Mistral Saba ist das spezialisierte regionale Textmodell von Mistral AI, das durch Feinabstimmung eines Modells der Small-Familie mit kuratiertem Material aus dem Nahen Osten und Südasien entstand. Der Hersteller beschreibt ein Modell mit 24 Milliarden Parametern, das regionale Sprache, kulturellen Kontext und örtliche Ausdrucksformen widerspiegeln soll. Es erhält eine schriftliche Aufgabe und Quellenmaterial und gibt Text zurück.
Regionale Sprache und Kontext
Die Veröffentlichung nennt ausdrücklich Arabisch und viele Sprachen indischen Ursprungs, mit besonderer Stärke bei Sprachen südindischen Ursprungs wie Tamil. Ihr Schwerpunkt ist spezifischer als die bloße Änderung der Zielsprache einer Allzweckantwort: Das Trainingsmaterial wird für den regionalen sprachlichen und kulturellen Kontext ausgewählt, in dem die Antwort verwendet wird.
Geben Sie Zielgruppe, Region, Sprache und gewünschtes Register an, bevor Sie ein Ergebnis verlangen. Eine formelle Erklärung, eine kundenorientierte Nachricht und ein Lerntext können unterschiedliche Begriffe und Anredeformen erfordern. Stellen Sie ein Glossar für Produktnamen oder Fachbegriffe bereit, die einheitlich bleiben müssen, und legen Sie fest, ob das Ergebnis den Quellwortlaut bewahren oder seine Erklärung an die lesende Person anpassen soll.
Die Herstellerseite nennt ein Kontextfenster von 32k und bezeichnet die Ausgabe als mistral-saba-2502. Nutzen Sie den Kontext für relevante Quellpassagen, Gespräch und Anweisungen gemeinsam. Auch eine regional angepasste Antwort benötigt die tatsächlichen Produktbedingungen, Verfahren oder Dokumentinhalte als Belege; kulturelle Vertrautheit liefert keine privaten Unternehmensinformationen.
Gesprächsunterstützung
Der Hersteller hebt arabische Gesprächsassistenten als zentralen Anwendungsfall hervor. Eine praktische Supportanfrage kann die Nachricht des Nutzers und das freigegebene Referenzmaterial bereitstellen und dann eine Antwort in einem benannten Register verlangen. Verlangen Sie die nächste Handlung, die Bedingung, unter der sie anwendbar ist, und jedes Detail, das der Nutzer noch liefern muss. So bleibt die Antwort am konkreten Problem verankert, statt eine allgemeine regionale Begrüßung zu erzeugen.
Benennen Sie für eine zweisprachige Erklärung die Sprache der Quelle und die Sprache der endgültigen Nachricht. Bewahren Sie im Material enthaltene Namen, Beträge oder Einheiten und beschreiben Sie die Zielgruppe, die die Antwort verstehen soll. Eine Folgefrage kann eine kürzere Version oder die Klärung eines Begriffs verlangen und dabei dieselben Bedingungen beibehalten.
Domänenspezifische Anpassung
Die Ankündigung beschreibt die Feinabstimmung von Saba für bestimmte Domänen, darunter Energie und andere regionale berufliche Kontexte. Das ist ein Anpassungsprozess und keine Behauptung, dass jeder spezialisierte Datensatz bereits Teil des Standardmodells ist. Stellen Sie für eine fachbezogene Textaufgabe die Terminologie, Quelldokumente und Antwortregeln bereit, die für die tatsächliche Anwendung relevant sind.
Eine technische Erklärung kann das Modell auffordern, ein Verfahren mit der regionalen Terminologie der lesenden Person neu zu formulieren und dabei die ursprünglichen Schritte und Bedingungen zu bewahren. Eine Dokumentfrage kann die zu erklärende Klausel benennen und eine knappe Antwort mit der stützenden Passage verlangen. Unterscheiden Sie bei der Vorbereitung der Ausgabe zwischen Quellfakt, Erklärung und ungeklärtem Begriff.
Erzeugung kulturell passender Inhalte
Der Hersteller beschreibt auch kulturell relevante Texte und Bildungsressourcen. Geben Sie Thema, Zielgruppe, Sprache und die einzufügenden Fakten oder Beispiele an. Legen Sie für einen Lerntext fest, was die lernende Person am Ende verstehen soll, und verlangen Sie eine Erklärung mit anschließendem praktischem Beispiel. Stellen Sie für eine organisatorische Nachricht den Zweck und die Informationen bereit, auf deren Grundlage die lesende Person handeln muss.
Wenn lokale Redewendungen oder kulturelle Bezüge Teil der Aufgabe sind, nennen Sie den Kontext ihrer Verwendung. Verlangen Sie eine alternative Formulierung, wenn eine formelle oder neutralere Version einer anderen Zielgruppe dienen würde. Das sind praktische Wege, die regionale Spezialisierung des Modells anzuwenden und dabei Inhalt und Verwendungszweck ausdrücklich festzuhalten.
Ausgabe und Ergebnisgrenzen
Die dokumentierte Spezialisierung von Saba ist textbasierte regionale Spracharbeit mit einem Kontext von 32k. Es sollte weder Bildeingabe noch hybride Reasoning-Steuerungen oder Werkzeugformatfunktionen späterer Small- oder Medium-Modelle übernehmen, nur weil es eine Feinabstimmung der Small-Familie ist. Die gelesenen Quellen nennen für diese Ausgabe keine gesonderte maximale Kapazität für Ausgabetokens.
Bereiten Sie die vollständige schriftliche Aufgabe, die relevanten Quellfakten und das gewünschte Artefakt vor: eine Supportantwort, Erklärung, angepasste Passage oder einen kurzen Lerntext. Halten Sie die benannte Saba-Ausgabe sowie Sprache und Register der Zielgruppe ausdrücklich fest, damit der entstehende Text den tatsächlichen regionalen Kommunikationsbedarf beantwortet.
", "aboutText": "Mistral Saba ist das spezialisierte regionale Textmodell von Mistral AI, das durch Feinabstimmung eines Modells der Small-Familie mit kuratiertem Material aus dem Nahen Osten und Südasien entstand. Der Hersteller beschreibt ein Modell mit 24 Milliarden Parametern, das regionale Sprache, kulturellen Kontext und örtliche Ausdrucksformen widerspiegeln soll. Es erhält eine schriftliche Aufgabe und Quellenmaterial und gibt Text zurück.\n\nRegionale Sprache und Kontext\n\nDie Veröffentlichung nennt ausdrücklich Arabisch und viele Sprachen indischen Ursprungs, mit besonderer Stärke bei Sprachen südindischen Ursprungs wie Tamil. Ihr Schwerpunkt ist spezifischer als die bloße Änderung der Zielsprache einer Allzweckantwort: Das Trainingsmaterial wird für den regionalen sprachlichen und kulturellen Kontext ausgewählt, in dem die Antwort verwendet wird.\n\nGeben Sie Zielgruppe, Region, Sprache und gewünschtes Register an, bevor Sie ein Ergebnis verlangen. Eine formelle Erklärung, eine kundenorientierte Nachricht und ein Lerntext können unterschiedliche Begriffe und Anredeformen erfordern. Stellen Sie ein Glossar für Produktnamen oder Fachbegriffe bereit, die einheitlich bleiben müssen, und legen Sie fest, ob das Ergebnis den Quellwortlaut bewahren oder seine Erklärung an die lesende Person anpassen soll.\n\nDie Herstellerseite nennt ein Kontextfenster von 32k und bezeichnet die Ausgabe als mistral-saba-2502. Nutzen Sie den Kontext für relevante Quellpassagen, Gespräch und Anweisungen gemeinsam. Auch eine regional angepasste Antwort benötigt die tatsächlichen Produktbedingungen, Verfahren oder Dokumentinhalte als Belege; kulturelle Vertrautheit liefert keine privaten Unternehmensinformationen.\n\nGesprächsunterstützung\n\nDer Hersteller hebt arabische Gesprächsassistenten als zentralen Anwendungsfall hervor. Eine praktische Supportanfrage kann die Nachricht des Nutzers und das freigegebene Referenzmaterial bereitstellen und dann eine Antwort in einem benannten Register verlangen. Verlangen Sie die nächste Handlung, die Bedingung, unter der sie anwendbar ist, und jedes Detail, das der Nutzer noch liefern muss. So bleibt die Antwort am konkreten Problem verankert, statt eine allgemeine regionale Begrüßung zu erzeugen.\n\nBenennen Sie für eine zweisprachige Erklärung die Sprache der Quelle und die Sprache der endgültigen Nachricht. Bewahren Sie im Material enthaltene Namen, Beträge oder Einheiten und beschreiben Sie die Zielgruppe, die die Antwort verstehen soll. Eine Folgefrage kann eine kürzere Version oder die Klärung eines Begriffs verlangen und dabei dieselben Bedingungen beibehalten.\n\nDomänenspezifische Anpassung\n\nDie Ankündigung beschreibt die Feinabstimmung von Saba für bestimmte Domänen, darunter Energie und andere regionale berufliche Kontexte. Das ist ein Anpassungsprozess und keine Behauptung, dass jeder spezialisierte Datensatz bereits Teil des Standardmodells ist. Stellen Sie für eine fachbezogene Textaufgabe die Terminologie, Quelldokumente und Antwortregeln bereit, die für die tatsächliche Anwendung relevant sind.\n\nEine technische Erklärung kann das Modell auffordern, ein Verfahren mit der regionalen Terminologie der lesenden Person neu zu formulieren und dabei die ursprünglichen Schritte und Bedingungen zu bewahren. Eine Dokumentfrage kann die zu erklärende Klausel benennen und eine knappe Antwort mit der stützenden Passage verlangen. Unterscheiden Sie bei der Vorbereitung der Ausgabe zwischen Quellfakt, Erklärung und ungeklärtem Begriff.\n\nErzeugung kulturell passender Inhalte\n\nDer Hersteller beschreibt auch kulturell relevante Texte und Bildungsressourcen. Geben Sie Thema, Zielgruppe, Sprache und die einzufügenden Fakten oder Beispiele an. Legen Sie für einen Lerntext fest, was die lernende Person am Ende verstehen soll, und verlangen Sie eine Erklärung mit anschließendem praktischem Beispiel. Stellen Sie für eine organisatorische Nachricht den Zweck und die Informationen bereit, auf deren Grundlage die lesende Person handeln muss.\n\nWenn lokale Redewendungen oder kulturelle Bezüge Teil der Aufgabe sind, nennen Sie den Kontext ihrer Verwendung. Verlangen Sie eine alternative Formulierung, wenn eine formelle oder neutralere Version einer anderen Zielgruppe dienen würde. Das sind praktische Wege, die regionale Spezialisierung des Modells anzuwenden und dabei Inhalt und Verwendungszweck ausdrücklich festzuhalten.\n\nAusgabe und Ergebnisgrenzen\n\nDie dokumentierte Spezialisierung von Saba ist textbasierte regionale Spracharbeit mit einem Kontext von 32k. Es sollte weder Bildeingabe noch hybride Reasoning-Steuerungen oder Werkzeugformatfunktionen späterer Small- oder Medium-Modelle übernehmen, nur weil es eine Feinabstimmung der Small-Familie ist. Die gelesenen Quellen nennen für diese Ausgabe keine gesonderte maximale Kapazität für Ausgabetokens.\n\nBereiten Sie die vollständige schriftliche Aufgabe, die relevanten Quellfakten und das gewünschte Artefakt vor: eine Supportantwort, Erklärung, angepasste Passage oder einen kurzen Lerntext. Halten Sie die benannte Saba-Ausgabe sowie Sprache und Register der Zielgruppe ausdrücklich fest, damit der entstehende Text den tatsächlichen regionalen Kommunikationsbedarf beantwortet.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.mistralai/mistral-sabaMistral Saba ist ein Textmodell mit 24 Milliarden Parametern, das mit kuratiertem Material aus dem Nahen Osten und Südasien trainiert wurde. Es konzentriert sich auf regionale Sprache und kulturellen Kontext, darunter Arabisch und Sprachen indischen Ursprungs wie Tamil, mit einem vom Hersteller angegebenen Kontext von 32k für schriftliche Aufgaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Saba ist das spezialisierte regionale Textmodell von Mistral AI, das durch Feinabstimmung eines Modells der Small-Familie mit kuratiertem Material aus dem Nahen Osten und Südasien entstand. Der Hersteller beschreibt ein Modell mit 24 Milliarden Parametern, das regionale Sprache, kulturellen Kontext und örtliche Ausdrucksformen widerspiegeln soll. Es erhält eine schriftliche Aufgabe und Quellenmaterial und gibt Text zurück.
Regionale Sprache und Kontext
Die Veröffentlichung nennt ausdrücklich Arabisch und viele Sprachen indischen Ursprungs, mit besonderer Stärke bei Sprachen südindischen Ursprungs wie Tamil. Ihr Schwerpunkt ist spezifischer als die bloße Änderung der Zielsprache einer Allzweckantwort: Das Trainingsmaterial wird für den regionalen sprachlichen und kulturellen Kontext ausgewählt, in dem die Antwort verwendet wird.
Geben Sie Zielgruppe, Region, Sprache und gewünschtes Register an, bevor Sie ein Ergebnis verlangen. Eine formelle Erklärung, eine kundenorientierte Nachricht und ein Lerntext können unterschiedliche Begriffe und Anredeformen erfordern. Stellen Sie ein Glossar für Produktnamen oder Fachbegriffe bereit, die einheitlich bleiben müssen, und legen Sie fest, ob das Ergebnis den Quellwortlaut bewahren oder seine Erklärung an die lesende Person anpassen soll.
Die Herstellerseite nennt ein Kontextfenster von 32k und bezeichnet die Ausgabe als mistral-saba-2502. Nutzen Sie den Kontext für relevante Quellpassagen, Gespräch und Anweisungen gemeinsam. Auch eine regional angepasste Antwort benötigt die tatsächlichen Produktbedingungen, Verfahren oder Dokumentinhalte als Belege; kulturelle Vertrautheit liefert keine privaten Unternehmensinformationen.
Gesprächsunterstützung
Der Hersteller hebt arabische Gesprächsassistenten als zentralen Anwendungsfall hervor. Eine praktische Supportanfrage kann die Nachricht des Nutzers und das freigegebene Referenzmaterial bereitstellen und dann eine Antwort in einem benannten Register verlangen. Verlangen Sie die nächste Handlung, die Bedingung, unter der sie anwendbar ist, und jedes Detail, das der Nutzer noch liefern muss. So bleibt die Antwort am konkreten Problem verankert, statt eine allgemeine regionale Begrüßung zu erzeugen.
Benennen Sie für eine zweisprachige Erklärung die Sprache der Quelle und die Sprache der endgültigen Nachricht. Bewahren Sie im Material enthaltene Namen, Beträge oder Einheiten und beschreiben Sie die Zielgruppe, die die Antwort verstehen soll. Eine Folgefrage kann eine kürzere Version oder die Klärung eines Begriffs verlangen und dabei dieselben Bedingungen beibehalten.
Domänenspezifische Anpassung
Die Ankündigung beschreibt die Feinabstimmung von Saba für bestimmte Domänen, darunter Energie und andere regionale berufliche Kontexte. Das ist ein Anpassungsprozess und keine Behauptung, dass jeder spezialisierte Datensatz bereits Teil des Standardmodells ist. Stellen Sie für eine fachbezogene Textaufgabe die Terminologie, Quelldokumente und Antwortregeln bereit, die für die tatsächliche Anwendung relevant sind.
Eine technische Erklärung kann das Modell auffordern, ein Verfahren mit der regionalen Terminologie der lesenden Person neu zu formulieren und dabei die ursprünglichen Schritte und Bedingungen zu bewahren. Eine Dokumentfrage kann die zu erklärende Klausel benennen und eine knappe Antwort mit der stützenden Passage verlangen. Unterscheiden Sie bei der Vorbereitung der Ausgabe zwischen Quellfakt, Erklärung und ungeklärtem Begriff.
Erzeugung kulturell passender Inhalte
Der Hersteller beschreibt auch kulturell relevante Texte und Bildungsressourcen. Geben Sie Thema, Zielgruppe, Sprache und die einzufügenden Fakten oder Beispiele an. Legen Sie für einen Lerntext fest, was die lernende Person am Ende verstehen soll, und verlangen Sie eine Erklärung mit anschließendem praktischem Beispiel. Stellen Sie für eine organisatorische Nachricht den Zweck und die Informationen bereit, auf deren Grundlage die lesende Person handeln muss.
Wenn lokale Redewendungen oder kulturelle Bezüge Teil der Aufgabe sind, nennen Sie den Kontext ihrer Verwendung. Verlangen Sie eine alternative Formulierung, wenn eine formelle oder neutralere Version einer anderen Zielgruppe dienen würde. Das sind praktische Wege, die regionale Spezialisierung des Modells anzuwenden und dabei Inhalt und Verwendungszweck ausdrücklich festzuhalten.
Ausgabe und Ergebnisgrenzen
Die dokumentierte Spezialisierung von Saba ist textbasierte regionale Spracharbeit mit einem Kontext von 32k. Es sollte weder Bildeingabe noch hybride Reasoning-Steuerungen oder Werkzeugformatfunktionen späterer Small- oder Medium-Modelle übernehmen, nur weil es eine Feinabstimmung der Small-Familie ist. Die gelesenen Quellen nennen für diese Ausgabe keine gesonderte maximale Kapazität für Ausgabetokens.
Bereiten Sie die vollständige schriftliche Aufgabe, die relevanten Quellfakten und das gewünschte Artefakt vor: eine Supportantwort, Erklärung, angepasste Passage oder einen kurzen Lerntext. Halten Sie die benannte Saba-Ausgabe sowie Sprache und Register der Zielgruppe ausdrücklich fest, damit der entstehende Text den tatsächlichen regionalen Kommunikationsbedarf beantwortet.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-saba | 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-saba", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-saba',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-saba',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/mistral-saba
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-sabaMistral Saba ist ein Textmodell mit 24 Milliarden Parametern, das mit kuratiertem Material aus dem Nahen Osten und Südasien trainiert wurde. Es konzentriert sich auf regionale Sprache und kulturellen Kontext, darunter Arabisch und Sprachen indischen Ursprungs wie Tamil, mit einem vom Hersteller angegebenen Kontext von 32k für schriftliche Aufgaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Saba ist das spezialisierte regionale Textmodell von Mistral AI, das durch Feinabstimmung eines Modells der Small-Familie mit kuratiertem Material aus dem Nahen Osten und Südasien entstand. Der Hersteller beschreibt ein Modell mit 24 Milliarden Parametern, das regionale Sprache, kulturellen Kontext und örtliche Ausdrucksformen widerspiegeln soll. Es erhält eine schriftliche Aufgabe und Quellenmaterial und gibt Text zurück.
Regionale Sprache und Kontext
Die Veröffentlichung nennt ausdrücklich Arabisch und viele Sprachen indischen Ursprungs, mit besonderer Stärke bei Sprachen südindischen Ursprungs wie Tamil. Ihr Schwerpunkt ist spezifischer als die bloße Änderung der Zielsprache einer Allzweckantwort: Das Trainingsmaterial wird für den regionalen sprachlichen und kulturellen Kontext ausgewählt, in dem die Antwort verwendet wird.
Geben Sie Zielgruppe, Region, Sprache und gewünschtes Register an, bevor Sie ein Ergebnis verlangen. Eine formelle Erklärung, eine kundenorientierte Nachricht und ein Lerntext können unterschiedliche Begriffe und Anredeformen erfordern. Stellen Sie ein Glossar für Produktnamen oder Fachbegriffe bereit, die einheitlich bleiben müssen, und legen Sie fest, ob das Ergebnis den Quellwortlaut bewahren oder seine Erklärung an die lesende Person anpassen soll.
Die Herstellerseite nennt ein Kontextfenster von 32k und bezeichnet die Ausgabe als mistral-saba-2502. Nutzen Sie den Kontext für relevante Quellpassagen, Gespräch und Anweisungen gemeinsam. Auch eine regional angepasste Antwort benötigt die tatsächlichen Produktbedingungen, Verfahren oder Dokumentinhalte als Belege; kulturelle Vertrautheit liefert keine privaten Unternehmensinformationen.
Gesprächsunterstützung
Der Hersteller hebt arabische Gesprächsassistenten als zentralen Anwendungsfall hervor. Eine praktische Supportanfrage kann die Nachricht des Nutzers und das freigegebene Referenzmaterial bereitstellen und dann eine Antwort in einem benannten Register verlangen. Verlangen Sie die nächste Handlung, die Bedingung, unter der sie anwendbar ist, und jedes Detail, das der Nutzer noch liefern muss. So bleibt die Antwort am konkreten Problem verankert, statt eine allgemeine regionale Begrüßung zu erzeugen.
Benennen Sie für eine zweisprachige Erklärung die Sprache der Quelle und die Sprache der endgültigen Nachricht. Bewahren Sie im Material enthaltene Namen, Beträge oder Einheiten und beschreiben Sie die Zielgruppe, die die Antwort verstehen soll. Eine Folgefrage kann eine kürzere Version oder die Klärung eines Begriffs verlangen und dabei dieselben Bedingungen beibehalten.
Domänenspezifische Anpassung
Die Ankündigung beschreibt die Feinabstimmung von Saba für bestimmte Domänen, darunter Energie und andere regionale berufliche Kontexte. Das ist ein Anpassungsprozess und keine Behauptung, dass jeder spezialisierte Datensatz bereits Teil des Standardmodells ist. Stellen Sie für eine fachbezogene Textaufgabe die Terminologie, Quelldokumente und Antwortregeln bereit, die für die tatsächliche Anwendung relevant sind.
Eine technische Erklärung kann das Modell auffordern, ein Verfahren mit der regionalen Terminologie der lesenden Person neu zu formulieren und dabei die ursprünglichen Schritte und Bedingungen zu bewahren. Eine Dokumentfrage kann die zu erklärende Klausel benennen und eine knappe Antwort mit der stützenden Passage verlangen. Unterscheiden Sie bei der Vorbereitung der Ausgabe zwischen Quellfakt, Erklärung und ungeklärtem Begriff.
Erzeugung kulturell passender Inhalte
Der Hersteller beschreibt auch kulturell relevante Texte und Bildungsressourcen. Geben Sie Thema, Zielgruppe, Sprache und die einzufügenden Fakten oder Beispiele an. Legen Sie für einen Lerntext fest, was die lernende Person am Ende verstehen soll, und verlangen Sie eine Erklärung mit anschließendem praktischem Beispiel. Stellen Sie für eine organisatorische Nachricht den Zweck und die Informationen bereit, auf deren Grundlage die lesende Person handeln muss.
Wenn lokale Redewendungen oder kulturelle Bezüge Teil der Aufgabe sind, nennen Sie den Kontext ihrer Verwendung. Verlangen Sie eine alternative Formulierung, wenn eine formelle oder neutralere Version einer anderen Zielgruppe dienen würde. Das sind praktische Wege, die regionale Spezialisierung des Modells anzuwenden und dabei Inhalt und Verwendungszweck ausdrücklich festzuhalten.
Ausgabe und Ergebnisgrenzen
Die dokumentierte Spezialisierung von Saba ist textbasierte regionale Spracharbeit mit einem Kontext von 32k. Es sollte weder Bildeingabe noch hybride Reasoning-Steuerungen oder Werkzeugformatfunktionen späterer Small- oder Medium-Modelle übernehmen, nur weil es eine Feinabstimmung der Small-Familie ist. Die gelesenen Quellen nennen für diese Ausgabe keine gesonderte maximale Kapazität für Ausgabetokens.
Bereiten Sie die vollständige schriftliche Aufgabe, die relevanten Quellfakten und das gewünschte Artefakt vor: eine Supportantwort, Erklärung, angepasste Passage oder einen kurzen Lerntext. Halten Sie die benannte Saba-Ausgabe sowie Sprache und Register der Zielgruppe ausdrücklich fest, damit der entstehende Text den tatsächlichen regionalen Kommunikationsbedarf beantwortet.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-saba | 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-saba",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-saba', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-saba', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/mistral-saba
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.