Mistral Small 3 Instruct 2501 er den instruktionsfinjusterede udgivelse af Mistral Small 3 med 24 milliarder parametre. Den er finjusteret fra den særskilt navngivne model Small 24B Base 2501. Producenten retter den mod hurtig samtaleassistance, funktionskald og fagspecifik tilpasning med tekst som både input og genereret resultat.
Kernefunktioner og forskel i træning
Modelkortet dokumenterer flersproget understøttelse, samtale- og ræsonnementsfunktioner, indbygget funktionskald, JSON-output og efterlevelse af systemprompter. Kontekstvinduet er på 32k, og den bruger en Tekken-tokenizer med et ordforråd betegnet 131k. Kontekstbetegnelsen vedrører den tekst, der bevares til opgaven, mens ordforrådsbetegnelsen beskriver tokenisering; det er forskellige specifikationer.
Producenten angiver sprog, herunder engelsk, fransk, tysk, spansk, italiensk, kinesisk, japansk, koreansk, portugisisk, nederlandsk og polsk, mens russisk også findes i det udgivne modelkorts sprogmetadata. Definer målsproget og eventuel terminologi, der skal forblive uændret. En oversat forklaring kan bevare identifikatorer, navne og enheder og tilpasse den omgivende prosa til læseren.
Udgivelsesmeddelelsen angiver, at Small 3 ikke er trænet med forstærkningslæring eller syntetiske data, og skelner mellem fortrænede og instruktionsfinjusterede checkpoints. Den beskriver modellen som et grundlag, der kan tilpasses yderligere, frem for et hybridt checkpoint med de senere Small 4-ræsonnementsindstillinger. Denne post er Instruct 2501-udgaven til at følge en samtaleopgave.
Samtaleopgaver og strukturerede opgaver
Til en supportlignende assistent skal du give brugerens spørgsmål, relevant referencemateriale og svarreglerne. Bed om den handling, der besvarer spørgsmålet, og betingelsen, hvorunder den gælder. Et praktisk output kan adskille et kort svar fra de udtrukne felter, applikationen kræver til næste trin, frem for at blande dem i en ustruktureret forklaring.
Til klassifikation skal du give de tilladte etiketter og forskellene mellem dem. Til udtrækning skal du navngive felterne, forventede typer og repræsentationen af manglende oplysninger. En post kan indeholde problemkategorien, en identifikator kopieret fra beskeden og et kort resumé af den ønskede handling. JSON organiserer resultatet, mens feltdesign og fortolkningsregler forbliver en del af den givne opgave.
Til en kodeforklaring skal du medtage funktionen, relevante deklarationer og et konkret input. Spørg, hvilket forløb gennem koden der bestemmer resultatet. Til en matematisk forklaring skal du definere variabler og antagelser og identificere det udtryk eller den påstand, der skal fastslås. Disse tekstbaserede opgaver kan returnere en metode, en forklaring og den endelige artefakt uden at antage, at modellen selv kører koden eller en ekstern beregning.
Systeminstruktioner og anbefalede indstillinger
Modelkortet anbefaler en systemprompt tilpasset den tilsigtede assistent og en relativt lav temperatur, såsom 0,15. Brug systeminstruktionen til at definere rolle, stil og svarregler, mens brugerbeskeden bærer selve problemet eller kildematerialet. Hold citerede instruktioner i et dokument adskilt fra applikationens instruktion om, hvad der skal gøres med dokumentet.
Til en hverdagsassistent skal du angive, om resultatet skal være et kort svar, en struktureret post eller en længere forklaring. Hvis et svar skal parses, skal du bede om posten adskilt fra valgfri prosa. I en gentagen dokumentarbejdsgang skal du bevare kildeidentifikatoren ved siden af hvert resultat, så applikationen kan returnere det korrekte materiale til brugeren.
Funktionskald og specialisering
Modellen kan vælge en beskrevet funktion og producere dens argumenter. Applikationen udfører operationen og returnerer resultatet med det tilhørende værktøjskald, hvorefter næste svar kan bruge oplysningerne. Modelkortets eksempel viser en samtale med tidligere værktøjsbrug efterfulgt af et nyt spørgsmål. Det giver assistenten en måde at anmode om oplysninger fra tilsluttede værktøjer på uden at behandle et foreslået kald som et afsluttet opslag.
Beskriv hver funktions formål og nødvendige værdier tydeligt. En opslagsopgave kan navngive de nødvendige oplysninger og returnere det faktiske værktøjsresultat til samtalen; en tekstbehandlingsfunktion kan levere en transformeret passage til næste svar. Hold værktøjssættet relateret til den aktuelle proces, og bevar forbindelsen mellem den foreslåede operation og dens resultat.
Producenten beskriver også finjustering til fagspecialisering. Den proces ændrer en model til et defineret domæne; at give et dokument i én samtale er derimod kildebetingning til den pågældende opgave. Giv det domænemateriale og de svarkrav, den konkrete assistent kræver, frem for at antage, at en tilpasning allerede er udført.
Kontekst og indholdsmæssige begrænsninger
Small 3 2501 er en model kun til tekst med en kontekst på 32k. Synsfunktionen og konteksten på 128k, som introduceres i Small 3.1, tilhører den senere udgivelse, og Small 4's hybride tilstande bør ligeledes ikke overføres hertil. Et billede, en lydoptagelse eller en video skal have sit relevante indhold klargjort gennem en anden komponent før denne tekstopgave.
Modelkortets genereringsindstillinger på 256 og 512 tokens er brugseksempler og ikke særskilte maksimale outputkapaciteter. Hold den præcise Instruct 2501-identitet, tokenizeren og det ønskede resultat udtrykkelige. Den nyttige endelige artefakt er svaret, JSON-posten eller den foreslåede kode, hvis betydning og format matcher den oprindelige skriftlige opgave.
", "aboutText": "Mistral Small 3 Instruct 2501 er den instruktionsfinjusterede udgivelse af Mistral Small 3 med 24 milliarder parametre. Den er finjusteret fra den særskilt navngivne model Small 24B Base 2501. Producenten retter den mod hurtig samtaleassistance, funktionskald og fagspecifik tilpasning med tekst som både input og genereret resultat.\n\nKernefunktioner og forskel i træning\n\nModelkortet dokumenterer flersproget understøttelse, samtale- og ræsonnementsfunktioner, indbygget funktionskald, JSON-output og efterlevelse af systemprompter. Kontekstvinduet er på 32k, og den bruger en Tekken-tokenizer med et ordforråd betegnet 131k. Kontekstbetegnelsen vedrører den tekst, der bevares til opgaven, mens ordforrådsbetegnelsen beskriver tokenisering; det er forskellige specifikationer.\n\nProducenten angiver sprog, herunder engelsk, fransk, tysk, spansk, italiensk, kinesisk, japansk, koreansk, portugisisk, nederlandsk og polsk, mens russisk også findes i det udgivne modelkorts sprogmetadata. Definer målsproget og eventuel terminologi, der skal forblive uændret. En oversat forklaring kan bevare identifikatorer, navne og enheder og tilpasse den omgivende prosa til læseren.\n\nUdgivelsesmeddelelsen angiver, at Small 3 ikke er trænet med forstærkningslæring eller syntetiske data, og skelner mellem fortrænede og instruktionsfinjusterede checkpoints. Den beskriver modellen som et grundlag, der kan tilpasses yderligere, frem for et hybridt checkpoint med de senere Small 4-ræsonnementsindstillinger. Denne post er Instruct 2501-udgaven til at følge en samtaleopgave.\n\nSamtaleopgaver og strukturerede opgaver\n\nTil en supportlignende assistent skal du give brugerens spørgsmål, relevant referencemateriale og svarreglerne. Bed om den handling, der besvarer spørgsmålet, og betingelsen, hvorunder den gælder. Et praktisk output kan adskille et kort svar fra de udtrukne felter, applikationen kræver til næste trin, frem for at blande dem i en ustruktureret forklaring.\n\nTil klassifikation skal du give de tilladte etiketter og forskellene mellem dem. Til udtrækning skal du navngive felterne, forventede typer og repræsentationen af manglende oplysninger. En post kan indeholde problemkategorien, en identifikator kopieret fra beskeden og et kort resumé af den ønskede handling. JSON organiserer resultatet, mens feltdesign og fortolkningsregler forbliver en del af den givne opgave.\n\nTil en kodeforklaring skal du medtage funktionen, relevante deklarationer og et konkret input. Spørg, hvilket forløb gennem koden der bestemmer resultatet. Til en matematisk forklaring skal du definere variabler og antagelser og identificere det udtryk eller den påstand, der skal fastslås. Disse tekstbaserede opgaver kan returnere en metode, en forklaring og den endelige artefakt uden at antage, at modellen selv kører koden eller en ekstern beregning.\n\nSysteminstruktioner og anbefalede indstillinger\n\nModelkortet anbefaler en systemprompt tilpasset den tilsigtede assistent og en relativt lav temperatur, såsom 0,15. Brug systeminstruktionen til at definere rolle, stil og svarregler, mens brugerbeskeden bærer selve problemet eller kildematerialet. Hold citerede instruktioner i et dokument adskilt fra applikationens instruktion om, hvad der skal gøres med dokumentet.\n\nTil en hverdagsassistent skal du angive, om resultatet skal være et kort svar, en struktureret post eller en længere forklaring. Hvis et svar skal parses, skal du bede om posten adskilt fra valgfri prosa. I en gentagen dokumentarbejdsgang skal du bevare kildeidentifikatoren ved siden af hvert resultat, så applikationen kan returnere det korrekte materiale til brugeren.\n\nFunktionskald og specialisering\n\nModellen kan vælge en beskrevet funktion og producere dens argumenter. Applikationen udfører operationen og returnerer resultatet med det tilhørende værktøjskald, hvorefter næste svar kan bruge oplysningerne. Modelkortets eksempel viser en samtale med tidligere værktøjsbrug efterfulgt af et nyt spørgsmål. Det giver assistenten en måde at anmode om oplysninger fra tilsluttede værktøjer på uden at behandle et foreslået kald som et afsluttet opslag.\n\nBeskriv hver funktions formål og nødvendige værdier tydeligt. En opslagsopgave kan navngive de nødvendige oplysninger og returnere det faktiske værktøjsresultat til samtalen; en tekstbehandlingsfunktion kan levere en transformeret passage til næste svar. Hold værktøjssættet relateret til den aktuelle proces, og bevar forbindelsen mellem den foreslåede operation og dens resultat.\n\nProducenten beskriver også finjustering til fagspecialisering. Den proces ændrer en model til et defineret domæne; at give et dokument i én samtale er derimod kildebetingning til den pågældende opgave. Giv det domænemateriale og de svarkrav, den konkrete assistent kræver, frem for at antage, at en tilpasning allerede er udført.\n\nKontekst og indholdsmæssige begrænsninger\n\nSmall 3 2501 er en model kun til tekst med en kontekst på 32k. Synsfunktionen og konteksten på 128k, som introduceres i Small 3.1, tilhører den senere udgivelse, og Small 4's hybride tilstande bør ligeledes ikke overføres hertil. Et billede, en lydoptagelse eller en video skal have sit relevante indhold klargjort gennem en anden komponent før denne tekstopgave.\n\nModelkortets genereringsindstillinger på 256 og 512 tokens er brugseksempler og ikke særskilte maksimale outputkapaciteter. Hold den præcise Instruct 2501-identitet, tokenizeren og det ønskede resultat udtrykkelige. Den nyttige endelige artefakt er svaret, JSON-posten eller den foreslåede kode, hvis betydning og format matcher den oprindelige skriftlige opgave.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 er en tekstmodel med 24 milliarder parametre til samtaleinstruktioner, struktureret udtrækning og værktøjsassisterede applikationer. Den tilbyder en producentangivet kontekst på 32k, flersprogede svar, understøttelse af systemprompter, JSON og indbyggede funktionskald i en særskilt udgivelse kun til tekst.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Small 3 Instruct 2501 er den instruktionsfinjusterede udgivelse af Mistral Small 3 med 24 milliarder parametre. Den er finjusteret fra den særskilt navngivne model Small 24B Base 2501. Producenten retter den mod hurtig samtaleassistance, funktionskald og fagspecifik tilpasning med tekst som både input og genereret resultat.
Kernefunktioner og forskel i træning
Modelkortet dokumenterer flersproget understøttelse, samtale- og ræsonnementsfunktioner, indbygget funktionskald, JSON-output og efterlevelse af systemprompter. Kontekstvinduet er på 32k, og den bruger en Tekken-tokenizer med et ordforråd betegnet 131k. Kontekstbetegnelsen vedrører den tekst, der bevares til opgaven, mens ordforrådsbetegnelsen beskriver tokenisering; det er forskellige specifikationer.
Producenten angiver sprog, herunder engelsk, fransk, tysk, spansk, italiensk, kinesisk, japansk, koreansk, portugisisk, nederlandsk og polsk, mens russisk også findes i det udgivne modelkorts sprogmetadata. Definer målsproget og eventuel terminologi, der skal forblive uændret. En oversat forklaring kan bevare identifikatorer, navne og enheder og tilpasse den omgivende prosa til læseren.
Udgivelsesmeddelelsen angiver, at Small 3 ikke er trænet med forstærkningslæring eller syntetiske data, og skelner mellem fortrænede og instruktionsfinjusterede checkpoints. Den beskriver modellen som et grundlag, der kan tilpasses yderligere, frem for et hybridt checkpoint med de senere Small 4-ræsonnementsindstillinger. Denne post er Instruct 2501-udgaven til at følge en samtaleopgave.
Samtaleopgaver og strukturerede opgaver
Til en supportlignende assistent skal du give brugerens spørgsmål, relevant referencemateriale og svarreglerne. Bed om den handling, der besvarer spørgsmålet, og betingelsen, hvorunder den gælder. Et praktisk output kan adskille et kort svar fra de udtrukne felter, applikationen kræver til næste trin, frem for at blande dem i en ustruktureret forklaring.
Til klassifikation skal du give de tilladte etiketter og forskellene mellem dem. Til udtrækning skal du navngive felterne, forventede typer og repræsentationen af manglende oplysninger. En post kan indeholde problemkategorien, en identifikator kopieret fra beskeden og et kort resumé af den ønskede handling. JSON organiserer resultatet, mens feltdesign og fortolkningsregler forbliver en del af den givne opgave.
Til en kodeforklaring skal du medtage funktionen, relevante deklarationer og et konkret input. Spørg, hvilket forløb gennem koden der bestemmer resultatet. Til en matematisk forklaring skal du definere variabler og antagelser og identificere det udtryk eller den påstand, der skal fastslås. Disse tekstbaserede opgaver kan returnere en metode, en forklaring og den endelige artefakt uden at antage, at modellen selv kører koden eller en ekstern beregning.
Systeminstruktioner og anbefalede indstillinger
Modelkortet anbefaler en systemprompt tilpasset den tilsigtede assistent og en relativt lav temperatur, såsom 0,15. Brug systeminstruktionen til at definere rolle, stil og svarregler, mens brugerbeskeden bærer selve problemet eller kildematerialet. Hold citerede instruktioner i et dokument adskilt fra applikationens instruktion om, hvad der skal gøres med dokumentet.
Til en hverdagsassistent skal du angive, om resultatet skal være et kort svar, en struktureret post eller en længere forklaring. Hvis et svar skal parses, skal du bede om posten adskilt fra valgfri prosa. I en gentagen dokumentarbejdsgang skal du bevare kildeidentifikatoren ved siden af hvert resultat, så applikationen kan returnere det korrekte materiale til brugeren.
Funktionskald og specialisering
Modellen kan vælge en beskrevet funktion og producere dens argumenter. Applikationen udfører operationen og returnerer resultatet med det tilhørende værktøjskald, hvorefter næste svar kan bruge oplysningerne. Modelkortets eksempel viser en samtale med tidligere værktøjsbrug efterfulgt af et nyt spørgsmål. Det giver assistenten en måde at anmode om oplysninger fra tilsluttede værktøjer på uden at behandle et foreslået kald som et afsluttet opslag.
Beskriv hver funktions formål og nødvendige værdier tydeligt. En opslagsopgave kan navngive de nødvendige oplysninger og returnere det faktiske værktøjsresultat til samtalen; en tekstbehandlingsfunktion kan levere en transformeret passage til næste svar. Hold værktøjssættet relateret til den aktuelle proces, og bevar forbindelsen mellem den foreslåede operation og dens resultat.
Producenten beskriver også finjustering til fagspecialisering. Den proces ændrer en model til et defineret domæne; at give et dokument i én samtale er derimod kildebetingning til den pågældende opgave. Giv det domænemateriale og de svarkrav, den konkrete assistent kræver, frem for at antage, at en tilpasning allerede er udført.
Kontekst og indholdsmæssige begrænsninger
Small 3 2501 er en model kun til tekst med en kontekst på 32k. Synsfunktionen og konteksten på 128k, som introduceres i Small 3.1, tilhører den senere udgivelse, og Small 4's hybride tilstande bør ligeledes ikke overføres hertil. Et billede, en lydoptagelse eller en video skal have sit relevante indhold klargjort gennem en anden komponent før denne tekstopgave.
Modelkortets genereringsindstillinger på 256 og 512 tokens er brugseksempler og ikke særskilte maksimale outputkapaciteter. Hold den præcise Instruct 2501-identitet, tokenizeren og det ønskede resultat udtrykkelige. Den nyttige endelige artefakt er svaret, JSON-posten eller den foreslåede kode, hvis betydning og format matcher den oprindelige skriftlige opgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Output · Outputtokens $0.00016 / 1K tokens Input · Cachelæsning — / 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 $0.0001 / 1K tokens Output · Outputtokens $0.00016 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-24b-instruct-2501',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-small-24b-instruct-2501
Brug metodestierne vist ovenfor.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 er en tekstmodel med 24 milliarder parametre til samtaleinstruktioner, struktureret udtrækning og værktøjsassisterede applikationer. Den tilbyder en producentangivet kontekst på 32k, flersprogede svar, understøttelse af systemprompter, JSON og indbyggede funktionskald i en særskilt udgivelse kun til tekst.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Small 3 Instruct 2501 er den instruktionsfinjusterede udgivelse af Mistral Small 3 med 24 milliarder parametre. Den er finjusteret fra den særskilt navngivne model Small 24B Base 2501. Producenten retter den mod hurtig samtaleassistance, funktionskald og fagspecifik tilpasning med tekst som både input og genereret resultat.
Kernefunktioner og forskel i træning
Modelkortet dokumenterer flersproget understøttelse, samtale- og ræsonnementsfunktioner, indbygget funktionskald, JSON-output og efterlevelse af systemprompter. Kontekstvinduet er på 32k, og den bruger en Tekken-tokenizer med et ordforråd betegnet 131k. Kontekstbetegnelsen vedrører den tekst, der bevares til opgaven, mens ordforrådsbetegnelsen beskriver tokenisering; det er forskellige specifikationer.
Producenten angiver sprog, herunder engelsk, fransk, tysk, spansk, italiensk, kinesisk, japansk, koreansk, portugisisk, nederlandsk og polsk, mens russisk også findes i det udgivne modelkorts sprogmetadata. Definer målsproget og eventuel terminologi, der skal forblive uændret. En oversat forklaring kan bevare identifikatorer, navne og enheder og tilpasse den omgivende prosa til læseren.
Udgivelsesmeddelelsen angiver, at Small 3 ikke er trænet med forstærkningslæring eller syntetiske data, og skelner mellem fortrænede og instruktionsfinjusterede checkpoints. Den beskriver modellen som et grundlag, der kan tilpasses yderligere, frem for et hybridt checkpoint med de senere Small 4-ræsonnementsindstillinger. Denne post er Instruct 2501-udgaven til at følge en samtaleopgave.
Samtaleopgaver og strukturerede opgaver
Til en supportlignende assistent skal du give brugerens spørgsmål, relevant referencemateriale og svarreglerne. Bed om den handling, der besvarer spørgsmålet, og betingelsen, hvorunder den gælder. Et praktisk output kan adskille et kort svar fra de udtrukne felter, applikationen kræver til næste trin, frem for at blande dem i en ustruktureret forklaring.
Til klassifikation skal du give de tilladte etiketter og forskellene mellem dem. Til udtrækning skal du navngive felterne, forventede typer og repræsentationen af manglende oplysninger. En post kan indeholde problemkategorien, en identifikator kopieret fra beskeden og et kort resumé af den ønskede handling. JSON organiserer resultatet, mens feltdesign og fortolkningsregler forbliver en del af den givne opgave.
Til en kodeforklaring skal du medtage funktionen, relevante deklarationer og et konkret input. Spørg, hvilket forløb gennem koden der bestemmer resultatet. Til en matematisk forklaring skal du definere variabler og antagelser og identificere det udtryk eller den påstand, der skal fastslås. Disse tekstbaserede opgaver kan returnere en metode, en forklaring og den endelige artefakt uden at antage, at modellen selv kører koden eller en ekstern beregning.
Systeminstruktioner og anbefalede indstillinger
Modelkortet anbefaler en systemprompt tilpasset den tilsigtede assistent og en relativt lav temperatur, såsom 0,15. Brug systeminstruktionen til at definere rolle, stil og svarregler, mens brugerbeskeden bærer selve problemet eller kildematerialet. Hold citerede instruktioner i et dokument adskilt fra applikationens instruktion om, hvad der skal gøres med dokumentet.
Til en hverdagsassistent skal du angive, om resultatet skal være et kort svar, en struktureret post eller en længere forklaring. Hvis et svar skal parses, skal du bede om posten adskilt fra valgfri prosa. I en gentagen dokumentarbejdsgang skal du bevare kildeidentifikatoren ved siden af hvert resultat, så applikationen kan returnere det korrekte materiale til brugeren.
Funktionskald og specialisering
Modellen kan vælge en beskrevet funktion og producere dens argumenter. Applikationen udfører operationen og returnerer resultatet med det tilhørende værktøjskald, hvorefter næste svar kan bruge oplysningerne. Modelkortets eksempel viser en samtale med tidligere værktøjsbrug efterfulgt af et nyt spørgsmål. Det giver assistenten en måde at anmode om oplysninger fra tilsluttede værktøjer på uden at behandle et foreslået kald som et afsluttet opslag.
Beskriv hver funktions formål og nødvendige værdier tydeligt. En opslagsopgave kan navngive de nødvendige oplysninger og returnere det faktiske værktøjsresultat til samtalen; en tekstbehandlingsfunktion kan levere en transformeret passage til næste svar. Hold værktøjssættet relateret til den aktuelle proces, og bevar forbindelsen mellem den foreslåede operation og dens resultat.
Producenten beskriver også finjustering til fagspecialisering. Den proces ændrer en model til et defineret domæne; at give et dokument i én samtale er derimod kildebetingning til den pågældende opgave. Giv det domænemateriale og de svarkrav, den konkrete assistent kræver, frem for at antage, at en tilpasning allerede er udført.
Kontekst og indholdsmæssige begrænsninger
Small 3 2501 er en model kun til tekst med en kontekst på 32k. Synsfunktionen og konteksten på 128k, som introduceres i Small 3.1, tilhører den senere udgivelse, og Small 4's hybride tilstande bør ligeledes ikke overføres hertil. Et billede, en lydoptagelse eller en video skal have sit relevante indhold klargjort gennem en anden komponent før denne tekstopgave.
Modelkortets genereringsindstillinger på 256 og 512 tokens er brugseksempler og ikke særskilte maksimale outputkapaciteter. Hold den præcise Instruct 2501-identitet, tokenizeren og det ønskede resultat udtrykkelige. Den nyttige endelige artefakt er svaret, JSON-posten eller den foreslåede kode, hvis betydning og format matcher den oprindelige skriftlige opgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Output · Outputtokens $0.00016 / 1K tokens Input · Cachelæsning — / 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 $0.0001 / 1K tokens Output · Outputtokens $0.00016 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', '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-small-24b-instruct-2501
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.