Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Sie ist aus dem gesondert benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert sie für reaktionsschnelle Gesprächsunterstützung, Funktionsaufrufe und fachspezifische Anpassung, wobei sowohl die Eingabe als auch das erzeugte Ergebnis Text sind.
Kernfunktionen und Unterscheidung beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Gesprächs- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und die Einhaltung von Systemprompts. Das Kontextfenster umfasst 32k, und sie verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, während die Vokabularangabe die Tokenisierung beschreibt; es sind unterschiedliche Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist auch in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definieren Sie die Zielsprache und unverändert zu belassende Terminologie. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten bewahren und dabei den umgebenden Fließtext an die lesende Person anpassen.
Die Veröffentlichungsankündigung stellt fest, dass Small 3 weder mit bestärkendem Lernen noch mit synthetischen Daten trainiert wurde, und unterscheidet zwischen vortrainierten und auf Anweisungen abgestimmten Modellständen. Sie beschreibt das Modell als weiter anpassbare Grundlage statt als hybriden Modellstand mit den späteren Reasoning-Steuerungen von Small 4. Dieser Eintrag bezeichnet die Ausgabe Instruct 2501 zur Bearbeitung einer Gesprächsaufgabe.
Gesprächs- und strukturierte Aufgaben
Stellen Sie für einen Assistenten im Support-Stil die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Verlangen Sie die Handlung, die die Frage beantwortet, sowie die Bedingung, unter der sie anwendbar ist. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt sie in einer unstrukturierten Erklärung zu vermischen.
Geben Sie für Klassifikation die zulässigen Bezeichnungen und ihre Unterschiede an. Benennen Sie für Extraktion die Felder, erwarteten Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht übernommene Kennung und eine kurze Zusammenfassung der gewünschten Handlung enthalten. JSON ordnet das Ergebnis, während Feldgestaltung und Interpretationsregeln Teil der bereitgestellten Aufgabe bleiben.
Fügen Sie für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe bei. Fragen Sie, welcher Pfad durch den Code das Ergebnis bestimmt. Definieren Sie für eine mathematische Erklärung Variablen und Annahmen und benennen Sie den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können eine Methode, eine Erklärung und das abschließende Artefakt liefern, ohne anzunehmen, dass das Modell selbst den Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten zugeschnittenen Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Definieren Sie mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das eigentliche Problem oder Quellenmaterial trägt. Halten Sie zitierte Anweisungen in einem Dokument von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Geben Sie für einen Alltagsassistenten an, ob das Ergebnis eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung sein soll. Wird eine Antwort geparst, verlangen Sie den Datensatz getrennt von optionalem Fließtext. Bewahren Sie in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Operation aus und liefert das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; danach kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt ein Gespräch mit vorheriger Werkzeugnutzung, gefolgt von einer neuen Frage. Damit kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreiben Sie den Zweck jeder Funktion und ihre erforderlichen Werte klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis ins Gespräch zurückführen; eine Textverarbeitungsfunktion kann eine umgeformte Passage für die nächste Antwort liefern. Halten Sie die Werkzeugmenge am aktuellen Prozess ausgerichtet und bewahren Sie die Verbindung zwischen vorgeschlagener Operation und ihrem Ergebnis.
Der Hersteller beschreibt außerdem Feinabstimmung zur fachspezifischen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; das Bereitstellen eines Dokuments in einem Gespräch ist dagegen eine quellenbezogene Konditionierung für diese Aufgabe. Liefern Sie das Fachmaterial und die Antwortanforderungen, die der konkrete Assistent benötigt, statt anzunehmen, eine Anpassung sei bereits durchgeführt worden.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Die mit Small 3.1 eingeführte Vision-Fähigkeit und der Kontext von 128k gehören zur späteren Veröffentlichung, und auch die hybriden Modi von Small 4 sollten nicht hierher übertragen werden. Bei einem Bild, einer Audioaufnahme oder einem Video muss der relevante Inhalt durch eine andere Komponente aufbereitet werden, bevor diese Textaufgabe bearbeitet werden kann.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine gesonderten maximalen Ausgabekapazitäten. Halten Sie die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche abschließende Artefakt ist die Antwort, der JSON-Datensatz oder der vorgeschlagene Code, dessen Bedeutung und Format zur ursprünglichen schriftlichen Aufgabe passen.
", "aboutText": "Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Sie ist aus dem gesondert benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert sie für reaktionsschnelle Gesprächsunterstützung, Funktionsaufrufe und fachspezifische Anpassung, wobei sowohl die Eingabe als auch das erzeugte Ergebnis Text sind.\n\nKernfunktionen und Unterscheidung beim Training\n\nDie Modellkarte dokumentiert mehrsprachige Unterstützung, Gesprächs- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und die Einhaltung von Systemprompts. Das Kontextfenster umfasst 32k, und sie verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, während die Vokabularangabe die Tokenisierung beschreibt; es sind unterschiedliche Spezifikationen.\n\nDer Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist auch in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definieren Sie die Zielsprache und unverändert zu belassende Terminologie. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten bewahren und dabei den umgebenden Fließtext an die lesende Person anpassen.\n\nDie Veröffentlichungsankündigung stellt fest, dass Small 3 weder mit bestärkendem Lernen noch mit synthetischen Daten trainiert wurde, und unterscheidet zwischen vortrainierten und auf Anweisungen abgestimmten Modellständen. Sie beschreibt das Modell als weiter anpassbare Grundlage statt als hybriden Modellstand mit den späteren Reasoning-Steuerungen von Small 4. Dieser Eintrag bezeichnet die Ausgabe Instruct 2501 zur Bearbeitung einer Gesprächsaufgabe.\n\nGesprächs- und strukturierte Aufgaben\n\nStellen Sie für einen Assistenten im Support-Stil die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Verlangen Sie die Handlung, die die Frage beantwortet, sowie die Bedingung, unter der sie anwendbar ist. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt sie in einer unstrukturierten Erklärung zu vermischen.\n\nGeben Sie für Klassifikation die zulässigen Bezeichnungen und ihre Unterschiede an. Benennen Sie für Extraktion die Felder, erwarteten Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht übernommene Kennung und eine kurze Zusammenfassung der gewünschten Handlung enthalten. JSON ordnet das Ergebnis, während Feldgestaltung und Interpretationsregeln Teil der bereitgestellten Aufgabe bleiben.\n\nFügen Sie für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe bei. Fragen Sie, welcher Pfad durch den Code das Ergebnis bestimmt. Definieren Sie für eine mathematische Erklärung Variablen und Annahmen und benennen Sie den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können eine Methode, eine Erklärung und das abschließende Artefakt liefern, ohne anzunehmen, dass das Modell selbst den Code oder eine externe Berechnung ausführt.\n\nSystemanweisungen und empfohlene Einstellungen\n\nDie Modellkarte empfiehlt einen auf den vorgesehenen Assistenten zugeschnittenen Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Definieren Sie mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das eigentliche Problem oder Quellenmaterial trägt. Halten Sie zitierte Anweisungen in einem Dokument von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.\n\nGeben Sie für einen Alltagsassistenten an, ob das Ergebnis eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung sein soll. Wird eine Antwort geparst, verlangen Sie den Datensatz getrennt von optionalem Fließtext. Bewahren Sie in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.\n\nFunktionsaufrufe und Spezialisierung\n\nDas Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Operation aus und liefert das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; danach kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt ein Gespräch mit vorheriger Werkzeugnutzung, gefolgt von einer neuen Frage. Damit kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.\n\nBeschreiben Sie den Zweck jeder Funktion und ihre erforderlichen Werte klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis ins Gespräch zurückführen; eine Textverarbeitungsfunktion kann eine umgeformte Passage für die nächste Antwort liefern. Halten Sie die Werkzeugmenge am aktuellen Prozess ausgerichtet und bewahren Sie die Verbindung zwischen vorgeschlagener Operation und ihrem Ergebnis.\n\nDer Hersteller beschreibt außerdem Feinabstimmung zur fachspezifischen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; das Bereitstellen eines Dokuments in einem Gespräch ist dagegen eine quellenbezogene Konditionierung für diese Aufgabe. Liefern Sie das Fachmaterial und die Antwortanforderungen, die der konkrete Assistent benötigt, statt anzunehmen, eine Anpassung sei bereits durchgeführt worden.\n\nKontext und inhaltliche Grenzen\n\nSmall 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Die mit Small 3.1 eingeführte Vision-Fähigkeit und der Kontext von 128k gehören zur späteren Veröffentlichung, und auch die hybriden Modi von Small 4 sollten nicht hierher übertragen werden. Bei einem Bild, einer Audioaufnahme oder einem Video muss der relevante Inhalt durch eine andere Komponente aufbereitet werden, bevor diese Textaufgabe bearbeitet werden kann.\n\nDie Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine gesonderten maximalen Ausgabekapazitäten. Halten Sie die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche abschließende Artefakt ist die Antwort, der JSON-Datensatz oder der vorgeschlagene Code, dessen Bedeutung und Format zur ursprünglichen schriftlichen Aufgabe passen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 ist ein Textmodell mit 24 Milliarden Parametern für Gesprächsanweisungen, strukturierte Extraktion und werkzeuggestützte Anwendungen. Es bietet einen vom Hersteller angegebenen Kontext von 32k, mehrsprachige Antworten, Unterstützung für Systemprompts, JSON und native Funktionsaufrufe in einer eigenen reinen Textveröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Sie ist aus dem gesondert benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert sie für reaktionsschnelle Gesprächsunterstützung, Funktionsaufrufe und fachspezifische Anpassung, wobei sowohl die Eingabe als auch das erzeugte Ergebnis Text sind.
Kernfunktionen und Unterscheidung beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Gesprächs- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und die Einhaltung von Systemprompts. Das Kontextfenster umfasst 32k, und sie verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, während die Vokabularangabe die Tokenisierung beschreibt; es sind unterschiedliche Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist auch in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definieren Sie die Zielsprache und unverändert zu belassende Terminologie. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten bewahren und dabei den umgebenden Fließtext an die lesende Person anpassen.
Die Veröffentlichungsankündigung stellt fest, dass Small 3 weder mit bestärkendem Lernen noch mit synthetischen Daten trainiert wurde, und unterscheidet zwischen vortrainierten und auf Anweisungen abgestimmten Modellständen. Sie beschreibt das Modell als weiter anpassbare Grundlage statt als hybriden Modellstand mit den späteren Reasoning-Steuerungen von Small 4. Dieser Eintrag bezeichnet die Ausgabe Instruct 2501 zur Bearbeitung einer Gesprächsaufgabe.
Gesprächs- und strukturierte Aufgaben
Stellen Sie für einen Assistenten im Support-Stil die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Verlangen Sie die Handlung, die die Frage beantwortet, sowie die Bedingung, unter der sie anwendbar ist. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt sie in einer unstrukturierten Erklärung zu vermischen.
Geben Sie für Klassifikation die zulässigen Bezeichnungen und ihre Unterschiede an. Benennen Sie für Extraktion die Felder, erwarteten Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht übernommene Kennung und eine kurze Zusammenfassung der gewünschten Handlung enthalten. JSON ordnet das Ergebnis, während Feldgestaltung und Interpretationsregeln Teil der bereitgestellten Aufgabe bleiben.
Fügen Sie für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe bei. Fragen Sie, welcher Pfad durch den Code das Ergebnis bestimmt. Definieren Sie für eine mathematische Erklärung Variablen und Annahmen und benennen Sie den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können eine Methode, eine Erklärung und das abschließende Artefakt liefern, ohne anzunehmen, dass das Modell selbst den Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten zugeschnittenen Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Definieren Sie mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das eigentliche Problem oder Quellenmaterial trägt. Halten Sie zitierte Anweisungen in einem Dokument von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Geben Sie für einen Alltagsassistenten an, ob das Ergebnis eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung sein soll. Wird eine Antwort geparst, verlangen Sie den Datensatz getrennt von optionalem Fließtext. Bewahren Sie in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Operation aus und liefert das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; danach kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt ein Gespräch mit vorheriger Werkzeugnutzung, gefolgt von einer neuen Frage. Damit kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreiben Sie den Zweck jeder Funktion und ihre erforderlichen Werte klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis ins Gespräch zurückführen; eine Textverarbeitungsfunktion kann eine umgeformte Passage für die nächste Antwort liefern. Halten Sie die Werkzeugmenge am aktuellen Prozess ausgerichtet und bewahren Sie die Verbindung zwischen vorgeschlagener Operation und ihrem Ergebnis.
Der Hersteller beschreibt außerdem Feinabstimmung zur fachspezifischen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; das Bereitstellen eines Dokuments in einem Gespräch ist dagegen eine quellenbezogene Konditionierung für diese Aufgabe. Liefern Sie das Fachmaterial und die Antwortanforderungen, die der konkrete Assistent benötigt, statt anzunehmen, eine Anpassung sei bereits durchgeführt worden.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Die mit Small 3.1 eingeführte Vision-Fähigkeit und der Kontext von 128k gehören zur späteren Veröffentlichung, und auch die hybriden Modi von Small 4 sollten nicht hierher übertragen werden. Bei einem Bild, einer Audioaufnahme oder einem Video muss der relevante Inhalt durch eine andere Komponente aufbereitet werden, bevor diese Textaufgabe bearbeitet werden kann.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine gesonderten maximalen Ausgabekapazitäten. Halten Sie die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche abschließende Artefakt ist die Antwort, der JSON-Datensatz oder der vorgeschlagene Code, dessen Bedeutung und Format zur ursprünglichen schriftlichen Aufgabe passen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00016 / 1K Tokens Eingabe · Cache lesen — / 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00016 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-small-24b-instruct-2501
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 ist ein Textmodell mit 24 Milliarden Parametern für Gesprächsanweisungen, strukturierte Extraktion und werkzeuggestützte Anwendungen. Es bietet einen vom Hersteller angegebenen Kontext von 32k, mehrsprachige Antworten, Unterstützung für Systemprompts, JSON und native Funktionsaufrufe in einer eigenen reinen Textveröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Sie ist aus dem gesondert benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert sie für reaktionsschnelle Gesprächsunterstützung, Funktionsaufrufe und fachspezifische Anpassung, wobei sowohl die Eingabe als auch das erzeugte Ergebnis Text sind.
Kernfunktionen und Unterscheidung beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Gesprächs- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und die Einhaltung von Systemprompts. Das Kontextfenster umfasst 32k, und sie verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, während die Vokabularangabe die Tokenisierung beschreibt; es sind unterschiedliche Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist auch in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definieren Sie die Zielsprache und unverändert zu belassende Terminologie. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten bewahren und dabei den umgebenden Fließtext an die lesende Person anpassen.
Die Veröffentlichungsankündigung stellt fest, dass Small 3 weder mit bestärkendem Lernen noch mit synthetischen Daten trainiert wurde, und unterscheidet zwischen vortrainierten und auf Anweisungen abgestimmten Modellständen. Sie beschreibt das Modell als weiter anpassbare Grundlage statt als hybriden Modellstand mit den späteren Reasoning-Steuerungen von Small 4. Dieser Eintrag bezeichnet die Ausgabe Instruct 2501 zur Bearbeitung einer Gesprächsaufgabe.
Gesprächs- und strukturierte Aufgaben
Stellen Sie für einen Assistenten im Support-Stil die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Verlangen Sie die Handlung, die die Frage beantwortet, sowie die Bedingung, unter der sie anwendbar ist. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt sie in einer unstrukturierten Erklärung zu vermischen.
Geben Sie für Klassifikation die zulässigen Bezeichnungen und ihre Unterschiede an. Benennen Sie für Extraktion die Felder, erwarteten Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht übernommene Kennung und eine kurze Zusammenfassung der gewünschten Handlung enthalten. JSON ordnet das Ergebnis, während Feldgestaltung und Interpretationsregeln Teil der bereitgestellten Aufgabe bleiben.
Fügen Sie für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe bei. Fragen Sie, welcher Pfad durch den Code das Ergebnis bestimmt. Definieren Sie für eine mathematische Erklärung Variablen und Annahmen und benennen Sie den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können eine Methode, eine Erklärung und das abschließende Artefakt liefern, ohne anzunehmen, dass das Modell selbst den Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten zugeschnittenen Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Definieren Sie mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das eigentliche Problem oder Quellenmaterial trägt. Halten Sie zitierte Anweisungen in einem Dokument von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Geben Sie für einen Alltagsassistenten an, ob das Ergebnis eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung sein soll. Wird eine Antwort geparst, verlangen Sie den Datensatz getrennt von optionalem Fließtext. Bewahren Sie in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Operation aus und liefert das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; danach kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt ein Gespräch mit vorheriger Werkzeugnutzung, gefolgt von einer neuen Frage. Damit kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreiben Sie den Zweck jeder Funktion und ihre erforderlichen Werte klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis ins Gespräch zurückführen; eine Textverarbeitungsfunktion kann eine umgeformte Passage für die nächste Antwort liefern. Halten Sie die Werkzeugmenge am aktuellen Prozess ausgerichtet und bewahren Sie die Verbindung zwischen vorgeschlagener Operation und ihrem Ergebnis.
Der Hersteller beschreibt außerdem Feinabstimmung zur fachspezifischen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; das Bereitstellen eines Dokuments in einem Gespräch ist dagegen eine quellenbezogene Konditionierung für diese Aufgabe. Liefern Sie das Fachmaterial und die Antwortanforderungen, die der konkrete Assistent benötigt, statt anzunehmen, eine Anpassung sei bereits durchgeführt worden.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Die mit Small 3.1 eingeführte Vision-Fähigkeit und der Kontext von 128k gehören zur späteren Veröffentlichung, und auch die hybriden Modi von Small 4 sollten nicht hierher übertragen werden. Bei einem Bild, einer Audioaufnahme oder einem Video muss der relevante Inhalt durch eine andere Komponente aufbereitet werden, bevor diese Textaufgabe bearbeitet werden kann.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine gesonderten maximalen Ausgabekapazitäten. Halten Sie die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche abschließende Artefakt ist die Antwort, der JSON-Datensatz oder der vorgeschlagene Code, dessen Bedeutung und Format zur ursprünglichen schriftlichen Aufgabe passen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00016 / 1K Tokens Eingabe · Cache lesen — / 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00016 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-small-24b-instruct-2501
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.