Mistral Small 4 kombinerer generel instruktionsefterlevelse, ræsonnement og kodning i én multimodal model. Producenten beskriver den som en samling af Instruct-, Magistral-ræsonnements- og Devstral-kodefamilierne. Den tager imod tekst og billeder og returnerer tekst med funktionskald og JSON-output til værktøjsassisterede applikationer.
Arkitektur og centrale funktioner
Udgivelsen har i alt 119 milliarder parametre og aktiverer 6,5 milliarder pr. token. Dens mixture-of-experts-arkitektur indeholder 128 eksperter, hvoraf 4 er aktive, og producenten dokumenterer et kontekstvindue på 256k. Det aktive parameterantal og antallet af eksperter beskriver modellens organisering; de er forskellige fra den mængde tekst- eller billedindhold, der indgår i én opgave.
Modellen tilbyder instruktions- og ræsonnementsfunktioner i samme checkpoint. Producenten identificerer også syn, efterlevelse af systemprompter og flersproget understøttelse af snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. En tekstinstruktion kan derfor spørge til et billede eller kombinere et skriftligt krav med synligt bevismateriale, mens svaret returneres som tekst.
En visuel opgave kan give en dokumentside og bede om de værdier, der er relevante for en navngiven betingelse. Hold etiketter og enheder læsbare, og angiv, om resultatet skal bevare den oprindelige ordlyd, sammenfatte den eller sammenligne den med en anden kilde. En grænsefladeopgave kan kombinere et skærmbillede med brugerens mål og bede om det relevante synlige kontrolelement og bevismaterialet bag et foreslået næste skridt.
Valg af instruktions- eller ræsonnementstilstand
Det udgivne modelkort dokumenterer ræsonnementsindsatsen none til et øjeblikkeligt instruktionsbaseret svar og high til ræsonnement, hvor high anbefales til komplekse prompter. Valget foretages pr. anmodning inden for samme Small 4-model. En almindelig klassifikation eller kort omskrivning kan have en anden svarkontrakt end et matematisk, visuelt eller kodemæssigt problem, der kræver en udfoldet forklaring.
Producenten anbefaler temperature 0.7 ved høj ræsonnementsindsats. Til none angives temperaturer mellem 0,0 og 0,7 afhængigt af opgaven. Indstillingerne beskriver de dokumenterede tilstande og gør ikke ræsonnementsindsats til en garanti for et korrekt resultat. Definer antagelserne, outputformen og det relevante kildemateriale, før du vælger, hvor meget ræsonnement opgaven kræver.
Til et gennemregnet problem skal du give den fulde betingelse og bede om de vigtige, begrundede trin efterfulgt af slutudtrykket. Til en kodeopgave skal du give kravet, den berørte funktion og et konkret input; bed om den foreslåede implementering adskilt fra forklaringen og eksemplerne. Producentens brugsdemonstrationer omfatter instruktionsefterlevelse, et beregningsværktøj anvendt på et billede og visuelt ræsonnement og illustrerer dermed, hvordan tekst og visuelt bevismateriale kan indgå i disse forskellige opgaver.
Kodning, dokumenter og værktøjer
Modellen er rettet mod udforskning af kodebaser og softwareudviklingsagenter, generelle assistenter, dokumentforståelse og research. En kodeagentanmodning kan navngive modulet, der skal ændres, grænsefladen, der skal bevares, og den ønskede adfærd. Giv den relevante kildekode og dokumentation for fejlen. Modellen kan foreslå den næste operation eller en kodeændring, mens applikationen leverer adgang til kodebasen, eksekvering og feedback.
Til dokumentudtrækning skal du identificere de krævede felter og repræsentationen af manglende oplysninger. En nyttig post kan adskille dokumentidentifikatoren, kildeudsagnet, det fortolkede krav og det uafklarede spørgsmål. Producentens tjenestekort angiver brugerdefineret struktureret output og besvarelse af dokumentspørgsmål; sidstnævnte bruger dokumentbehandling og OCR til at klargøre tekst og struktur før sprogmodelanalysen. Et direkte billedspørgsmål og en OCR-assisteret dokumentarbejdsgang bør bevare deres egne inputforberedelser.
Funktionskald kræver tydeligt beskrevne værktøjer. Modellen vælger en funktion og opretter argumenter; applikationen udfører operationen og returnerer resultatet til det efterfølgende svar. Samme logik gælder, uanset om opgaven er et opslag, en beregning eller en kodeoperation. JSON-formatering organiserer et svar, mens et værktøjskald beder om en ekstern handling; de to bør ikke behandles som udskiftelige resultater.
Tjenestekortet angiver også forudsagte output, svarpræfikser, batchbehandling og agentsamtaler. Forudsagte output er nyttige, når et dokument eller en kodefil skal genskabes med kun en begrænset ændring, og resten af indholdet kendes. Angiv redigeringen og det materiale, der skal bevares. Præfiksfortsættelse bruger en kendt begyndelse på svaret, mens batchbehandling vedrører indsendelse af arbejde frem for en ekstra ræsonnementstilstand.
Kontekst og udgavegrænser
Planlæg den skriftlige opgave, det visuelle materiale, samtalen og det ønskede svar omkring den dokumenterede kontekst på 256k. Det udgivne brugseksempel konfigurerer en kontekst på 262.144 tokens, mens genereringseksemplet på 1.024 tokens ikke er en særskilt maksimal outputkapacitet. De læste kilder angiver ikke en selvstændig fast svarlængdegrænse, der kan erstatte den valgte opgavelængde.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 milliarder parametre og hybride tilstande. Den bør ikke arve Medium 3.5's tætte arkitektur med 128 milliarder parametre eller Ministral 3's separate Instruct- og Reasoning-udgaver. Producenten udgiver også særskilte kvantiserede artefakter og artefakter til spekulativ afkodning; det er separate udrulningsartefakter frem for forskellige indholdsmodaliteter. Bevar den navngivne Small 4-udgivelse og den tilstand, der ønskes til den faktiske forklaring, strukturerede post eller det faktiske koderesultat.
", "aboutText": "Mistral Small 4 kombinerer generel instruktionsefterlevelse, ræsonnement og kodning i én multimodal model. Producenten beskriver den som en samling af Instruct-, Magistral-ræsonnements- og Devstral-kodefamilierne. Den tager imod tekst og billeder og returnerer tekst med funktionskald og JSON-output til værktøjsassisterede applikationer.\n\nArkitektur og centrale funktioner\n\nUdgivelsen har i alt 119 milliarder parametre og aktiverer 6,5 milliarder pr. token. Dens mixture-of-experts-arkitektur indeholder 128 eksperter, hvoraf 4 er aktive, og producenten dokumenterer et kontekstvindue på 256k. Det aktive parameterantal og antallet af eksperter beskriver modellens organisering; de er forskellige fra den mængde tekst- eller billedindhold, der indgår i én opgave.\n\nModellen tilbyder instruktions- og ræsonnementsfunktioner i samme checkpoint. Producenten identificerer også syn, efterlevelse af systemprompter og flersproget understøttelse af snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. En tekstinstruktion kan derfor spørge til et billede eller kombinere et skriftligt krav med synligt bevismateriale, mens svaret returneres som tekst.\n\nEn visuel opgave kan give en dokumentside og bede om de værdier, der er relevante for en navngiven betingelse. Hold etiketter og enheder læsbare, og angiv, om resultatet skal bevare den oprindelige ordlyd, sammenfatte den eller sammenligne den med en anden kilde. En grænsefladeopgave kan kombinere et skærmbillede med brugerens mål og bede om det relevante synlige kontrolelement og bevismaterialet bag et foreslået næste skridt.\n\nValg af instruktions- eller ræsonnementstilstand\n\nDet udgivne modelkort dokumenterer ræsonnementsindsatsen none til et øjeblikkeligt instruktionsbaseret svar og high til ræsonnement, hvor high anbefales til komplekse prompter. Valget foretages pr. anmodning inden for samme Small 4-model. En almindelig klassifikation eller kort omskrivning kan have en anden svarkontrakt end et matematisk, visuelt eller kodemæssigt problem, der kræver en udfoldet forklaring.\n\nProducenten anbefaler temperature 0.7 ved høj ræsonnementsindsats. Til none angives temperaturer mellem 0,0 og 0,7 afhængigt af opgaven. Indstillingerne beskriver de dokumenterede tilstande og gør ikke ræsonnementsindsats til en garanti for et korrekt resultat. Definer antagelserne, outputformen og det relevante kildemateriale, før du vælger, hvor meget ræsonnement opgaven kræver.\n\nTil et gennemregnet problem skal du give den fulde betingelse og bede om de vigtige, begrundede trin efterfulgt af slutudtrykket. Til en kodeopgave skal du give kravet, den berørte funktion og et konkret input; bed om den foreslåede implementering adskilt fra forklaringen og eksemplerne. Producentens brugsdemonstrationer omfatter instruktionsefterlevelse, et beregningsværktøj anvendt på et billede og visuelt ræsonnement og illustrerer dermed, hvordan tekst og visuelt bevismateriale kan indgå i disse forskellige opgaver.\n\nKodning, dokumenter og værktøjer\n\nModellen er rettet mod udforskning af kodebaser og softwareudviklingsagenter, generelle assistenter, dokumentforståelse og research. En kodeagentanmodning kan navngive modulet, der skal ændres, grænsefladen, der skal bevares, og den ønskede adfærd. Giv den relevante kildekode og dokumentation for fejlen. Modellen kan foreslå den næste operation eller en kodeændring, mens applikationen leverer adgang til kodebasen, eksekvering og feedback.\n\nTil dokumentudtrækning skal du identificere de krævede felter og repræsentationen af manglende oplysninger. En nyttig post kan adskille dokumentidentifikatoren, kildeudsagnet, det fortolkede krav og det uafklarede spørgsmål. Producentens tjenestekort angiver brugerdefineret struktureret output og besvarelse af dokumentspørgsmål; sidstnævnte bruger dokumentbehandling og OCR til at klargøre tekst og struktur før sprogmodelanalysen. Et direkte billedspørgsmål og en OCR-assisteret dokumentarbejdsgang bør bevare deres egne inputforberedelser.\n\nFunktionskald kræver tydeligt beskrevne værktøjer. Modellen vælger en funktion og opretter argumenter; applikationen udfører operationen og returnerer resultatet til det efterfølgende svar. Samme logik gælder, uanset om opgaven er et opslag, en beregning eller en kodeoperation. JSON-formatering organiserer et svar, mens et værktøjskald beder om en ekstern handling; de to bør ikke behandles som udskiftelige resultater.\n\nTjenestekortet angiver også forudsagte output, svarpræfikser, batchbehandling og agentsamtaler. Forudsagte output er nyttige, når et dokument eller en kodefil skal genskabes med kun en begrænset ændring, og resten af indholdet kendes. Angiv redigeringen og det materiale, der skal bevares. Præfiksfortsættelse bruger en kendt begyndelse på svaret, mens batchbehandling vedrører indsendelse af arbejde frem for en ekstra ræsonnementstilstand.\n\nKontekst og udgavegrænser\n\nPlanlæg den skriftlige opgave, det visuelle materiale, samtalen og det ønskede svar omkring den dokumenterede kontekst på 256k. Det udgivne brugseksempel konfigurerer en kontekst på 262.144 tokens, mens genereringseksemplet på 1.024 tokens ikke er en særskilt maksimal outputkapacitet. De læste kilder angiver ikke en selvstændig fast svarlængdegrænse, der kan erstatte den valgte opgavelængde.\n\nSmall 4 har sin egen mixture-of-experts-arkitektur med 119 milliarder parametre og hybride tilstande. Den bør ikke arve Medium 3.5's tætte arkitektur med 128 milliarder parametre eller Ministral 3's separate Instruct- og Reasoning-udgaver. Producenten udgiver også særskilte kvantiserede artefakter og artefakter til spekulativ afkodning; det er separate udrulningsartefakter frem for forskellige indholdsmodaliteter. Bevar den navngivne Small 4-udgivelse og den tilstand, der ønskes til den faktiske forklaring, strukturerede post eller det faktiske koderesultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 er en hybrid tekst- og billedmodel med instruktions-, ræsonnements- og kodefunktioner. Dens mixture-of-experts-udgivelse med 119 milliarder parametre aktiverer 6,5 milliarder parametre pr. token og understøtter en producentangivet kontekst på 256k, justerbar ræsonnementsindsats, JSON og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Small 4 kombinerer generel instruktionsefterlevelse, ræsonnement og kodning i én multimodal model. Producenten beskriver den som en samling af Instruct-, Magistral-ræsonnements- og Devstral-kodefamilierne. Den tager imod tekst og billeder og returnerer tekst med funktionskald og JSON-output til værktøjsassisterede applikationer.
Arkitektur og centrale funktioner
Udgivelsen har i alt 119 milliarder parametre og aktiverer 6,5 milliarder pr. token. Dens mixture-of-experts-arkitektur indeholder 128 eksperter, hvoraf 4 er aktive, og producenten dokumenterer et kontekstvindue på 256k. Det aktive parameterantal og antallet af eksperter beskriver modellens organisering; de er forskellige fra den mængde tekst- eller billedindhold, der indgår i én opgave.
Modellen tilbyder instruktions- og ræsonnementsfunktioner i samme checkpoint. Producenten identificerer også syn, efterlevelse af systemprompter og flersproget understøttelse af snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. En tekstinstruktion kan derfor spørge til et billede eller kombinere et skriftligt krav med synligt bevismateriale, mens svaret returneres som tekst.
En visuel opgave kan give en dokumentside og bede om de værdier, der er relevante for en navngiven betingelse. Hold etiketter og enheder læsbare, og angiv, om resultatet skal bevare den oprindelige ordlyd, sammenfatte den eller sammenligne den med en anden kilde. En grænsefladeopgave kan kombinere et skærmbillede med brugerens mål og bede om det relevante synlige kontrolelement og bevismaterialet bag et foreslået næste skridt.
Valg af instruktions- eller ræsonnementstilstand
Det udgivne modelkort dokumenterer ræsonnementsindsatsen none til et øjeblikkeligt instruktionsbaseret svar og high til ræsonnement, hvor high anbefales til komplekse prompter. Valget foretages pr. anmodning inden for samme Small 4-model. En almindelig klassifikation eller kort omskrivning kan have en anden svarkontrakt end et matematisk, visuelt eller kodemæssigt problem, der kræver en udfoldet forklaring.
Producenten anbefaler temperature 0.7 ved høj ræsonnementsindsats. Til none angives temperaturer mellem 0,0 og 0,7 afhængigt af opgaven. Indstillingerne beskriver de dokumenterede tilstande og gør ikke ræsonnementsindsats til en garanti for et korrekt resultat. Definer antagelserne, outputformen og det relevante kildemateriale, før du vælger, hvor meget ræsonnement opgaven kræver.
Til et gennemregnet problem skal du give den fulde betingelse og bede om de vigtige, begrundede trin efterfulgt af slutudtrykket. Til en kodeopgave skal du give kravet, den berørte funktion og et konkret input; bed om den foreslåede implementering adskilt fra forklaringen og eksemplerne. Producentens brugsdemonstrationer omfatter instruktionsefterlevelse, et beregningsværktøj anvendt på et billede og visuelt ræsonnement og illustrerer dermed, hvordan tekst og visuelt bevismateriale kan indgå i disse forskellige opgaver.
Kodning, dokumenter og værktøjer
Modellen er rettet mod udforskning af kodebaser og softwareudviklingsagenter, generelle assistenter, dokumentforståelse og research. En kodeagentanmodning kan navngive modulet, der skal ændres, grænsefladen, der skal bevares, og den ønskede adfærd. Giv den relevante kildekode og dokumentation for fejlen. Modellen kan foreslå den næste operation eller en kodeændring, mens applikationen leverer adgang til kodebasen, eksekvering og feedback.
Til dokumentudtrækning skal du identificere de krævede felter og repræsentationen af manglende oplysninger. En nyttig post kan adskille dokumentidentifikatoren, kildeudsagnet, det fortolkede krav og det uafklarede spørgsmål. Producentens tjenestekort angiver brugerdefineret struktureret output og besvarelse af dokumentspørgsmål; sidstnævnte bruger dokumentbehandling og OCR til at klargøre tekst og struktur før sprogmodelanalysen. Et direkte billedspørgsmål og en OCR-assisteret dokumentarbejdsgang bør bevare deres egne inputforberedelser.
Funktionskald kræver tydeligt beskrevne værktøjer. Modellen vælger en funktion og opretter argumenter; applikationen udfører operationen og returnerer resultatet til det efterfølgende svar. Samme logik gælder, uanset om opgaven er et opslag, en beregning eller en kodeoperation. JSON-formatering organiserer et svar, mens et værktøjskald beder om en ekstern handling; de to bør ikke behandles som udskiftelige resultater.
Tjenestekortet angiver også forudsagte output, svarpræfikser, batchbehandling og agentsamtaler. Forudsagte output er nyttige, når et dokument eller en kodefil skal genskabes med kun en begrænset ændring, og resten af indholdet kendes. Angiv redigeringen og det materiale, der skal bevares. Præfiksfortsættelse bruger en kendt begyndelse på svaret, mens batchbehandling vedrører indsendelse af arbejde frem for en ekstra ræsonnementstilstand.
Kontekst og udgavegrænser
Planlæg den skriftlige opgave, det visuelle materiale, samtalen og det ønskede svar omkring den dokumenterede kontekst på 256k. Det udgivne brugseksempel konfigurerer en kontekst på 262.144 tokens, mens genereringseksemplet på 1.024 tokens ikke er en særskilt maksimal outputkapacitet. De læste kilder angiver ikke en selvstændig fast svarlængdegrænse, der kan erstatte den valgte opgavelængde.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 milliarder parametre og hybride tilstande. Den bør ikke arve Medium 3.5's tætte arkitektur med 128 milliarder parametre eller Ministral 3's separate Instruct- og Reasoning-udgaver. Producenten udgiver også særskilte kvantiserede artefakter og artefakter til spekulativ afkodning; det er separate udrulningsartefakter frem for forskellige indholdsmodaliteter. Bevar den navngivne Small 4-udgivelse og den tilstand, der ønskes til den faktiske forklaring, strukturerede post eller det faktiske koderesultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-small-2603 | 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00003 / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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-2603", "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-2603',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-2603',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-2603
Brug metodestierne vist ovenfor.
mistralai/mistral-small-2603Mistral Small 4 er en hybrid tekst- og billedmodel med instruktions-, ræsonnements- og kodefunktioner. Dens mixture-of-experts-udgivelse med 119 milliarder parametre aktiverer 6,5 milliarder parametre pr. token og understøtter en producentangivet kontekst på 256k, justerbar ræsonnementsindsats, JSON og funktionskald.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Small 4 kombinerer generel instruktionsefterlevelse, ræsonnement og kodning i én multimodal model. Producenten beskriver den som en samling af Instruct-, Magistral-ræsonnements- og Devstral-kodefamilierne. Den tager imod tekst og billeder og returnerer tekst med funktionskald og JSON-output til værktøjsassisterede applikationer.
Arkitektur og centrale funktioner
Udgivelsen har i alt 119 milliarder parametre og aktiverer 6,5 milliarder pr. token. Dens mixture-of-experts-arkitektur indeholder 128 eksperter, hvoraf 4 er aktive, og producenten dokumenterer et kontekstvindue på 256k. Det aktive parameterantal og antallet af eksperter beskriver modellens organisering; de er forskellige fra den mængde tekst- eller billedindhold, der indgår i én opgave.
Modellen tilbyder instruktions- og ræsonnementsfunktioner i samme checkpoint. Producenten identificerer også syn, efterlevelse af systemprompter og flersproget understøttelse af snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. En tekstinstruktion kan derfor spørge til et billede eller kombinere et skriftligt krav med synligt bevismateriale, mens svaret returneres som tekst.
En visuel opgave kan give en dokumentside og bede om de værdier, der er relevante for en navngiven betingelse. Hold etiketter og enheder læsbare, og angiv, om resultatet skal bevare den oprindelige ordlyd, sammenfatte den eller sammenligne den med en anden kilde. En grænsefladeopgave kan kombinere et skærmbillede med brugerens mål og bede om det relevante synlige kontrolelement og bevismaterialet bag et foreslået næste skridt.
Valg af instruktions- eller ræsonnementstilstand
Det udgivne modelkort dokumenterer ræsonnementsindsatsen none til et øjeblikkeligt instruktionsbaseret svar og high til ræsonnement, hvor high anbefales til komplekse prompter. Valget foretages pr. anmodning inden for samme Small 4-model. En almindelig klassifikation eller kort omskrivning kan have en anden svarkontrakt end et matematisk, visuelt eller kodemæssigt problem, der kræver en udfoldet forklaring.
Producenten anbefaler temperature 0.7 ved høj ræsonnementsindsats. Til none angives temperaturer mellem 0,0 og 0,7 afhængigt af opgaven. Indstillingerne beskriver de dokumenterede tilstande og gør ikke ræsonnementsindsats til en garanti for et korrekt resultat. Definer antagelserne, outputformen og det relevante kildemateriale, før du vælger, hvor meget ræsonnement opgaven kræver.
Til et gennemregnet problem skal du give den fulde betingelse og bede om de vigtige, begrundede trin efterfulgt af slutudtrykket. Til en kodeopgave skal du give kravet, den berørte funktion og et konkret input; bed om den foreslåede implementering adskilt fra forklaringen og eksemplerne. Producentens brugsdemonstrationer omfatter instruktionsefterlevelse, et beregningsværktøj anvendt på et billede og visuelt ræsonnement og illustrerer dermed, hvordan tekst og visuelt bevismateriale kan indgå i disse forskellige opgaver.
Kodning, dokumenter og værktøjer
Modellen er rettet mod udforskning af kodebaser og softwareudviklingsagenter, generelle assistenter, dokumentforståelse og research. En kodeagentanmodning kan navngive modulet, der skal ændres, grænsefladen, der skal bevares, og den ønskede adfærd. Giv den relevante kildekode og dokumentation for fejlen. Modellen kan foreslå den næste operation eller en kodeændring, mens applikationen leverer adgang til kodebasen, eksekvering og feedback.
Til dokumentudtrækning skal du identificere de krævede felter og repræsentationen af manglende oplysninger. En nyttig post kan adskille dokumentidentifikatoren, kildeudsagnet, det fortolkede krav og det uafklarede spørgsmål. Producentens tjenestekort angiver brugerdefineret struktureret output og besvarelse af dokumentspørgsmål; sidstnævnte bruger dokumentbehandling og OCR til at klargøre tekst og struktur før sprogmodelanalysen. Et direkte billedspørgsmål og en OCR-assisteret dokumentarbejdsgang bør bevare deres egne inputforberedelser.
Funktionskald kræver tydeligt beskrevne værktøjer. Modellen vælger en funktion og opretter argumenter; applikationen udfører operationen og returnerer resultatet til det efterfølgende svar. Samme logik gælder, uanset om opgaven er et opslag, en beregning eller en kodeoperation. JSON-formatering organiserer et svar, mens et værktøjskald beder om en ekstern handling; de to bør ikke behandles som udskiftelige resultater.
Tjenestekortet angiver også forudsagte output, svarpræfikser, batchbehandling og agentsamtaler. Forudsagte output er nyttige, når et dokument eller en kodefil skal genskabes med kun en begrænset ændring, og resten af indholdet kendes. Angiv redigeringen og det materiale, der skal bevares. Præfiksfortsættelse bruger en kendt begyndelse på svaret, mens batchbehandling vedrører indsendelse af arbejde frem for en ekstra ræsonnementstilstand.
Kontekst og udgavegrænser
Planlæg den skriftlige opgave, det visuelle materiale, samtalen og det ønskede svar omkring den dokumenterede kontekst på 256k. Det udgivne brugseksempel konfigurerer en kontekst på 262.144 tokens, mens genereringseksemplet på 1.024 tokens ikke er en særskilt maksimal outputkapacitet. De læste kilder angiver ikke en selvstændig fast svarlængdegrænse, der kan erstatte den valgte opgavelængde.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 milliarder parametre og hybride tilstande. Den bør ikke arve Medium 3.5's tætte arkitektur med 128 milliarder parametre eller Ministral 3's separate Instruct- og Reasoning-udgaver. Producenten udgiver også særskilte kvantiserede artefakter og artefakter til spekulativ afkodning; det er separate udrulningsartefakter frem for forskellige indholdsmodaliteter. Bevar den navngivne Small 4-udgivelse og den tilstand, der ønskes til den faktiske forklaring, strukturerede post eller det faktiske koderesultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-small-2603 | 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00003 / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0012 / 1K tokens Input · Cachelæsning $0.00003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2603', '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-2603', '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-2603
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.