Mistral Small 3.2 24B Instruct 2506 ist ein gezieltes Update von Mistral Small 3.1 24B Instruct 2503. Der Hersteller benennt drei konkrete Änderungen: präzise Anweisungen genauer befolgen, repetitive oder unkontrolliert weiterlaufende Antworten verringern und die Vorlage für Funktionsaufrufe robuster machen. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell, das Text erzeugt, statt eine neue Ausgabe für Audio- oder Bilderzeugung zu sein.
Was sich ändert und was erhalten bleibt
Die Modellkarte von 3.2 stellt ausdrücklich fest, dass ihre wesentlichen Funktionen denen der benannten Veröffentlichung Small 3.1 entsprechen. Dazu zählen Vision, mehrsprachige Arbeit, Unterstützung für Systemprompts, native Funktionsaufrufe, JSON-Ausgaben und ein Kontextfenster von 128k. Die referenzierte Modellkarte von 3.1 beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verbindung stützt die Übernahme dieser Funktionen in 3.2, während das Update 2506 als eigene Ausgabe erhalten bleibt.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen hat. Geben Sie das Quellenmaterial an, listen Sie die Regeln auf, die die Ausgabe erfüllen muss, und benennen Sie das zurückzugebende Artefakt. Eine Dokumentextraktionsanfrage könnte bestimmte Felder, ursprüngliche Kennungen, eine definierte Darstellung fehlender Werte und keinen Fließtext außerhalb des Datensatzes verlangen. Eine Schreibaufgabe könnte eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen und zugleich die bereitgestellten Bedingungen unverändert lassen.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und fügt keinen neuen Reasoning-Modus hinzu. Definieren Sie bei einer langen Antwort die erforderlichen Abschnitte und den Zweck jedes Abschnitts, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeuggestützter Gespräche; verwenden Sie die Gesprächs- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Die übernommene Vision-Funktion erlaubt es, eine Textfrage mit einem Bild zu verbinden. Stellen Sie eine lesbare Seite, ein Diagramm oder eine schematische Darstellung bereit und benennen Sie das für die Aufgabe benötigte Detail. Bewahren Sie bei einem Diagrammvergleich Achsen, Einheiten und Legende und verlangen Sie die Beobachtung, die jede Schlussfolgerung stützt. Bewahren Sie bei einem Dokumentfeld die Beschriftung und den umgebenden Kontext, damit der zurückgegebene Wert richtig ausgelegt werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengalisch und weitere vom Hersteller aufgeführte Sprachen. Geben Sie die Zielsprache und unverändert zu belassende Terminologie an. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten bewahren und dabei die umgebende Erklärung an die lesende Person anpassen.
Verlangen Sie für eine praktische visuelle Extraktion die Dokumentkennung, Feldbezeichnung, den extrahierten Text und den Bildbereich, der ihn stützt. Eine Erklärung kann gesondert folgen, wenn die lesende Person eine Interpretation benötigt. So werden Transkription, strukturierte Felder und Modellschlussfolgerung nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte von 3.2 empfiehlt einen auf den Anwendungsfall zugeschnittenen Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Legen Sie Rolle des Assistenten, Antwortregeln und Umgang mit Quellenmaterial ausdrücklich fest. Platzieren Sie das eigentliche Dokument oder den Code bei der Nutzeraufgabe und bewahren Sie die Grenze zwischen Anweisungen zur Antwort und Anweisungen, die innerhalb der Quelle zitiert werden.
Für Funktionsaufrufe muss die Anwendung Werkzeugbeschreibungen und erforderliche Argumente bereitstellen. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und liefert ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele enthalten visuelles Reasoning, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann daher das Modell auffordern, eine beschriebene Operation auszuwählen, während die tatsächliche Abfrage und ihr Ergebnis bei der umgebenden Anwendung liegen.
Geben Sie für eine Programmieranfrage die relevante Funktion, die das Problem offenlegende Eingabe und das gewünschte Verhalten an. Verlangen Sie eine vorgeschlagene Korrektur mit bewahrter ursprünglicher Schnittstelle und danach Beispiele, die das beabsichtigte Verhalten unterscheiden. Definieren Sie für eine mathematische Anfrage Variablen und Annahmen und verlangen Sie die wichtigen begründeten Schritte sowie einen getrennten abschließenden Ausdruck. Das sind Anwendungen der übernommenen Programmier- und Reasoning-Fähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein gesonderter Schritt.
Kontext und Grenzen der Ausgabe
Nutzen Sie das Fenster von 128k für Quellpassagen, Bilder, Gespräch und erwartete Antwort gemeinsam. Ein Vergleich großer Dokumente kann zusammengehörige Abschnitte bewahren und dabei eine kurze Matrix von Feststellungen zurückgeben. Ein großer konfigurierter Bildrahmen oder ein Generierungswert in einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist ein Anweisungsupdate mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Reasoning-Veröffentlichung Small 4. Die Modellkarte des Herstellers nennt für diesen Eintrag keine gesonderte harte Obergrenze für Ausgabetokens. Bewahren Sie seine genaue 2506-Identität und Formatierung und definieren Sie den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
", "aboutText": "Mistral Small 3.2 24B Instruct 2506 ist ein gezieltes Update von Mistral Small 3.1 24B Instruct 2503. Der Hersteller benennt drei konkrete Änderungen: präzise Anweisungen genauer befolgen, repetitive oder unkontrolliert weiterlaufende Antworten verringern und die Vorlage für Funktionsaufrufe robuster machen. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell, das Text erzeugt, statt eine neue Ausgabe für Audio- oder Bilderzeugung zu sein.\n\nWas sich ändert und was erhalten bleibt\n\nDie Modellkarte von 3.2 stellt ausdrücklich fest, dass ihre wesentlichen Funktionen denen der benannten Veröffentlichung Small 3.1 entsprechen. Dazu zählen Vision, mehrsprachige Arbeit, Unterstützung für Systemprompts, native Funktionsaufrufe, JSON-Ausgaben und ein Kontextfenster von 128k. Die referenzierte Modellkarte von 3.1 beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verbindung stützt die Übernahme dieser Funktionen in 3.2, während das Update 2506 als eigene Ausgabe erhalten bleibt.\n\nDer Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen hat. Geben Sie das Quellenmaterial an, listen Sie die Regeln auf, die die Ausgabe erfüllen muss, und benennen Sie das zurückzugebende Artefakt. Eine Dokumentextraktionsanfrage könnte bestimmte Felder, ursprüngliche Kennungen, eine definierte Darstellung fehlender Werte und keinen Fließtext außerhalb des Datensatzes verlangen. Eine Schreibaufgabe könnte eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen und zugleich die bereitgestellten Bedingungen unverändert lassen.\n\nDie Änderung bei Wiederholungen betrifft das Generierungsverhalten und fügt keinen neuen Reasoning-Modus hinzu. Definieren Sie bei einer langen Antwort die erforderlichen Abschnitte und den Zweck jedes Abschnitts, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeuggestützter Gespräche; verwenden Sie die Gesprächs- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.\n\nVisuelle und mehrsprachige Aufgaben\n\nDie übernommene Vision-Funktion erlaubt es, eine Textfrage mit einem Bild zu verbinden. Stellen Sie eine lesbare Seite, ein Diagramm oder eine schematische Darstellung bereit und benennen Sie das für die Aufgabe benötigte Detail. Bewahren Sie bei einem Diagrammvergleich Achsen, Einheiten und Legende und verlangen Sie die Beobachtung, die jede Schlussfolgerung stützt. Bewahren Sie bei einem Dokumentfeld die Beschriftung und den umgebenden Kontext, damit der zurückgegebene Wert richtig ausgelegt werden kann.\n\nDie dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengalisch und weitere vom Hersteller aufgeführte Sprachen. Geben Sie die Zielsprache und unverändert zu belassende Terminologie an. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten bewahren und dabei die umgebende Erklärung an die lesende Person anpassen.\n\nVerlangen Sie für eine praktische visuelle Extraktion die Dokumentkennung, Feldbezeichnung, den extrahierten Text und den Bildbereich, der ihn stützt. Eine Erklärung kann gesondert folgen, wenn die lesende Person eine Interpretation benötigt. So werden Transkription, strukturierte Felder und Modellschlussfolgerung nicht zu einem ununterscheidbaren Ergebnis.\n\nSystemanweisungen und Werkzeuge\n\nDie Modellkarte von 3.2 empfiehlt einen auf den Anwendungsfall zugeschnittenen Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Legen Sie Rolle des Assistenten, Antwortregeln und Umgang mit Quellenmaterial ausdrücklich fest. Platzieren Sie das eigentliche Dokument oder den Code bei der Nutzeraufgabe und bewahren Sie die Grenze zwischen Anweisungen zur Antwort und Anweisungen, die innerhalb der Quelle zitiert werden.\n\nFür Funktionsaufrufe muss die Anwendung Werkzeugbeschreibungen und erforderliche Argumente bereitstellen. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und liefert ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele enthalten visuelles Reasoning, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann daher das Modell auffordern, eine beschriebene Operation auszuwählen, während die tatsächliche Abfrage und ihr Ergebnis bei der umgebenden Anwendung liegen.\n\nGeben Sie für eine Programmieranfrage die relevante Funktion, die das Problem offenlegende Eingabe und das gewünschte Verhalten an. Verlangen Sie eine vorgeschlagene Korrektur mit bewahrter ursprünglicher Schnittstelle und danach Beispiele, die das beabsichtigte Verhalten unterscheiden. Definieren Sie für eine mathematische Anfrage Variablen und Annahmen und verlangen Sie die wichtigen begründeten Schritte sowie einen getrennten abschließenden Ausdruck. Das sind Anwendungen der übernommenen Programmier- und Reasoning-Fähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein gesonderter Schritt.\n\nKontext und Grenzen der Ausgabe\n\nNutzen Sie das Fenster von 128k für Quellpassagen, Bilder, Gespräch und erwartete Antwort gemeinsam. Ein Vergleich großer Dokumente kann zusammengehörige Abschnitte bewahren und dabei eine kurze Matrix von Feststellungen zurückgeben. Ein großer konfigurierter Bildrahmen oder ein Generierungswert in einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.\n\nSmall 3.2 ist ein Anweisungsupdate mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Reasoning-Veröffentlichung Small 4. Die Modellkarte des Herstellers nennt für diesen Eintrag keine gesonderte harte Obergrenze für Ausgabetokens. Bewahren Sie seine genaue 2506-Identität und Formatierung und definieren Sie den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract exactly the requested fields\n\nRead this note: 'Service case C-52. Customer: Dana Lee. Device: Lamp Mini. Reported problem: switches off after ten minutes.' Return exactly four labelled lines, in this order: Case ID, Device, Problem, Purchase date. Use unknown for missing information. Omit the customer's name and all introductory or closing prose.Exactly four labelled lines containing source-derived values or unknown, in the requested order.Purchase date is unknown, Dana Lee is omitted, and there are no extra lines.mistralai/mistral-small-3.2-24b-instructMistral Small 3.2 24B Instruct ist ein Text- und Bild-Anweisungsmodell mit einem vom Hersteller angegebenen Kontext von 128k. Sein Update 2506 verbessert gezielt das genaue Befolgen von Anweisungen, reduziert Wiederholungen und stärkt die Vorlage für Funktionsaufrufe, während die Kernfunktionen von Small 3.1 erhalten bleiben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.2 24B Instruct 2506 ist ein gezieltes Update von Mistral Small 3.1 24B Instruct 2503. Der Hersteller benennt drei konkrete Änderungen: präzise Anweisungen genauer befolgen, repetitive oder unkontrolliert weiterlaufende Antworten verringern und die Vorlage für Funktionsaufrufe robuster machen. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell, das Text erzeugt, statt eine neue Ausgabe für Audio- oder Bilderzeugung zu sein.
Was sich ändert und was erhalten bleibt
Die Modellkarte von 3.2 stellt ausdrücklich fest, dass ihre wesentlichen Funktionen denen der benannten Veröffentlichung Small 3.1 entsprechen. Dazu zählen Vision, mehrsprachige Arbeit, Unterstützung für Systemprompts, native Funktionsaufrufe, JSON-Ausgaben und ein Kontextfenster von 128k. Die referenzierte Modellkarte von 3.1 beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verbindung stützt die Übernahme dieser Funktionen in 3.2, während das Update 2506 als eigene Ausgabe erhalten bleibt.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen hat. Geben Sie das Quellenmaterial an, listen Sie die Regeln auf, die die Ausgabe erfüllen muss, und benennen Sie das zurückzugebende Artefakt. Eine Dokumentextraktionsanfrage könnte bestimmte Felder, ursprüngliche Kennungen, eine definierte Darstellung fehlender Werte und keinen Fließtext außerhalb des Datensatzes verlangen. Eine Schreibaufgabe könnte eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen und zugleich die bereitgestellten Bedingungen unverändert lassen.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und fügt keinen neuen Reasoning-Modus hinzu. Definieren Sie bei einer langen Antwort die erforderlichen Abschnitte und den Zweck jedes Abschnitts, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeuggestützter Gespräche; verwenden Sie die Gesprächs- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Die übernommene Vision-Funktion erlaubt es, eine Textfrage mit einem Bild zu verbinden. Stellen Sie eine lesbare Seite, ein Diagramm oder eine schematische Darstellung bereit und benennen Sie das für die Aufgabe benötigte Detail. Bewahren Sie bei einem Diagrammvergleich Achsen, Einheiten und Legende und verlangen Sie die Beobachtung, die jede Schlussfolgerung stützt. Bewahren Sie bei einem Dokumentfeld die Beschriftung und den umgebenden Kontext, damit der zurückgegebene Wert richtig ausgelegt werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengalisch und weitere vom Hersteller aufgeführte Sprachen. Geben Sie die Zielsprache und unverändert zu belassende Terminologie an. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten bewahren und dabei die umgebende Erklärung an die lesende Person anpassen.
Verlangen Sie für eine praktische visuelle Extraktion die Dokumentkennung, Feldbezeichnung, den extrahierten Text und den Bildbereich, der ihn stützt. Eine Erklärung kann gesondert folgen, wenn die lesende Person eine Interpretation benötigt. So werden Transkription, strukturierte Felder und Modellschlussfolgerung nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte von 3.2 empfiehlt einen auf den Anwendungsfall zugeschnittenen Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Legen Sie Rolle des Assistenten, Antwortregeln und Umgang mit Quellenmaterial ausdrücklich fest. Platzieren Sie das eigentliche Dokument oder den Code bei der Nutzeraufgabe und bewahren Sie die Grenze zwischen Anweisungen zur Antwort und Anweisungen, die innerhalb der Quelle zitiert werden.
Für Funktionsaufrufe muss die Anwendung Werkzeugbeschreibungen und erforderliche Argumente bereitstellen. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und liefert ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele enthalten visuelles Reasoning, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann daher das Modell auffordern, eine beschriebene Operation auszuwählen, während die tatsächliche Abfrage und ihr Ergebnis bei der umgebenden Anwendung liegen.
Geben Sie für eine Programmieranfrage die relevante Funktion, die das Problem offenlegende Eingabe und das gewünschte Verhalten an. Verlangen Sie eine vorgeschlagene Korrektur mit bewahrter ursprünglicher Schnittstelle und danach Beispiele, die das beabsichtigte Verhalten unterscheiden. Definieren Sie für eine mathematische Anfrage Variablen und Annahmen und verlangen Sie die wichtigen begründeten Schritte sowie einen getrennten abschließenden Ausdruck. Das sind Anwendungen der übernommenen Programmier- und Reasoning-Fähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein gesonderter Schritt.
Kontext und Grenzen der Ausgabe
Nutzen Sie das Fenster von 128k für Quellpassagen, Bilder, Gespräch und erwartete Antwort gemeinsam. Ein Vergleich großer Dokumente kann zusammengehörige Abschnitte bewahren und dabei eine kurze Matrix von Feststellungen zurückgeben. Ein großer konfigurierter Bildrahmen oder ein Generierungswert in einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist ein Anweisungsupdate mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Reasoning-Veröffentlichung Small 4. Die Modellkarte des Herstellers nennt für diesen Eintrag keine gesonderte harte Obergrenze für Ausgabetokens. Bewahren Sie seine genaue 2506-Identität und Formatierung und definieren Sie den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.2-24b-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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.00002 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-3.2-24b-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-3.2-24b-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-3.2-24b-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-3.2-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-3.2-24b-instructMistral Small 3.2 24B Instruct ist ein Text- und Bild-Anweisungsmodell mit einem vom Hersteller angegebenen Kontext von 128k. Sein Update 2506 verbessert gezielt das genaue Befolgen von Anweisungen, reduziert Wiederholungen und stärkt die Vorlage für Funktionsaufrufe, während die Kernfunktionen von Small 3.1 erhalten bleiben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.2 24B Instruct 2506 ist ein gezieltes Update von Mistral Small 3.1 24B Instruct 2503. Der Hersteller benennt drei konkrete Änderungen: präzise Anweisungen genauer befolgen, repetitive oder unkontrolliert weiterlaufende Antworten verringern und die Vorlage für Funktionsaufrufe robuster machen. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell, das Text erzeugt, statt eine neue Ausgabe für Audio- oder Bilderzeugung zu sein.
Was sich ändert und was erhalten bleibt
Die Modellkarte von 3.2 stellt ausdrücklich fest, dass ihre wesentlichen Funktionen denen der benannten Veröffentlichung Small 3.1 entsprechen. Dazu zählen Vision, mehrsprachige Arbeit, Unterstützung für Systemprompts, native Funktionsaufrufe, JSON-Ausgaben und ein Kontextfenster von 128k. Die referenzierte Modellkarte von 3.1 beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verbindung stützt die Übernahme dieser Funktionen in 3.2, während das Update 2506 als eigene Ausgabe erhalten bleibt.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen hat. Geben Sie das Quellenmaterial an, listen Sie die Regeln auf, die die Ausgabe erfüllen muss, und benennen Sie das zurückzugebende Artefakt. Eine Dokumentextraktionsanfrage könnte bestimmte Felder, ursprüngliche Kennungen, eine definierte Darstellung fehlender Werte und keinen Fließtext außerhalb des Datensatzes verlangen. Eine Schreibaufgabe könnte eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen und zugleich die bereitgestellten Bedingungen unverändert lassen.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und fügt keinen neuen Reasoning-Modus hinzu. Definieren Sie bei einer langen Antwort die erforderlichen Abschnitte und den Zweck jedes Abschnitts, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeuggestützter Gespräche; verwenden Sie die Gesprächs- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Die übernommene Vision-Funktion erlaubt es, eine Textfrage mit einem Bild zu verbinden. Stellen Sie eine lesbare Seite, ein Diagramm oder eine schematische Darstellung bereit und benennen Sie das für die Aufgabe benötigte Detail. Bewahren Sie bei einem Diagrammvergleich Achsen, Einheiten und Legende und verlangen Sie die Beobachtung, die jede Schlussfolgerung stützt. Bewahren Sie bei einem Dokumentfeld die Beschriftung und den umgebenden Kontext, damit der zurückgegebene Wert richtig ausgelegt werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengalisch und weitere vom Hersteller aufgeführte Sprachen. Geben Sie die Zielsprache und unverändert zu belassende Terminologie an. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten bewahren und dabei die umgebende Erklärung an die lesende Person anpassen.
Verlangen Sie für eine praktische visuelle Extraktion die Dokumentkennung, Feldbezeichnung, den extrahierten Text und den Bildbereich, der ihn stützt. Eine Erklärung kann gesondert folgen, wenn die lesende Person eine Interpretation benötigt. So werden Transkription, strukturierte Felder und Modellschlussfolgerung nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte von 3.2 empfiehlt einen auf den Anwendungsfall zugeschnittenen Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Legen Sie Rolle des Assistenten, Antwortregeln und Umgang mit Quellenmaterial ausdrücklich fest. Platzieren Sie das eigentliche Dokument oder den Code bei der Nutzeraufgabe und bewahren Sie die Grenze zwischen Anweisungen zur Antwort und Anweisungen, die innerhalb der Quelle zitiert werden.
Für Funktionsaufrufe muss die Anwendung Werkzeugbeschreibungen und erforderliche Argumente bereitstellen. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und liefert ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele enthalten visuelles Reasoning, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann daher das Modell auffordern, eine beschriebene Operation auszuwählen, während die tatsächliche Abfrage und ihr Ergebnis bei der umgebenden Anwendung liegen.
Geben Sie für eine Programmieranfrage die relevante Funktion, die das Problem offenlegende Eingabe und das gewünschte Verhalten an. Verlangen Sie eine vorgeschlagene Korrektur mit bewahrter ursprünglicher Schnittstelle und danach Beispiele, die das beabsichtigte Verhalten unterscheiden. Definieren Sie für eine mathematische Anfrage Variablen und Annahmen und verlangen Sie die wichtigen begründeten Schritte sowie einen getrennten abschließenden Ausdruck. Das sind Anwendungen der übernommenen Programmier- und Reasoning-Fähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein gesonderter Schritt.
Kontext und Grenzen der Ausgabe
Nutzen Sie das Fenster von 128k für Quellpassagen, Bilder, Gespräch und erwartete Antwort gemeinsam. Ein Vergleich großer Dokumente kann zusammengehörige Abschnitte bewahren und dabei eine kurze Matrix von Feststellungen zurückgeben. Ein großer konfigurierter Bildrahmen oder ein Generierungswert in einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist ein Anweisungsupdate mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Reasoning-Veröffentlichung Small 4. Die Modellkarte des Herstellers nennt für diesen Eintrag keine gesonderte harte Obergrenze für Ausgabetokens. Bewahren Sie seine genaue 2506-Identität und Formatierung und definieren Sie den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.2-24b-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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.00002 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-3.2-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.2-24b-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-3.2-24b-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-3.2-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract exactly the requested fields\n\nRead this note: 'Service case C-52. Customer: Dana Lee. Device: Lamp Mini. Reported problem: switches off after ten minutes.' Return exactly four labelled lines, in this order: Case ID, Device, Problem, Purchase date. Use unknown for missing information. Omit the customer's name and all introductory or closing prose.Exactly four labelled lines containing source-derived values or unknown, in the requested order.Purchase date is unknown, Dana Lee is omitted, and there are no extra lines.