Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Modellstand verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Vision-Encoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; die Nutzungshinweise nennen eine standardmäßig konfigurierte Länge von 262.144. Diese Parameterzahlen gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter Datensätze im JSON-Format oder vorgeschlagene Funktionsaufrufe.
Der Hersteller beschreibt die Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt auch die Einhaltung von Systemprompts hervor. Geben Sie die gewünschte Ausgabesprache sowie die Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. So bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Geben Sie bei einer Klassifikationsaufgabe die zulässigen Bezeichnungen, die Regel zu ihrer Unterscheidung und die zu klassifizierende Nachricht an. Verlangen Sie eine ausgewählte Bezeichnung und eine kurze, auf der übermittelten Nachricht beruhende Erklärung. Sind die Bezeichnungen mehrdeutig, definieren Sie, welche Informationen sie voneinander unterscheiden würden, statt sich allein auf ihre Namen zu verlassen. Dadurch entsteht ein kompaktes Ergebnis, das sich in einem größeren Arbeitsablauf einheitlich verwenden lässt.
Listen Sie für die Extraktion die Felder und ihre Typen auf und legen Sie fest, wie fehlende Informationen darzustellen sind. Eine Anfrage kann etwa eine Artikelkennung, den ausdrücklich beschriebenen Zustand und die vom Nutzer gewünschte Handlung verlangen. Fordern Sie den Wortlaut der Quelle an, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; die Feldgestaltung bleibt Teil der Aufgabe und ist kein eingebautes universelles Schema.
Die Modellkarte nennt außerdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Legen Sie für eine Bildbeschreibung fest, welcher Aspekt des Bildes beschrieben werden soll und an wen sie sich richtet. Geben Sie für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge an. Eine Antwort im Support-Stil kann aus der ursprünglichen Frage und den bereitgestellten Hinweisen einen knappen nächsten Schritt samt der Bedingung formulieren, unter der er anwendbar ist.
Vorbereitung visueller und mehrsprachiger Aufgaben
Kombinieren Sie ein Bild mit einer klaren Textfrage. Bewahren Sie bei einem Dokumentfeld dessen Bezeichnung, Wert und den zur Auslegung erforderlichen Zusammenhang. Geben Sie bei einer Objektbeschreibung an, welches sichtbare Merkmal wichtig ist. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab. Schneiden Sie das Bild bei Bedarf zu, ohne die Belege zu entfernen, auf die sich die Frage stützt.
Geben Sie für eine Übersetzung den Ausgangstext, die Zielsprache und gegebenenfalls eine Terminologieliste an. Verlangen Sie den übersetzten Abschnitt getrennt von einer optionalen Erklärung. Eine mehrsprachige Klassifikationsaufgabe kann die Bezeichnungen der Anwendung unverändert lassen und die gewählte Bezeichnung in der Sprache der lesenden Person erklären. Das sind klar definierte Ausgaben und keine Aufforderung, eine Nachricht oder ein Bild unverbindlich zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen es einer Anwendung, das Gespräch mit einer beschriebenen Operation zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert ergänzen, oder ein Berechnungswerkzeug kann mit Werten arbeiten, die aus einem Bild ermittelt wurden. Das Textmodell führt die Funktion nicht selbst aus, nur weil es deren Namen und Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall einschließlich der Werkzeugnutzung definiert. Formulieren Sie Werkzeugbeschreibungen klar und beschränken Sie die Auswahl auf die mindestens erforderlichen relevanten Operationen. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter auszulegen sein als ein Prompt mit vielen nicht zusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte empfiehlt niedrige Temperaturen: unter 0.1 für alltägliche und produktionsnahe Nutzung sowie in einem gesonderten Sampling-Hinweis eine Ausgangstemperatur von 0.1 für die meisten Anwendungsfälle. Für kreative Inhalte können höhere Werte erprobt werden. Diese Empfehlungen haben jeweils unterschiedliche angegebene Geltungsbereiche; sie garantieren nicht, dass eine einzige Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Ausgabe und Kontextgrenzen
Ministral 3 bietet für jede Modellgröße eigene Veröffentlichungen als Base, Instruct und Reasoning. Dieser Eintrag bezeichnet den Modellstand Instruct 2512 und weder einen automatisch aktivierten Reasoning-Modus noch das vortrainierte Basismodell. Der Hersteller nennt Spezialisierung und Feinabstimmung als mögliche Anwendungen; für die aktuelle Anweisungsaufgabe müssen Eingabe, Regeln und Ausgabe dennoch klar festgelegt sein.
Halten Sie relevantes Quellenmaterial und das Gespräch innerhalb des konfigurierten Kontexts und verlangen Sie das kompakte Ergebnis, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das ganze Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein großer beispielhafter Generierungsrahmen sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Aktionen benötigen weitere Komponenten über dieses Modell für Textergebnisse hinaus.
", "aboutText": "Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Modellstand verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.\n\nModellkomponenten und Fähigkeiten\n\nDie Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Vision-Encoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; die Nutzungshinweise nennen eine standardmäßig konfigurierte Länge von 262.144. Diese Parameterzahlen gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter Datensätze im JSON-Format oder vorgeschlagene Funktionsaufrufe.\n\nDer Hersteller beschreibt die Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt auch die Einhaltung von Systemprompts hervor. Geben Sie die gewünschte Ausgabesprache sowie die Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. So bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.\n\nGezielte Klassifikation und Extraktion\n\nGeben Sie bei einer Klassifikationsaufgabe die zulässigen Bezeichnungen, die Regel zu ihrer Unterscheidung und die zu klassifizierende Nachricht an. Verlangen Sie eine ausgewählte Bezeichnung und eine kurze, auf der übermittelten Nachricht beruhende Erklärung. Sind die Bezeichnungen mehrdeutig, definieren Sie, welche Informationen sie voneinander unterscheiden würden, statt sich allein auf ihre Namen zu verlassen. Dadurch entsteht ein kompaktes Ergebnis, das sich in einem größeren Arbeitsablauf einheitlich verwenden lässt.\n\nListen Sie für die Extraktion die Felder und ihre Typen auf und legen Sie fest, wie fehlende Informationen darzustellen sind. Eine Anfrage kann etwa eine Artikelkennung, den ausdrücklich beschriebenen Zustand und die vom Nutzer gewünschte Handlung verlangen. Fordern Sie den Wortlaut der Quelle an, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; die Feldgestaltung bleibt Teil der Aufgabe und ist kein eingebautes universelles Schema.\n\nDie Modellkarte nennt außerdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Legen Sie für eine Bildbeschreibung fest, welcher Aspekt des Bildes beschrieben werden soll und an wen sie sich richtet. Geben Sie für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge an. Eine Antwort im Support-Stil kann aus der ursprünglichen Frage und den bereitgestellten Hinweisen einen knappen nächsten Schritt samt der Bedingung formulieren, unter der er anwendbar ist.\n\nVorbereitung visueller und mehrsprachiger Aufgaben\n\nKombinieren Sie ein Bild mit einer klaren Textfrage. Bewahren Sie bei einem Dokumentfeld dessen Bezeichnung, Wert und den zur Auslegung erforderlichen Zusammenhang. Geben Sie bei einer Objektbeschreibung an, welches sichtbare Merkmal wichtig ist. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab. Schneiden Sie das Bild bei Bedarf zu, ohne die Belege zu entfernen, auf die sich die Frage stützt.\n\nGeben Sie für eine Übersetzung den Ausgangstext, die Zielsprache und gegebenenfalls eine Terminologieliste an. Verlangen Sie den übersetzten Abschnitt getrennt von einer optionalen Erklärung. Eine mehrsprachige Klassifikationsaufgabe kann die Bezeichnungen der Anwendung unverändert lassen und die gewählte Bezeichnung in der Sprache der lesenden Person erklären. Das sind klar definierte Ausgaben und keine Aufforderung, eine Nachricht oder ein Bild unverbindlich zu erörtern.\n\nWerkzeuge und empfohlene Einstellungen\n\nNative Funktionsaufrufe ermöglichen es einer Anwendung, das Gespräch mit einer beschriebenen Operation zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert ergänzen, oder ein Berechnungswerkzeug kann mit Werten arbeiten, die aus einem Bild ermittelt wurden. Das Textmodell führt die Funktion nicht selbst aus, nur weil es deren Namen und Argumente erzeugt.\n\nDer Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall einschließlich der Werkzeugnutzung definiert. Formulieren Sie Werkzeugbeschreibungen klar und beschränken Sie die Auswahl auf die mindestens erforderlichen relevanten Operationen. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter auszulegen sein als ein Prompt mit vielen nicht zusammenhängenden Funktionen ohne Auswahlregel.\n\nDie Modellkarte empfiehlt niedrige Temperaturen: unter 0.1 für alltägliche und produktionsnahe Nutzung sowie in einem gesonderten Sampling-Hinweis eine Ausgangstemperatur von 0.1 für die meisten Anwendungsfälle. Für kreative Inhalte können höhere Werte erprobt werden. Diese Empfehlungen haben jeweils unterschiedliche angegebene Geltungsbereiche; sie garantieren nicht, dass eine einzige Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.\n\nAusgabe und Kontextgrenzen\n\nMinistral 3 bietet für jede Modellgröße eigene Veröffentlichungen als Base, Instruct und Reasoning. Dieser Eintrag bezeichnet den Modellstand Instruct 2512 und weder einen automatisch aktivierten Reasoning-Modus noch das vortrainierte Basismodell. Der Hersteller nennt Spezialisierung und Feinabstimmung als mögliche Anwendungen; für die aktuelle Anweisungsaufgabe müssen Eingabe, Regeln und Ausgabe dennoch klar festgelegt sein.\n\nHalten Sie relevantes Quellenmaterial und das Gespräch innerhalb des konfigurierten Kontexts und verlangen Sie das kompakte Ergebnis, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das ganze Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein großer beispielhafter Generierungsrahmen sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Aktionen benötigen weitere Komponenten über dieses Modell für Textergebnisse hinaus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 ist ein kompaktes mehrsprachiges Text- und Bildmodell für Klassifikation, Extraktion, Bildbeschreibungen und kurze Inhalte. Seine Sprachkomponente mit 3,4 Milliarden Parametern und sein Vision-Encoder mit 0,4 Milliarden Parametern unterstützen Systemanweisungen, JSON, Funktionsaufrufe und ein vom Hersteller angegebenes Kontextfenster von 256k.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Modellstand verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Vision-Encoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; die Nutzungshinweise nennen eine standardmäßig konfigurierte Länge von 262.144. Diese Parameterzahlen gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter Datensätze im JSON-Format oder vorgeschlagene Funktionsaufrufe.
Der Hersteller beschreibt die Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt auch die Einhaltung von Systemprompts hervor. Geben Sie die gewünschte Ausgabesprache sowie die Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. So bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Geben Sie bei einer Klassifikationsaufgabe die zulässigen Bezeichnungen, die Regel zu ihrer Unterscheidung und die zu klassifizierende Nachricht an. Verlangen Sie eine ausgewählte Bezeichnung und eine kurze, auf der übermittelten Nachricht beruhende Erklärung. Sind die Bezeichnungen mehrdeutig, definieren Sie, welche Informationen sie voneinander unterscheiden würden, statt sich allein auf ihre Namen zu verlassen. Dadurch entsteht ein kompaktes Ergebnis, das sich in einem größeren Arbeitsablauf einheitlich verwenden lässt.
Listen Sie für die Extraktion die Felder und ihre Typen auf und legen Sie fest, wie fehlende Informationen darzustellen sind. Eine Anfrage kann etwa eine Artikelkennung, den ausdrücklich beschriebenen Zustand und die vom Nutzer gewünschte Handlung verlangen. Fordern Sie den Wortlaut der Quelle an, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; die Feldgestaltung bleibt Teil der Aufgabe und ist kein eingebautes universelles Schema.
Die Modellkarte nennt außerdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Legen Sie für eine Bildbeschreibung fest, welcher Aspekt des Bildes beschrieben werden soll und an wen sie sich richtet. Geben Sie für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge an. Eine Antwort im Support-Stil kann aus der ursprünglichen Frage und den bereitgestellten Hinweisen einen knappen nächsten Schritt samt der Bedingung formulieren, unter der er anwendbar ist.
Vorbereitung visueller und mehrsprachiger Aufgaben
Kombinieren Sie ein Bild mit einer klaren Textfrage. Bewahren Sie bei einem Dokumentfeld dessen Bezeichnung, Wert und den zur Auslegung erforderlichen Zusammenhang. Geben Sie bei einer Objektbeschreibung an, welches sichtbare Merkmal wichtig ist. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab. Schneiden Sie das Bild bei Bedarf zu, ohne die Belege zu entfernen, auf die sich die Frage stützt.
Geben Sie für eine Übersetzung den Ausgangstext, die Zielsprache und gegebenenfalls eine Terminologieliste an. Verlangen Sie den übersetzten Abschnitt getrennt von einer optionalen Erklärung. Eine mehrsprachige Klassifikationsaufgabe kann die Bezeichnungen der Anwendung unverändert lassen und die gewählte Bezeichnung in der Sprache der lesenden Person erklären. Das sind klar definierte Ausgaben und keine Aufforderung, eine Nachricht oder ein Bild unverbindlich zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen es einer Anwendung, das Gespräch mit einer beschriebenen Operation zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert ergänzen, oder ein Berechnungswerkzeug kann mit Werten arbeiten, die aus einem Bild ermittelt wurden. Das Textmodell führt die Funktion nicht selbst aus, nur weil es deren Namen und Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall einschließlich der Werkzeugnutzung definiert. Formulieren Sie Werkzeugbeschreibungen klar und beschränken Sie die Auswahl auf die mindestens erforderlichen relevanten Operationen. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter auszulegen sein als ein Prompt mit vielen nicht zusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte empfiehlt niedrige Temperaturen: unter 0.1 für alltägliche und produktionsnahe Nutzung sowie in einem gesonderten Sampling-Hinweis eine Ausgangstemperatur von 0.1 für die meisten Anwendungsfälle. Für kreative Inhalte können höhere Werte erprobt werden. Diese Empfehlungen haben jeweils unterschiedliche angegebene Geltungsbereiche; sie garantieren nicht, dass eine einzige Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Ausgabe und Kontextgrenzen
Ministral 3 bietet für jede Modellgröße eigene Veröffentlichungen als Base, Instruct und Reasoning. Dieser Eintrag bezeichnet den Modellstand Instruct 2512 und weder einen automatisch aktivierten Reasoning-Modus noch das vortrainierte Basismodell. Der Hersteller nennt Spezialisierung und Feinabstimmung als mögliche Anwendungen; für die aktuelle Anweisungsaufgabe müssen Eingabe, Regeln und Ausgabe dennoch klar festgelegt sein.
Halten Sie relevantes Quellenmaterial und das Gespräch innerhalb des konfigurierten Kontexts und verlangen Sie das kompakte Ergebnis, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das ganze Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein großer beispielhafter Generierungsrahmen sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Aktionen benötigen weitere Komponenten über dieses Modell für Textergebnisse hinaus.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-3b-2512 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/ministral-3b-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/ministral-3b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 ist ein kompaktes mehrsprachiges Text- und Bildmodell für Klassifikation, Extraktion, Bildbeschreibungen und kurze Inhalte. Seine Sprachkomponente mit 3,4 Milliarden Parametern und sein Vision-Encoder mit 0,4 Milliarden Parametern unterstützen Systemanweisungen, JSON, Funktionsaufrufe und ein vom Hersteller angegebenes Kontextfenster von 256k.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Modellstand verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Vision-Encoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; die Nutzungshinweise nennen eine standardmäßig konfigurierte Länge von 262.144. Diese Parameterzahlen gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter Datensätze im JSON-Format oder vorgeschlagene Funktionsaufrufe.
Der Hersteller beschreibt die Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt auch die Einhaltung von Systemprompts hervor. Geben Sie die gewünschte Ausgabesprache sowie die Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. So bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Geben Sie bei einer Klassifikationsaufgabe die zulässigen Bezeichnungen, die Regel zu ihrer Unterscheidung und die zu klassifizierende Nachricht an. Verlangen Sie eine ausgewählte Bezeichnung und eine kurze, auf der übermittelten Nachricht beruhende Erklärung. Sind die Bezeichnungen mehrdeutig, definieren Sie, welche Informationen sie voneinander unterscheiden würden, statt sich allein auf ihre Namen zu verlassen. Dadurch entsteht ein kompaktes Ergebnis, das sich in einem größeren Arbeitsablauf einheitlich verwenden lässt.
Listen Sie für die Extraktion die Felder und ihre Typen auf und legen Sie fest, wie fehlende Informationen darzustellen sind. Eine Anfrage kann etwa eine Artikelkennung, den ausdrücklich beschriebenen Zustand und die vom Nutzer gewünschte Handlung verlangen. Fordern Sie den Wortlaut der Quelle an, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; die Feldgestaltung bleibt Teil der Aufgabe und ist kein eingebautes universelles Schema.
Die Modellkarte nennt außerdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Legen Sie für eine Bildbeschreibung fest, welcher Aspekt des Bildes beschrieben werden soll und an wen sie sich richtet. Geben Sie für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge an. Eine Antwort im Support-Stil kann aus der ursprünglichen Frage und den bereitgestellten Hinweisen einen knappen nächsten Schritt samt der Bedingung formulieren, unter der er anwendbar ist.
Vorbereitung visueller und mehrsprachiger Aufgaben
Kombinieren Sie ein Bild mit einer klaren Textfrage. Bewahren Sie bei einem Dokumentfeld dessen Bezeichnung, Wert und den zur Auslegung erforderlichen Zusammenhang. Geben Sie bei einer Objektbeschreibung an, welches sichtbare Merkmal wichtig ist. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab. Schneiden Sie das Bild bei Bedarf zu, ohne die Belege zu entfernen, auf die sich die Frage stützt.
Geben Sie für eine Übersetzung den Ausgangstext, die Zielsprache und gegebenenfalls eine Terminologieliste an. Verlangen Sie den übersetzten Abschnitt getrennt von einer optionalen Erklärung. Eine mehrsprachige Klassifikationsaufgabe kann die Bezeichnungen der Anwendung unverändert lassen und die gewählte Bezeichnung in der Sprache der lesenden Person erklären. Das sind klar definierte Ausgaben und keine Aufforderung, eine Nachricht oder ein Bild unverbindlich zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen es einer Anwendung, das Gespräch mit einer beschriebenen Operation zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert ergänzen, oder ein Berechnungswerkzeug kann mit Werten arbeiten, die aus einem Bild ermittelt wurden. Das Textmodell führt die Funktion nicht selbst aus, nur weil es deren Namen und Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall einschließlich der Werkzeugnutzung definiert. Formulieren Sie Werkzeugbeschreibungen klar und beschränken Sie die Auswahl auf die mindestens erforderlichen relevanten Operationen. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter auszulegen sein als ein Prompt mit vielen nicht zusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte empfiehlt niedrige Temperaturen: unter 0.1 für alltägliche und produktionsnahe Nutzung sowie in einem gesonderten Sampling-Hinweis eine Ausgangstemperatur von 0.1 für die meisten Anwendungsfälle. Für kreative Inhalte können höhere Werte erprobt werden. Diese Empfehlungen haben jeweils unterschiedliche angegebene Geltungsbereiche; sie garantieren nicht, dass eine einzige Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Ausgabe und Kontextgrenzen
Ministral 3 bietet für jede Modellgröße eigene Veröffentlichungen als Base, Instruct und Reasoning. Dieser Eintrag bezeichnet den Modellstand Instruct 2512 und weder einen automatisch aktivierten Reasoning-Modus noch das vortrainierte Basismodell. Der Hersteller nennt Spezialisierung und Feinabstimmung als mögliche Anwendungen; für die aktuelle Anweisungsaufgabe müssen Eingabe, Regeln und Ausgabe dennoch klar festgelegt sein.
Halten Sie relevantes Quellenmaterial und das Gespräch innerhalb des konfigurierten Kontexts und verlangen Sie das kompakte Ergebnis, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das ganze Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein großer beispielhafter Generierungsrahmen sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Aktionen benötigen weitere Komponenten über dieses Modell für Textergebnisse hinaus.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-3b-2512 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/ministral-3b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.