Mistral Small 3.1 24B Instruct 2503 bygger på Small 3 2501 ved at tilføje visuel forståelse og udvide understøttelsen af lang kontekst til 128k tokens. Den har 24 milliarder parametre og er instruktionsfinjusteret fra den særskilt navngivne Small 3.1 Base-udgivelse. Modellen tager imod tekst og billeder og producerer tekst, herunder en forklaring, kode eller en struktureret post.
Centrale funktioner
Syn lader modellen analysere synligt materiale sammen med brugerens spørgsmål. Et dokumentbillede kan levere det felt eller udsagn, der skal undersøges, en tegning kan levere den relation, der skal forklares, og et diagram kan levere data bag en sammenligning. Hold etiketter, enheder og relevant omgivende indhold læsbart, så spørgsmålet henviser til bevismateriale, der faktisk findes i billedet.
Producenten angiver flersproget understøttelse af snesevis af sprog, herunder russisk, engelsk, fransk, tysk, græsk, hindi, indonesisk, italiensk, japansk, koreansk, malajisk, nepalesisk, polsk, portugisisk, rumænsk, serbisk, spansk, svensk, tyrkisk, ukrainsk, vietnamesisk, arabisk, bengali, kinesisk og farsi. Definer målsprog, læser og terminologi til et flersproget svar. Navne, citerede etiketter, variabelidentifikatorer og enheder kan forblive uændrede, mens den omgivende prosa tilpasses.
Modelkortet beskriver også samtale- og ræsonnementsfunktioner, indbygget funktionskald, JSON-output og efterlevelse af systemprompter. Dens tokenizer er Tekken med et ordforråd betegnet 131k. Det er funktioner i den navngivne instruktionsfinjusterede udgivelse; Base-udgaven har en anden rolle, og senere Small 3.2- og Small 4-udgivelser bevarer deres egne ændringer og tilstande.
Forberedelse af dokument-, kode- og matematikopgaver
Til en opgave med lange dokumenter skal du identificere dokumenterne og stille ét defineret spørgsmål. En sammenligning kan bede om en kravmatrix med udsagnet, dets kildeafsnit og eventuelle uenigheder mellem dokumenter. Et resumé kan bede om kun det materiale, der er relevant for en navngiven ændring. Den lange kontekst holder kilderne samlet, mens det endelige svar kan forblive kort.
Til en kodeforklaring skal du give funktionen og det input, hvis adfærd skal spores. Medtag relevante hjælpefunktioner eller deklarationer, og spørg, hvordan tilstanden ændrer sig, før værdien returneres. Til en foreslået ændring skal du angive kravet, den offentlige grænseflade, der skal bevares, og det forventede output. Bed om den reviderede kode adskilt fra forklaringen og eksemplerne.
Til en matematisk opgave skal du definere symboler og domæneantagelser, før du beder om en udledning. Angiv, om det endelige resultat skal være eksakt, afrundet eller et bevis for en påstand. Hvis betingelsen står i et billede, skal du holde formlen og de tilhørende etiketter tydelige og bede modellen bevare notationen i svaret. Denne forberedelse omsætter modellens dokumenterede fokus på programmering og matematisk ræsonnement til en artefakt, der kan undersøges.
Instruktionsformat og anbefalet brug
Producenten offentliggør en V7-Tekken-samtaleskabelon, der adskiller system-, bruger- og assistentroller, og anbefaler at bruge den matchende tokenizerimplementering som sandhedskilde. En systeminstruktion bør definere assistentens rolle og svarregler, mens brugerbeskeden indeholder selve opgaven og kildematerialet. Korrekt samtaleformatering er forskelligt fra at placere rollelignende etiketter i et citeret dokument.
Modelkortet anbefaler en relativt lav temperatur, såsom 0,15, og en systemprompt tilpasset anvendelsen. Definer outputfelter eller afsnit og de betingelser, der skal bevares ved omskrivning. Til gentagen udtrækning skal du bede om JSON med angivne navne og typer og en repræsentation af værdier, der mangler i kilden. Et forklarende afsnit kan returneres særskilt, når et menneske skal undersøge fortolkningen.
Arbejdsgang med funktionskald
Modellen kan vælge en funktion blandt værktøjer beskrevet af applikationen og generere dens argumenter. Applikationen udfører funktionen, returnerer resultatet med det tilhørende værktøjskald, og modellen bruger resultatet i et efterfølgende svar. Producentens eksempel viser denne samtalecyklus, herunder tidligere værktøjsbrug og et nyt brugerspørgsmål. Et foreslået opslag er derfor forskelligt fra de data, opslaget faktisk returnerer.
En praktisk assistent kan først udtrække et spørgsmål fra et dokument og derefter bruge en angivet referencefunktion til at indhente en manglende betingelse. Beskriv funktionen tydeligt, medtag dens nødvendige argumenter, og hold det returnerede resultat knyttet til den oprindelige operation. JSON organiserer et tekstresultat; funktionskald anmoder om en tilsluttet operation frem for stiltiende at udføre kode eller læse en database.
Indholdsmæssige begrænsninger
Den dokumenterede visuelle funktion læser billeder; den genererer dem ikke. Det udgivne modelkorts assistentvejledning adskiller også modellen fra lyd- og videotransskription, så et talt spørgsmål eller videospørgsmål kræver, at det relevante indhold leveres gennem et passende særskilt forberedelsestrin. Webadgang og eksterne handlinger kommer ligeledes fra tilsluttede værktøjer og ikke fra tekst- og billedmodellen alene.
Konteksten på 128k vedrører opgavens input og genererede samtale, mens modelkortets genereringseksempel på 512 tokens kun er en eksempelindstilling. De læste kilder angiver ingen særskilt fast kapacitet for svarlængde. Bevar den præcise Instruct 2503-udgave, dens samtaleformat og den ønskede forklaring, post eller kodeartefakt.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 bygger på Small 3 2501 ved at tilføje visuel forståelse og udvide understøttelsen af lang kontekst til 128k tokens. Den har 24 milliarder parametre og er instruktionsfinjusteret fra den særskilt navngivne Small 3.1 Base-udgivelse. Modellen tager imod tekst og billeder og producerer tekst, herunder en forklaring, kode eller en struktureret post.\n\nCentrale funktioner\n\nSyn lader modellen analysere synligt materiale sammen med brugerens spørgsmål. Et dokumentbillede kan levere det felt eller udsagn, der skal undersøges, en tegning kan levere den relation, der skal forklares, og et diagram kan levere data bag en sammenligning. Hold etiketter, enheder og relevant omgivende indhold læsbart, så spørgsmålet henviser til bevismateriale, der faktisk findes i billedet.\n\nProducenten angiver flersproget understøttelse af snesevis af sprog, herunder russisk, engelsk, fransk, tysk, græsk, hindi, indonesisk, italiensk, japansk, koreansk, malajisk, nepalesisk, polsk, portugisisk, rumænsk, serbisk, spansk, svensk, tyrkisk, ukrainsk, vietnamesisk, arabisk, bengali, kinesisk og farsi. Definer målsprog, læser og terminologi til et flersproget svar. Navne, citerede etiketter, variabelidentifikatorer og enheder kan forblive uændrede, mens den omgivende prosa tilpasses.\n\nModelkortet beskriver også samtale- og ræsonnementsfunktioner, indbygget funktionskald, JSON-output og efterlevelse af systemprompter. Dens tokenizer er Tekken med et ordforråd betegnet 131k. Det er funktioner i den navngivne instruktionsfinjusterede udgivelse; Base-udgaven har en anden rolle, og senere Small 3.2- og Small 4-udgivelser bevarer deres egne ændringer og tilstande.\n\nForberedelse af dokument-, kode- og matematikopgaver\n\nTil en opgave med lange dokumenter skal du identificere dokumenterne og stille ét defineret spørgsmål. En sammenligning kan bede om en kravmatrix med udsagnet, dets kildeafsnit og eventuelle uenigheder mellem dokumenter. Et resumé kan bede om kun det materiale, der er relevant for en navngiven ændring. Den lange kontekst holder kilderne samlet, mens det endelige svar kan forblive kort.\n\nTil en kodeforklaring skal du give funktionen og det input, hvis adfærd skal spores. Medtag relevante hjælpefunktioner eller deklarationer, og spørg, hvordan tilstanden ændrer sig, før værdien returneres. Til en foreslået ændring skal du angive kravet, den offentlige grænseflade, der skal bevares, og det forventede output. Bed om den reviderede kode adskilt fra forklaringen og eksemplerne.\n\nTil en matematisk opgave skal du definere symboler og domæneantagelser, før du beder om en udledning. Angiv, om det endelige resultat skal være eksakt, afrundet eller et bevis for en påstand. Hvis betingelsen står i et billede, skal du holde formlen og de tilhørende etiketter tydelige og bede modellen bevare notationen i svaret. Denne forberedelse omsætter modellens dokumenterede fokus på programmering og matematisk ræsonnement til en artefakt, der kan undersøges.\n\nInstruktionsformat og anbefalet brug\n\nProducenten offentliggør en V7-Tekken-samtaleskabelon, der adskiller system-, bruger- og assistentroller, og anbefaler at bruge den matchende tokenizerimplementering som sandhedskilde. En systeminstruktion bør definere assistentens rolle og svarregler, mens brugerbeskeden indeholder selve opgaven og kildematerialet. Korrekt samtaleformatering er forskelligt fra at placere rollelignende etiketter i et citeret dokument.\n\nModelkortet anbefaler en relativt lav temperatur, såsom 0,15, og en systemprompt tilpasset anvendelsen. Definer outputfelter eller afsnit og de betingelser, der skal bevares ved omskrivning. Til gentagen udtrækning skal du bede om JSON med angivne navne og typer og en repræsentation af værdier, der mangler i kilden. Et forklarende afsnit kan returneres særskilt, når et menneske skal undersøge fortolkningen.\n\nArbejdsgang med funktionskald\n\nModellen kan vælge en funktion blandt værktøjer beskrevet af applikationen og generere dens argumenter. Applikationen udfører funktionen, returnerer resultatet med det tilhørende værktøjskald, og modellen bruger resultatet i et efterfølgende svar. Producentens eksempel viser denne samtalecyklus, herunder tidligere værktøjsbrug og et nyt brugerspørgsmål. Et foreslået opslag er derfor forskelligt fra de data, opslaget faktisk returnerer.\n\nEn praktisk assistent kan først udtrække et spørgsmål fra et dokument og derefter bruge en angivet referencefunktion til at indhente en manglende betingelse. Beskriv funktionen tydeligt, medtag dens nødvendige argumenter, og hold det returnerede resultat knyttet til den oprindelige operation. JSON organiserer et tekstresultat; funktionskald anmoder om en tilsluttet operation frem for stiltiende at udføre kode eller læse en database.\n\nIndholdsmæssige begrænsninger\n\nDen dokumenterede visuelle funktion læser billeder; den genererer dem ikke. Det udgivne modelkorts assistentvejledning adskiller også modellen fra lyd- og videotransskription, så et talt spørgsmål eller videospørgsmål kræver, at det relevante indhold leveres gennem et passende særskilt forberedelsestrin. Webadgang og eksterne handlinger kommer ligeledes fra tilsluttede værktøjer og ikke fra tekst- og billedmodellen alene.\n\nKonteksten på 128k vedrører opgavens input og genererede samtale, mens modelkortets genereringseksempel på 512 tokens kun er en eksempelindstilling. De læste kilder angiver ingen særskilt fast kapacitet for svarlængde. Bevar den præcise Instruct 2503-udgave, dens samtaleformat og den ønskede forklaring, post eller kodeartefakt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 tilføjer billedforståelse og en producentangivet kontekst på 128k til Small 3-linjen. Den kombinerer flersproget tekst, programmering og matematisk ræsonnement med systeminstruktioner, JSON og indbyggede funktionskald i en særskilt instruktionsfinjusteret udgivelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Small 3.1 24B Instruct 2503 bygger på Small 3 2501 ved at tilføje visuel forståelse og udvide understøttelsen af lang kontekst til 128k tokens. Den har 24 milliarder parametre og er instruktionsfinjusteret fra den særskilt navngivne Small 3.1 Base-udgivelse. Modellen tager imod tekst og billeder og producerer tekst, herunder en forklaring, kode eller en struktureret post.
Centrale funktioner
Syn lader modellen analysere synligt materiale sammen med brugerens spørgsmål. Et dokumentbillede kan levere det felt eller udsagn, der skal undersøges, en tegning kan levere den relation, der skal forklares, og et diagram kan levere data bag en sammenligning. Hold etiketter, enheder og relevant omgivende indhold læsbart, så spørgsmålet henviser til bevismateriale, der faktisk findes i billedet.
Producenten angiver flersproget understøttelse af snesevis af sprog, herunder russisk, engelsk, fransk, tysk, græsk, hindi, indonesisk, italiensk, japansk, koreansk, malajisk, nepalesisk, polsk, portugisisk, rumænsk, serbisk, spansk, svensk, tyrkisk, ukrainsk, vietnamesisk, arabisk, bengali, kinesisk og farsi. Definer målsprog, læser og terminologi til et flersproget svar. Navne, citerede etiketter, variabelidentifikatorer og enheder kan forblive uændrede, mens den omgivende prosa tilpasses.
Modelkortet beskriver også samtale- og ræsonnementsfunktioner, indbygget funktionskald, JSON-output og efterlevelse af systemprompter. Dens tokenizer er Tekken med et ordforråd betegnet 131k. Det er funktioner i den navngivne instruktionsfinjusterede udgivelse; Base-udgaven har en anden rolle, og senere Small 3.2- og Small 4-udgivelser bevarer deres egne ændringer og tilstande.
Forberedelse af dokument-, kode- og matematikopgaver
Til en opgave med lange dokumenter skal du identificere dokumenterne og stille ét defineret spørgsmål. En sammenligning kan bede om en kravmatrix med udsagnet, dets kildeafsnit og eventuelle uenigheder mellem dokumenter. Et resumé kan bede om kun det materiale, der er relevant for en navngiven ændring. Den lange kontekst holder kilderne samlet, mens det endelige svar kan forblive kort.
Til en kodeforklaring skal du give funktionen og det input, hvis adfærd skal spores. Medtag relevante hjælpefunktioner eller deklarationer, og spørg, hvordan tilstanden ændrer sig, før værdien returneres. Til en foreslået ændring skal du angive kravet, den offentlige grænseflade, der skal bevares, og det forventede output. Bed om den reviderede kode adskilt fra forklaringen og eksemplerne.
Til en matematisk opgave skal du definere symboler og domæneantagelser, før du beder om en udledning. Angiv, om det endelige resultat skal være eksakt, afrundet eller et bevis for en påstand. Hvis betingelsen står i et billede, skal du holde formlen og de tilhørende etiketter tydelige og bede modellen bevare notationen i svaret. Denne forberedelse omsætter modellens dokumenterede fokus på programmering og matematisk ræsonnement til en artefakt, der kan undersøges.
Instruktionsformat og anbefalet brug
Producenten offentliggør en V7-Tekken-samtaleskabelon, der adskiller system-, bruger- og assistentroller, og anbefaler at bruge den matchende tokenizerimplementering som sandhedskilde. En systeminstruktion bør definere assistentens rolle og svarregler, mens brugerbeskeden indeholder selve opgaven og kildematerialet. Korrekt samtaleformatering er forskelligt fra at placere rollelignende etiketter i et citeret dokument.
Modelkortet anbefaler en relativt lav temperatur, såsom 0,15, og en systemprompt tilpasset anvendelsen. Definer outputfelter eller afsnit og de betingelser, der skal bevares ved omskrivning. Til gentagen udtrækning skal du bede om JSON med angivne navne og typer og en repræsentation af værdier, der mangler i kilden. Et forklarende afsnit kan returneres særskilt, når et menneske skal undersøge fortolkningen.
Arbejdsgang med funktionskald
Modellen kan vælge en funktion blandt værktøjer beskrevet af applikationen og generere dens argumenter. Applikationen udfører funktionen, returnerer resultatet med det tilhørende værktøjskald, og modellen bruger resultatet i et efterfølgende svar. Producentens eksempel viser denne samtalecyklus, herunder tidligere værktøjsbrug og et nyt brugerspørgsmål. Et foreslået opslag er derfor forskelligt fra de data, opslaget faktisk returnerer.
En praktisk assistent kan først udtrække et spørgsmål fra et dokument og derefter bruge en angivet referencefunktion til at indhente en manglende betingelse. Beskriv funktionen tydeligt, medtag dens nødvendige argumenter, og hold det returnerede resultat knyttet til den oprindelige operation. JSON organiserer et tekstresultat; funktionskald anmoder om en tilsluttet operation frem for stiltiende at udføre kode eller læse en database.
Indholdsmæssige begrænsninger
Den dokumenterede visuelle funktion læser billeder; den genererer dem ikke. Det udgivne modelkorts assistentvejledning adskiller også modellen fra lyd- og videotransskription, så et talt spørgsmål eller videospørgsmål kræver, at det relevante indhold leveres gennem et passende særskilt forberedelsestrin. Webadgang og eksterne handlinger kommer ligeledes fra tilsluttede værktøjer og ikke fra tekst- og billedmodellen alene.
Konteksten på 128k vedrører opgavens input og genererede samtale, mens modelkortets genereringseksempel på 512 tokens kun er en eksempelindstilling. De læste kilder angiver ingen særskilt fast kapacitet for svarlængde. Bevar den præcise Instruct 2503-udgave, dens samtaleformat og den ønskede forklaring, post eller kodeartefakt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokens Output · Outputtokens $0.00111 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0011 / 1K tokens Output · Outputtokens $0.00111 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-3.1-24b-instruct',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-3.1-24b-instruct',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-3.1-24b-instruct
Brug metodestierne vist ovenfor.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 tilføjer billedforståelse og en producentangivet kontekst på 128k til Small 3-linjen. Den kombinerer flersproget tekst, programmering og matematisk ræsonnement med systeminstruktioner, JSON og indbyggede funktionskald i en særskilt instruktionsfinjusteret udgivelse.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Small 3.1 24B Instruct 2503 bygger på Small 3 2501 ved at tilføje visuel forståelse og udvide understøttelsen af lang kontekst til 128k tokens. Den har 24 milliarder parametre og er instruktionsfinjusteret fra den særskilt navngivne Small 3.1 Base-udgivelse. Modellen tager imod tekst og billeder og producerer tekst, herunder en forklaring, kode eller en struktureret post.
Centrale funktioner
Syn lader modellen analysere synligt materiale sammen med brugerens spørgsmål. Et dokumentbillede kan levere det felt eller udsagn, der skal undersøges, en tegning kan levere den relation, der skal forklares, og et diagram kan levere data bag en sammenligning. Hold etiketter, enheder og relevant omgivende indhold læsbart, så spørgsmålet henviser til bevismateriale, der faktisk findes i billedet.
Producenten angiver flersproget understøttelse af snesevis af sprog, herunder russisk, engelsk, fransk, tysk, græsk, hindi, indonesisk, italiensk, japansk, koreansk, malajisk, nepalesisk, polsk, portugisisk, rumænsk, serbisk, spansk, svensk, tyrkisk, ukrainsk, vietnamesisk, arabisk, bengali, kinesisk og farsi. Definer målsprog, læser og terminologi til et flersproget svar. Navne, citerede etiketter, variabelidentifikatorer og enheder kan forblive uændrede, mens den omgivende prosa tilpasses.
Modelkortet beskriver også samtale- og ræsonnementsfunktioner, indbygget funktionskald, JSON-output og efterlevelse af systemprompter. Dens tokenizer er Tekken med et ordforråd betegnet 131k. Det er funktioner i den navngivne instruktionsfinjusterede udgivelse; Base-udgaven har en anden rolle, og senere Small 3.2- og Small 4-udgivelser bevarer deres egne ændringer og tilstande.
Forberedelse af dokument-, kode- og matematikopgaver
Til en opgave med lange dokumenter skal du identificere dokumenterne og stille ét defineret spørgsmål. En sammenligning kan bede om en kravmatrix med udsagnet, dets kildeafsnit og eventuelle uenigheder mellem dokumenter. Et resumé kan bede om kun det materiale, der er relevant for en navngiven ændring. Den lange kontekst holder kilderne samlet, mens det endelige svar kan forblive kort.
Til en kodeforklaring skal du give funktionen og det input, hvis adfærd skal spores. Medtag relevante hjælpefunktioner eller deklarationer, og spørg, hvordan tilstanden ændrer sig, før værdien returneres. Til en foreslået ændring skal du angive kravet, den offentlige grænseflade, der skal bevares, og det forventede output. Bed om den reviderede kode adskilt fra forklaringen og eksemplerne.
Til en matematisk opgave skal du definere symboler og domæneantagelser, før du beder om en udledning. Angiv, om det endelige resultat skal være eksakt, afrundet eller et bevis for en påstand. Hvis betingelsen står i et billede, skal du holde formlen og de tilhørende etiketter tydelige og bede modellen bevare notationen i svaret. Denne forberedelse omsætter modellens dokumenterede fokus på programmering og matematisk ræsonnement til en artefakt, der kan undersøges.
Instruktionsformat og anbefalet brug
Producenten offentliggør en V7-Tekken-samtaleskabelon, der adskiller system-, bruger- og assistentroller, og anbefaler at bruge den matchende tokenizerimplementering som sandhedskilde. En systeminstruktion bør definere assistentens rolle og svarregler, mens brugerbeskeden indeholder selve opgaven og kildematerialet. Korrekt samtaleformatering er forskelligt fra at placere rollelignende etiketter i et citeret dokument.
Modelkortet anbefaler en relativt lav temperatur, såsom 0,15, og en systemprompt tilpasset anvendelsen. Definer outputfelter eller afsnit og de betingelser, der skal bevares ved omskrivning. Til gentagen udtrækning skal du bede om JSON med angivne navne og typer og en repræsentation af værdier, der mangler i kilden. Et forklarende afsnit kan returneres særskilt, når et menneske skal undersøge fortolkningen.
Arbejdsgang med funktionskald
Modellen kan vælge en funktion blandt værktøjer beskrevet af applikationen og generere dens argumenter. Applikationen udfører funktionen, returnerer resultatet med det tilhørende værktøjskald, og modellen bruger resultatet i et efterfølgende svar. Producentens eksempel viser denne samtalecyklus, herunder tidligere værktøjsbrug og et nyt brugerspørgsmål. Et foreslået opslag er derfor forskelligt fra de data, opslaget faktisk returnerer.
En praktisk assistent kan først udtrække et spørgsmål fra et dokument og derefter bruge en angivet referencefunktion til at indhente en manglende betingelse. Beskriv funktionen tydeligt, medtag dens nødvendige argumenter, og hold det returnerede resultat knyttet til den oprindelige operation. JSON organiserer et tekstresultat; funktionskald anmoder om en tilsluttet operation frem for stiltiende at udføre kode eller læse en database.
Indholdsmæssige begrænsninger
Den dokumenterede visuelle funktion læser billeder; den genererer dem ikke. Det udgivne modelkorts assistentvejledning adskiller også modellen fra lyd- og videotransskription, så et talt spørgsmål eller videospørgsmål kræver, at det relevante indhold leveres gennem et passende særskilt forberedelsestrin. Webadgang og eksterne handlinger kommer ligeledes fra tilsluttede værktøjer og ikke fra tekst- og billedmodellen alene.
Konteksten på 128k vedrører opgavens input og genererede samtale, mens modelkortets genereringseksempel på 512 tokens kun er en eksempelindstilling. De læste kilder angiver ingen særskilt fast kapacitet for svarlængde. Bevar den præcise Instruct 2503-udgave, dens samtaleformat og den ønskede forklaring, post eller kodeartefakt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokens Output · Outputtokens $0.00111 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0011 / 1K tokens Output · Outputtokens $0.00111 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-instruct', '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-3.1-24b-instruct', '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-3.1-24b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.