenten beskriver også kulturelt relevant skrivning og undervisningsressourcer. Giv emnet, den tilsigtede målgruppe, sproget og de fakta eller eksempler, der skal indgå. Til en undervisningstekst skal du angive, hvad eleven skal forstå til sidst, og bede om en forklaring efterfulgt af et praktisk eksempel. Til en organisatorisk besked skal du give formålet og de oplysninger, læseren skal handle på.
Når lokale idiomer eller kulturelle referencer indgår i opgaven, skal du angive den kontekst, de skal bruges i. Bed om en alternativ formulering, når en formel eller mere neutral version passer til en anden målgruppe. Det er praktiske måder at anvende modellens regionale specialisering på og samtidig holde indhold og tilsigtet brug udtrykkelige.
Udgave og resultatgrænser
Sabas dokumenterede specialisering er tekstbaseret regionalt sprogarbejde med en kontekst på 32k. Den bør ikke arve billedinput, hybride ræsonnementsindstillinger eller værktøjsformatfunktioner fra senere Small- eller Medium-modeller alene fordi den er en finjustering i Small-familien. De læste kilder angiver ikke en særskilt maksimal kapacitet for outputtokens i denne udgave.
Forbered den komplette skriftlige opgave, de relevante kildefakta og den ønskede artefakt: et supportsvar, en forklaring, en tilpasset passage eller en kort undervisningstekst. Hold den navngivne Saba-udgave samt målgruppens sprog og stilniveau udtrykkelige, så den resulterende tekst besvarer det faktiske regionale kommunikationsbehov.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-saba | 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 $0.0004 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00004 / 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 $0.0004 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-saba",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-saba', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-saba', '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/mistral-saba
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.