Mistral Small 3.1 24B Instruct 2503 baut auf Small 3 2501 auf, ergänzt visuelles Verständnis und erweitert die Unterstützung für lange Kontexte auf 128k Tokens. Es hat 24 Milliarden Parameter und ist auf Basis der gesondert benannten Veröffentlichung Small 3.1 Base auf Anweisungen abgestimmt. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter eine Erklärung, Code oder einen strukturierten Datensatz.
Zentrale Fähigkeiten
Vision ermöglicht dem Modell, sichtbares Material zusammen mit der Frage des Nutzers zu analysieren. Ein Dokumentbild kann das zu prüfende Feld oder die Aussage liefern, eine schematische Darstellung die zu erklärende Beziehung und ein Diagramm die Daten hinter einem Vergleich. Halten Sie Beschriftungen, Einheiten und relevante umgebende Inhalte lesbar, damit sich die Frage auf tatsächlich im Bild vorhandene Belege bezieht.
Der Hersteller nennt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Russisch, Englisch, Französisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Nepali, Polnisch, Portugiesisch, Rumänisch, Serbisch, Spanisch, Schwedisch, Türkisch, Ukrainisch, Vietnamesisch, Arabisch, Bengalisch, Chinesisch und Farsi. Definieren Sie für eine mehrsprachige Antwort die Zielsprache, Zielgruppe und Terminologie. Namen, zitierte Bezeichnungen, Variablenkennungen und Einheiten können unverändert bleiben, während der umgebende Fließtext angepasst wird.
Die Modellkarte beschreibt außerdem Gesprächs- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und die Einhaltung von Systemprompts. Der Tokenizer ist Tekken mit einem als 131k bezeichneten Vokabular. Dies sind Funktionen der benannten, auf Anweisungen abgestimmten Veröffentlichung; ihre Base-Ausgabe erfüllt eine andere Rolle, und die späteren Veröffentlichungen Small 3.2 und Small 4 behalten ihre eigenen Änderungen und Modi.
Vorbereitung von Dokument-, Programmier- und Mathematikaufgaben
Benennen Sie für eine Aufgabe mit langen Dokumenten die Dokumente und stellen Sie eine klar definierte Frage. Ein Vergleich kann eine Anforderungsmatrix mit Aussage, Quellabschnitt und möglichen Widersprüchen zwischen Dokumenten verlangen. Eine Zusammenfassung kann nur das Material abfragen, das für eine benannte Änderung relevant ist. Der lange Kontext hält diese Quellen zusammen, während die endgültige Antwort knapp bleiben kann.
Geben Sie für eine Codeerklärung die Funktion und die Eingabe an, deren Verhalten nachvollzogen werden soll. Fügen Sie relevante Hilfsfunktionen oder Deklarationen bei und fragen Sie, wie sich der Zustand verändert, bevor der Wert zurückgegeben wird. Nennen Sie für eine vorgeschlagene Änderung die Anforderung, die zu bewahrende öffentliche Schnittstelle und die erwartete Ausgabe. Verlangen Sie den überarbeiteten Code getrennt von Erklärung und Beispielen.
Definieren Sie für eine mathematische Aufgabe Symbole und Annahmen zum Definitionsbereich, bevor Sie eine Herleitung verlangen. Geben Sie an, ob das Endergebnis exakt, gerundet oder ein Beweis einer Behauptung sein soll. Steht die Bedingung in einem Bild, halten Sie die Formel und zugehörigen Beschriftungen klar und bitten Sie das Modell, diese Notation in seiner Antwort zu bewahren. Diese Vorbereitungen überführen den dokumentierten Schwerpunkt des Modells auf Programmierung und mathematisches Reasoning in ein überprüfbares Artefakt.
Anweisungsformat und empfohlene Nutzung
Der Hersteller veröffentlicht eine V7-Tekken-Gesprächsvorlage, die System-, Nutzer- und Assistentenrollen unterscheidet, und empfiehlt die passende Tokenizer-Implementierung als maßgebliche Grundlage. Eine Systemanweisung sollte Rolle und Antwortregeln des Assistenten definieren, während die Nutzernachricht die eigentliche Aufgabe und das Quellenmaterial enthält. Eine korrekte Gesprächsformatierung ist etwas anderes als rollenähnliche Bezeichnungen in einem zitierten Dokument.
Die Modellkarte empfiehlt eine relativ niedrige Temperatur, etwa 0.15, und einen auf den Anwendungsfall zugeschnittenen Systemprompt. Definieren Sie die Ausgabefelder oder Abschnitte sowie die Bedingungen, die eine Überarbeitung überstehen müssen. Verlangen Sie für wiederholte Extraktion JSON mit festgelegten Namen und Typen sowie eine Darstellung für Werte, die in der Quelle fehlen. Ein erklärender Absatz kann getrennt zurückgegeben werden, wenn eine Person die Interpretation prüfen muss.
Ablauf von Funktionsaufrufen
Das Modell kann eine Funktion aus den von der Anwendung beschriebenen Werkzeugen auswählen und ihre Argumente erzeugen. Die Anwendung führt die Funktion aus, liefert das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück, und das Modell nutzt dieses Ergebnis in einer nachfolgenden Antwort. Das Beispiel des Herstellers zeigt diesen Gesprächszyklus einschließlich früherer Werkzeugnutzung und einer neuen Nutzerfrage. Eine vorgeschlagene Abfrage unterscheidet sich daher von den tatsächlich durch die Abfrage zurückgegebenen Daten.
Ein praktischer Assistent könnte zuerst eine Frage aus einem Dokument extrahieren und anschließend eine bereitgestellte Referenzfunktion nutzen, um eine fehlende Bedingung zu erhalten. Beschreiben Sie die Funktion klar, fügen Sie ihre erforderlichen Argumente bei und ordnen Sie das zurückgegebene Ergebnis der auslösenden Operation zu. JSON ordnet ein Textergebnis; ein Funktionsaufruf fordert eine verbundene Operation an, statt stillschweigend Code auszuführen oder eine Datenbank zu lesen.
Inhaltliche Grenzen
Die dokumentierte visuelle Fähigkeit liest Bilder; sie erzeugt sie nicht. Die Assistentenhinweise der veröffentlichten Modellkarte grenzen dieses Modell außerdem von Audio- und Videotranskription ab, sodass eine gesprochene oder videobezogene Frage ihren relevanten Inhalt durch einen geeigneten gesonderten Vorbereitungsschritt bereitstellen muss. Webzugriff und externe Aktionen kommen ebenfalls von verbundenen Werkzeugen und nicht vom Text- und Bildmodell allein.
Der Kontext von 128k betrifft die Eingabe der Aufgabe und das erzeugte Gespräch, während das Generierungsbeispiel mit 512 Tokens in der Modellkarte nur eine Beispieleinstellung ist. In den gelesenen Quellen wird keine gesonderte harte Kapazität für die Antwortlänge angegeben. Bewahren Sie die genaue Ausgabe Instruct 2503, ihr Gesprächsformat und das gewünschte Erklärungs-, Datensatz- oder Codeartefakt.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 baut auf Small 3 2501 auf, ergänzt visuelles Verständnis und erweitert die Unterstützung für lange Kontexte auf 128k Tokens. Es hat 24 Milliarden Parameter und ist auf Basis der gesondert benannten Veröffentlichung Small 3.1 Base auf Anweisungen abgestimmt. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter eine Erklärung, Code oder einen strukturierten Datensatz.\n\nZentrale Fähigkeiten\n\nVision ermöglicht dem Modell, sichtbares Material zusammen mit der Frage des Nutzers zu analysieren. Ein Dokumentbild kann das zu prüfende Feld oder die Aussage liefern, eine schematische Darstellung die zu erklärende Beziehung und ein Diagramm die Daten hinter einem Vergleich. Halten Sie Beschriftungen, Einheiten und relevante umgebende Inhalte lesbar, damit sich die Frage auf tatsächlich im Bild vorhandene Belege bezieht.\n\nDer Hersteller nennt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Russisch, Englisch, Französisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Nepali, Polnisch, Portugiesisch, Rumänisch, Serbisch, Spanisch, Schwedisch, Türkisch, Ukrainisch, Vietnamesisch, Arabisch, Bengalisch, Chinesisch und Farsi. Definieren Sie für eine mehrsprachige Antwort die Zielsprache, Zielgruppe und Terminologie. Namen, zitierte Bezeichnungen, Variablenkennungen und Einheiten können unverändert bleiben, während der umgebende Fließtext angepasst wird.\n\nDie Modellkarte beschreibt außerdem Gesprächs- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und die Einhaltung von Systemprompts. Der Tokenizer ist Tekken mit einem als 131k bezeichneten Vokabular. Dies sind Funktionen der benannten, auf Anweisungen abgestimmten Veröffentlichung; ihre Base-Ausgabe erfüllt eine andere Rolle, und die späteren Veröffentlichungen Small 3.2 und Small 4 behalten ihre eigenen Änderungen und Modi.\n\nVorbereitung von Dokument-, Programmier- und Mathematikaufgaben\n\nBenennen Sie für eine Aufgabe mit langen Dokumenten die Dokumente und stellen Sie eine klar definierte Frage. Ein Vergleich kann eine Anforderungsmatrix mit Aussage, Quellabschnitt und möglichen Widersprüchen zwischen Dokumenten verlangen. Eine Zusammenfassung kann nur das Material abfragen, das für eine benannte Änderung relevant ist. Der lange Kontext hält diese Quellen zusammen, während die endgültige Antwort knapp bleiben kann.\n\nGeben Sie für eine Codeerklärung die Funktion und die Eingabe an, deren Verhalten nachvollzogen werden soll. Fügen Sie relevante Hilfsfunktionen oder Deklarationen bei und fragen Sie, wie sich der Zustand verändert, bevor der Wert zurückgegeben wird. Nennen Sie für eine vorgeschlagene Änderung die Anforderung, die zu bewahrende öffentliche Schnittstelle und die erwartete Ausgabe. Verlangen Sie den überarbeiteten Code getrennt von Erklärung und Beispielen.\n\nDefinieren Sie für eine mathematische Aufgabe Symbole und Annahmen zum Definitionsbereich, bevor Sie eine Herleitung verlangen. Geben Sie an, ob das Endergebnis exakt, gerundet oder ein Beweis einer Behauptung sein soll. Steht die Bedingung in einem Bild, halten Sie die Formel und zugehörigen Beschriftungen klar und bitten Sie das Modell, diese Notation in seiner Antwort zu bewahren. Diese Vorbereitungen überführen den dokumentierten Schwerpunkt des Modells auf Programmierung und mathematisches Reasoning in ein überprüfbares Artefakt.\n\nAnweisungsformat und empfohlene Nutzung\n\nDer Hersteller veröffentlicht eine V7-Tekken-Gesprächsvorlage, die System-, Nutzer- und Assistentenrollen unterscheidet, und empfiehlt die passende Tokenizer-Implementierung als maßgebliche Grundlage. Eine Systemanweisung sollte Rolle und Antwortregeln des Assistenten definieren, während die Nutzernachricht die eigentliche Aufgabe und das Quellenmaterial enthält. Eine korrekte Gesprächsformatierung ist etwas anderes als rollenähnliche Bezeichnungen in einem zitierten Dokument.\n\nDie Modellkarte empfiehlt eine relativ niedrige Temperatur, etwa 0.15, und einen auf den Anwendungsfall zugeschnittenen Systemprompt. Definieren Sie die Ausgabefelder oder Abschnitte sowie die Bedingungen, die eine Überarbeitung überstehen müssen. Verlangen Sie für wiederholte Extraktion JSON mit festgelegten Namen und Typen sowie eine Darstellung für Werte, die in der Quelle fehlen. Ein erklärender Absatz kann getrennt zurückgegeben werden, wenn eine Person die Interpretation prüfen muss.\n\nAblauf von Funktionsaufrufen\n\nDas Modell kann eine Funktion aus den von der Anwendung beschriebenen Werkzeugen auswählen und ihre Argumente erzeugen. Die Anwendung führt die Funktion aus, liefert das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück, und das Modell nutzt dieses Ergebnis in einer nachfolgenden Antwort. Das Beispiel des Herstellers zeigt diesen Gesprächszyklus einschließlich früherer Werkzeugnutzung und einer neuen Nutzerfrage. Eine vorgeschlagene Abfrage unterscheidet sich daher von den tatsächlich durch die Abfrage zurückgegebenen Daten.\n\nEin praktischer Assistent könnte zuerst eine Frage aus einem Dokument extrahieren und anschließend eine bereitgestellte Referenzfunktion nutzen, um eine fehlende Bedingung zu erhalten. Beschreiben Sie die Funktion klar, fügen Sie ihre erforderlichen Argumente bei und ordnen Sie das zurückgegebene Ergebnis der auslösenden Operation zu. JSON ordnet ein Textergebnis; ein Funktionsaufruf fordert eine verbundene Operation an, statt stillschweigend Code auszuführen oder eine Datenbank zu lesen.\n\nInhaltliche Grenzen\n\nDie dokumentierte visuelle Fähigkeit liest Bilder; sie erzeugt sie nicht. Die Assistentenhinweise der veröffentlichten Modellkarte grenzen dieses Modell außerdem von Audio- und Videotranskription ab, sodass eine gesprochene oder videobezogene Frage ihren relevanten Inhalt durch einen geeigneten gesonderten Vorbereitungsschritt bereitstellen muss. Webzugriff und externe Aktionen kommen ebenfalls von verbundenen Werkzeugen und nicht vom Text- und Bildmodell allein.\n\nDer Kontext von 128k betrifft die Eingabe der Aufgabe und das erzeugte Gespräch, während das Generierungsbeispiel mit 512 Tokens in der Modellkarte nur eine Beispieleinstellung ist. In den gelesenen Quellen wird keine gesonderte harte Kapazität für die Antwortlänge angegeben. Bewahren Sie die genaue Ausgabe Instruct 2503, ihr Gesprächsformat und das gewünschte Erklärungs-, Datensatz- oder Codeartefakt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 ergänzt die Small-3-Linie um Bildverständnis und einen vom Hersteller angegebenen Kontext von 128k. Es verbindet mehrsprachigen Text, Programmierung und mathematisches schlussfolgerndes Denken mit Systemanweisungen, JSON und nativen Funktionsaufrufen in einer eigenen, auf Anweisungen abgestimmten Veröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.1 24B Instruct 2503 baut auf Small 3 2501 auf, ergänzt visuelles Verständnis und erweitert die Unterstützung für lange Kontexte auf 128k Tokens. Es hat 24 Milliarden Parameter und ist auf Basis der gesondert benannten Veröffentlichung Small 3.1 Base auf Anweisungen abgestimmt. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter eine Erklärung, Code oder einen strukturierten Datensatz.
Zentrale Fähigkeiten
Vision ermöglicht dem Modell, sichtbares Material zusammen mit der Frage des Nutzers zu analysieren. Ein Dokumentbild kann das zu prüfende Feld oder die Aussage liefern, eine schematische Darstellung die zu erklärende Beziehung und ein Diagramm die Daten hinter einem Vergleich. Halten Sie Beschriftungen, Einheiten und relevante umgebende Inhalte lesbar, damit sich die Frage auf tatsächlich im Bild vorhandene Belege bezieht.
Der Hersteller nennt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Russisch, Englisch, Französisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Nepali, Polnisch, Portugiesisch, Rumänisch, Serbisch, Spanisch, Schwedisch, Türkisch, Ukrainisch, Vietnamesisch, Arabisch, Bengalisch, Chinesisch und Farsi. Definieren Sie für eine mehrsprachige Antwort die Zielsprache, Zielgruppe und Terminologie. Namen, zitierte Bezeichnungen, Variablenkennungen und Einheiten können unverändert bleiben, während der umgebende Fließtext angepasst wird.
Die Modellkarte beschreibt außerdem Gesprächs- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und die Einhaltung von Systemprompts. Der Tokenizer ist Tekken mit einem als 131k bezeichneten Vokabular. Dies sind Funktionen der benannten, auf Anweisungen abgestimmten Veröffentlichung; ihre Base-Ausgabe erfüllt eine andere Rolle, und die späteren Veröffentlichungen Small 3.2 und Small 4 behalten ihre eigenen Änderungen und Modi.
Vorbereitung von Dokument-, Programmier- und Mathematikaufgaben
Benennen Sie für eine Aufgabe mit langen Dokumenten die Dokumente und stellen Sie eine klar definierte Frage. Ein Vergleich kann eine Anforderungsmatrix mit Aussage, Quellabschnitt und möglichen Widersprüchen zwischen Dokumenten verlangen. Eine Zusammenfassung kann nur das Material abfragen, das für eine benannte Änderung relevant ist. Der lange Kontext hält diese Quellen zusammen, während die endgültige Antwort knapp bleiben kann.
Geben Sie für eine Codeerklärung die Funktion und die Eingabe an, deren Verhalten nachvollzogen werden soll. Fügen Sie relevante Hilfsfunktionen oder Deklarationen bei und fragen Sie, wie sich der Zustand verändert, bevor der Wert zurückgegeben wird. Nennen Sie für eine vorgeschlagene Änderung die Anforderung, die zu bewahrende öffentliche Schnittstelle und die erwartete Ausgabe. Verlangen Sie den überarbeiteten Code getrennt von Erklärung und Beispielen.
Definieren Sie für eine mathematische Aufgabe Symbole und Annahmen zum Definitionsbereich, bevor Sie eine Herleitung verlangen. Geben Sie an, ob das Endergebnis exakt, gerundet oder ein Beweis einer Behauptung sein soll. Steht die Bedingung in einem Bild, halten Sie die Formel und zugehörigen Beschriftungen klar und bitten Sie das Modell, diese Notation in seiner Antwort zu bewahren. Diese Vorbereitungen überführen den dokumentierten Schwerpunkt des Modells auf Programmierung und mathematisches Reasoning in ein überprüfbares Artefakt.
Anweisungsformat und empfohlene Nutzung
Der Hersteller veröffentlicht eine V7-Tekken-Gesprächsvorlage, die System-, Nutzer- und Assistentenrollen unterscheidet, und empfiehlt die passende Tokenizer-Implementierung als maßgebliche Grundlage. Eine Systemanweisung sollte Rolle und Antwortregeln des Assistenten definieren, während die Nutzernachricht die eigentliche Aufgabe und das Quellenmaterial enthält. Eine korrekte Gesprächsformatierung ist etwas anderes als rollenähnliche Bezeichnungen in einem zitierten Dokument.
Die Modellkarte empfiehlt eine relativ niedrige Temperatur, etwa 0.15, und einen auf den Anwendungsfall zugeschnittenen Systemprompt. Definieren Sie die Ausgabefelder oder Abschnitte sowie die Bedingungen, die eine Überarbeitung überstehen müssen. Verlangen Sie für wiederholte Extraktion JSON mit festgelegten Namen und Typen sowie eine Darstellung für Werte, die in der Quelle fehlen. Ein erklärender Absatz kann getrennt zurückgegeben werden, wenn eine Person die Interpretation prüfen muss.
Ablauf von Funktionsaufrufen
Das Modell kann eine Funktion aus den von der Anwendung beschriebenen Werkzeugen auswählen und ihre Argumente erzeugen. Die Anwendung führt die Funktion aus, liefert das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück, und das Modell nutzt dieses Ergebnis in einer nachfolgenden Antwort. Das Beispiel des Herstellers zeigt diesen Gesprächszyklus einschließlich früherer Werkzeugnutzung und einer neuen Nutzerfrage. Eine vorgeschlagene Abfrage unterscheidet sich daher von den tatsächlich durch die Abfrage zurückgegebenen Daten.
Ein praktischer Assistent könnte zuerst eine Frage aus einem Dokument extrahieren und anschließend eine bereitgestellte Referenzfunktion nutzen, um eine fehlende Bedingung zu erhalten. Beschreiben Sie die Funktion klar, fügen Sie ihre erforderlichen Argumente bei und ordnen Sie das zurückgegebene Ergebnis der auslösenden Operation zu. JSON ordnet ein Textergebnis; ein Funktionsaufruf fordert eine verbundene Operation an, statt stillschweigend Code auszuführen oder eine Datenbank zu lesen.
Inhaltliche Grenzen
Die dokumentierte visuelle Fähigkeit liest Bilder; sie erzeugt sie nicht. Die Assistentenhinweise der veröffentlichten Modellkarte grenzen dieses Modell außerdem von Audio- und Videotranskription ab, sodass eine gesprochene oder videobezogene Frage ihren relevanten Inhalt durch einen geeigneten gesonderten Vorbereitungsschritt bereitstellen muss. Webzugriff und externe Aktionen kommen ebenfalls von verbundenen Werkzeugen und nicht vom Text- und Bildmodell allein.
Der Kontext von 128k betrifft die Eingabe der Aufgabe und das erzeugte Gespräch, während das Generierungsbeispiel mit 512 Tokens in der Modellkarte nur eine Beispieleinstellung ist. In den gelesenen Quellen wird keine gesonderte harte Kapazität für die Antwortlänge angegeben. Bewahren Sie die genaue Ausgabe Instruct 2503, ihr Gesprächsformat und das gewünschte Erklärungs-, Datensatz- oder Codeartefakt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00111 / 1K Tokens Eingabe · Cache lesen $0 / 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00111 / 1K Tokens Eingabe · Cache lesen $0 / 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/mistral-small-3.1-24b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-3.1-24b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-3.1-24b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-3.1-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 ergänzt die Small-3-Linie um Bildverständnis und einen vom Hersteller angegebenen Kontext von 128k. Es verbindet mehrsprachigen Text, Programmierung und mathematisches schlussfolgerndes Denken mit Systemanweisungen, JSON und nativen Funktionsaufrufen in einer eigenen, auf Anweisungen abgestimmten Veröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.1 24B Instruct 2503 baut auf Small 3 2501 auf, ergänzt visuelles Verständnis und erweitert die Unterstützung für lange Kontexte auf 128k Tokens. Es hat 24 Milliarden Parameter und ist auf Basis der gesondert benannten Veröffentlichung Small 3.1 Base auf Anweisungen abgestimmt. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter eine Erklärung, Code oder einen strukturierten Datensatz.
Zentrale Fähigkeiten
Vision ermöglicht dem Modell, sichtbares Material zusammen mit der Frage des Nutzers zu analysieren. Ein Dokumentbild kann das zu prüfende Feld oder die Aussage liefern, eine schematische Darstellung die zu erklärende Beziehung und ein Diagramm die Daten hinter einem Vergleich. Halten Sie Beschriftungen, Einheiten und relevante umgebende Inhalte lesbar, damit sich die Frage auf tatsächlich im Bild vorhandene Belege bezieht.
Der Hersteller nennt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Russisch, Englisch, Französisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Nepali, Polnisch, Portugiesisch, Rumänisch, Serbisch, Spanisch, Schwedisch, Türkisch, Ukrainisch, Vietnamesisch, Arabisch, Bengalisch, Chinesisch und Farsi. Definieren Sie für eine mehrsprachige Antwort die Zielsprache, Zielgruppe und Terminologie. Namen, zitierte Bezeichnungen, Variablenkennungen und Einheiten können unverändert bleiben, während der umgebende Fließtext angepasst wird.
Die Modellkarte beschreibt außerdem Gesprächs- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und die Einhaltung von Systemprompts. Der Tokenizer ist Tekken mit einem als 131k bezeichneten Vokabular. Dies sind Funktionen der benannten, auf Anweisungen abgestimmten Veröffentlichung; ihre Base-Ausgabe erfüllt eine andere Rolle, und die späteren Veröffentlichungen Small 3.2 und Small 4 behalten ihre eigenen Änderungen und Modi.
Vorbereitung von Dokument-, Programmier- und Mathematikaufgaben
Benennen Sie für eine Aufgabe mit langen Dokumenten die Dokumente und stellen Sie eine klar definierte Frage. Ein Vergleich kann eine Anforderungsmatrix mit Aussage, Quellabschnitt und möglichen Widersprüchen zwischen Dokumenten verlangen. Eine Zusammenfassung kann nur das Material abfragen, das für eine benannte Änderung relevant ist. Der lange Kontext hält diese Quellen zusammen, während die endgültige Antwort knapp bleiben kann.
Geben Sie für eine Codeerklärung die Funktion und die Eingabe an, deren Verhalten nachvollzogen werden soll. Fügen Sie relevante Hilfsfunktionen oder Deklarationen bei und fragen Sie, wie sich der Zustand verändert, bevor der Wert zurückgegeben wird. Nennen Sie für eine vorgeschlagene Änderung die Anforderung, die zu bewahrende öffentliche Schnittstelle und die erwartete Ausgabe. Verlangen Sie den überarbeiteten Code getrennt von Erklärung und Beispielen.
Definieren Sie für eine mathematische Aufgabe Symbole und Annahmen zum Definitionsbereich, bevor Sie eine Herleitung verlangen. Geben Sie an, ob das Endergebnis exakt, gerundet oder ein Beweis einer Behauptung sein soll. Steht die Bedingung in einem Bild, halten Sie die Formel und zugehörigen Beschriftungen klar und bitten Sie das Modell, diese Notation in seiner Antwort zu bewahren. Diese Vorbereitungen überführen den dokumentierten Schwerpunkt des Modells auf Programmierung und mathematisches Reasoning in ein überprüfbares Artefakt.
Anweisungsformat und empfohlene Nutzung
Der Hersteller veröffentlicht eine V7-Tekken-Gesprächsvorlage, die System-, Nutzer- und Assistentenrollen unterscheidet, und empfiehlt die passende Tokenizer-Implementierung als maßgebliche Grundlage. Eine Systemanweisung sollte Rolle und Antwortregeln des Assistenten definieren, während die Nutzernachricht die eigentliche Aufgabe und das Quellenmaterial enthält. Eine korrekte Gesprächsformatierung ist etwas anderes als rollenähnliche Bezeichnungen in einem zitierten Dokument.
Die Modellkarte empfiehlt eine relativ niedrige Temperatur, etwa 0.15, und einen auf den Anwendungsfall zugeschnittenen Systemprompt. Definieren Sie die Ausgabefelder oder Abschnitte sowie die Bedingungen, die eine Überarbeitung überstehen müssen. Verlangen Sie für wiederholte Extraktion JSON mit festgelegten Namen und Typen sowie eine Darstellung für Werte, die in der Quelle fehlen. Ein erklärender Absatz kann getrennt zurückgegeben werden, wenn eine Person die Interpretation prüfen muss.
Ablauf von Funktionsaufrufen
Das Modell kann eine Funktion aus den von der Anwendung beschriebenen Werkzeugen auswählen und ihre Argumente erzeugen. Die Anwendung führt die Funktion aus, liefert das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück, und das Modell nutzt dieses Ergebnis in einer nachfolgenden Antwort. Das Beispiel des Herstellers zeigt diesen Gesprächszyklus einschließlich früherer Werkzeugnutzung und einer neuen Nutzerfrage. Eine vorgeschlagene Abfrage unterscheidet sich daher von den tatsächlich durch die Abfrage zurückgegebenen Daten.
Ein praktischer Assistent könnte zuerst eine Frage aus einem Dokument extrahieren und anschließend eine bereitgestellte Referenzfunktion nutzen, um eine fehlende Bedingung zu erhalten. Beschreiben Sie die Funktion klar, fügen Sie ihre erforderlichen Argumente bei und ordnen Sie das zurückgegebene Ergebnis der auslösenden Operation zu. JSON ordnet ein Textergebnis; ein Funktionsaufruf fordert eine verbundene Operation an, statt stillschweigend Code auszuführen oder eine Datenbank zu lesen.
Inhaltliche Grenzen
Die dokumentierte visuelle Fähigkeit liest Bilder; sie erzeugt sie nicht. Die Assistentenhinweise der veröffentlichten Modellkarte grenzen dieses Modell außerdem von Audio- und Videotranskription ab, sodass eine gesprochene oder videobezogene Frage ihren relevanten Inhalt durch einen geeigneten gesonderten Vorbereitungsschritt bereitstellen muss. Webzugriff und externe Aktionen kommen ebenfalls von verbundenen Werkzeugen und nicht vom Text- und Bildmodell allein.
Der Kontext von 128k betrifft die Eingabe der Aufgabe und das erzeugte Gespräch, während das Generierungsbeispiel mit 512 Tokens in der Modellkarte nur eine Beispieleinstellung ist. In den gelesenen Quellen wird keine gesonderte harte Kapazität für die Antwortlänge angegeben. Bewahren Sie die genaue Ausgabe Instruct 2503, ihr Gesprächsformat und das gewünschte Erklärungs-, Datensatz- oder Codeartefakt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00111 / 1K Tokens Eingabe · Cache lesen $0 / 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00111 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-3.1-24b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-3.1-24b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-3.1-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.