Devstral Small 1.1 ist Mistral AIs fest versioniertes reines Textmodell für Softwareentwicklungsagenten. Es wurde aus Mistral Small 3.1 feingetrainiert, wobei der Bildencoder entfernt wurde, und konzentriert sich auf Repository-Erkundung, Werkzeuge und dateiübergreifende Codeänderungen. Die Veröffentlichung hat 24 Milliarden Parameter und ein Kontextfenster von bis zu 128K Tokens. Ihre Ausgabe besteht aus Text, Code oder Anweisungen für Funktionen, die die Agentenanwendung bereitstellt.
Version 1.1 bewahrt die Architektur der vorhergehenden Small-Veröffentlichung und erweitert zugleich die Arbeit mit Prompts und Programmierumgebungen. Der Hersteller beschreibt bessere Verallgemeinerung über unterschiedliche Agentengerüste und ergänzt Unterstützung für Mistrals Funktionsaufrufformat neben XML-basierten Formaten. Dies sind Darstellungs- und Interpretationsweisen von Agenteninteraktionen; bereitgestellte Werkzeuge und Ausführungsumgebung bestimmen, welche Repository-Aktionen verfügbar sind.
Zu den wichtigsten Modelleigenschaften gehören die Grösse von 24B, Gewichte unter Apache 2.0 und der Tekken-Tokenizer mit einem Vokabular von etwa 131K Einträgen. Die feste Version 1.1 ist durch ihren eigenen Veröffentlichungsnamen gekennzeichnet und behält ihren Kontext von 128K. Textliches Projektmaterial kann Quelldateien, Aufgabenanforderungen, frühere Aktionen und zurückgegebene Such- oder Befehlsergebnisse umfassen. So kann die nächste vorgeschlagene Änderung auf den Erkenntnissen des Agenten über das Projekt beruhen.
Ein praktischer Ablauf beginnt mit einem konkreten Entwicklungsziel. Lassen Sie den Agenten den eine Anfrage verarbeitenden Pfad finden, relevante Funktionen identifizieren und abgestimmte Änderungen an den beteiligten Dateien vorschlagen. Stellen Sie erwartetes Verhalten, Kompatibilitätsanforderungen und Beispiele bereit, die ein korrektes Ergebnis unterscheiden. Fügen Sie bei einem Fehler die beobachtete Fehlermeldung und die reproduzierende Eingabe hinzu. Benennen Sie bei einer Umstrukturierung die unverändert zu erhaltenden Schnittstellen und Verhaltensweisen. Das nutzbare Ergebnis ist der vorgeschlagene Patch samt Erklärung seiner Abhängigkeiten und der zur Validierung nötigen Prüfungen.
Das Modell unterstützt auch strukturierte Antworten und Dokumentfragen. Eine Codeprüfaufgabe kann separate Felder für betroffene Komponenten, Änderungsvorschläge und Folgeprüfungen liefern. Eine Aufgabe zu technischen Dokumenten kann die implementierungsrelevanten Anforderungen identifizieren. Präfixfortsetzung kann den Antwortbeginn festlegen, während asynchrone Batchabläufe unabhängige Codeanalysen verarbeiten können. Diese Funktionen ergänzen die hauptsächliche Repository- und Werkzeugspezialisierung.
Stellen Sie in einem Ailoot-API-Agenten Werkzeugbeschreibungen und Argumentschemata zusammen mit der Aufgabe bereit. Devstral kann eine Funktion auswählen und Argumente vorbereiten; die Anwendung führt die Funktion aus, gibt ihre Ausgabe zurück und setzt den Dialog fort. Das Modell erhält weder selbstständig Dateizugriff noch führt es seinen vorgeschlagenen Code aus. Nutzen Sie zurückgegebene Werkzeugergebnisse zur Verfeinerung der Änderungsvorschläge und schliessen Sie mit Code, Erklärung und Belegen der Umgebung ab. Die Identität Small 1.1 bleibt eigenständig gegenüber späteren Devstral-Versionen und allgemeinen Mistral-Small-Veröffentlichungen.
", "aboutText": "Devstral Small 1.1 ist Mistral AIs fest versioniertes reines Textmodell für Softwareentwicklungsagenten. Es wurde aus Mistral Small 3.1 feingetrainiert, wobei der Bildencoder entfernt wurde, und konzentriert sich auf Repository-Erkundung, Werkzeuge und dateiübergreifende Codeänderungen. Die Veröffentlichung hat 24 Milliarden Parameter und ein Kontextfenster von bis zu 128K Tokens. Ihre Ausgabe besteht aus Text, Code oder Anweisungen für Funktionen, die die Agentenanwendung bereitstellt.\n\nVersion 1.1 bewahrt die Architektur der vorhergehenden Small-Veröffentlichung und erweitert zugleich die Arbeit mit Prompts und Programmierumgebungen. Der Hersteller beschreibt bessere Verallgemeinerung über unterschiedliche Agentengerüste und ergänzt Unterstützung für Mistrals Funktionsaufrufformat neben XML-basierten Formaten. Dies sind Darstellungs- und Interpretationsweisen von Agenteninteraktionen; bereitgestellte Werkzeuge und Ausführungsumgebung bestimmen, welche Repository-Aktionen verfügbar sind.\n\nZu den wichtigsten Modelleigenschaften gehören die Grösse von 24B, Gewichte unter Apache 2.0 und der Tekken-Tokenizer mit einem Vokabular von etwa 131K Einträgen. Die feste Version 1.1 ist durch ihren eigenen Veröffentlichungsnamen gekennzeichnet und behält ihren Kontext von 128K. Textliches Projektmaterial kann Quelldateien, Aufgabenanforderungen, frühere Aktionen und zurückgegebene Such- oder Befehlsergebnisse umfassen. So kann die nächste vorgeschlagene Änderung auf den Erkenntnissen des Agenten über das Projekt beruhen.\n\nEin praktischer Ablauf beginnt mit einem konkreten Entwicklungsziel. Lassen Sie den Agenten den eine Anfrage verarbeitenden Pfad finden, relevante Funktionen identifizieren und abgestimmte Änderungen an den beteiligten Dateien vorschlagen. Stellen Sie erwartetes Verhalten, Kompatibilitätsanforderungen und Beispiele bereit, die ein korrektes Ergebnis unterscheiden. Fügen Sie bei einem Fehler die beobachtete Fehlermeldung und die reproduzierende Eingabe hinzu. Benennen Sie bei einer Umstrukturierung die unverändert zu erhaltenden Schnittstellen und Verhaltensweisen. Das nutzbare Ergebnis ist der vorgeschlagene Patch samt Erklärung seiner Abhängigkeiten und der zur Validierung nötigen Prüfungen.\n\nDas Modell unterstützt auch strukturierte Antworten und Dokumentfragen. Eine Codeprüfaufgabe kann separate Felder für betroffene Komponenten, Änderungsvorschläge und Folgeprüfungen liefern. Eine Aufgabe zu technischen Dokumenten kann die implementierungsrelevanten Anforderungen identifizieren. Präfixfortsetzung kann den Antwortbeginn festlegen, während asynchrone Batchabläufe unabhängige Codeanalysen verarbeiten können. Diese Funktionen ergänzen die hauptsächliche Repository- und Werkzeugspezialisierung.\n\nStellen Sie in einem Ailoot-API-Agenten Werkzeugbeschreibungen und Argumentschemata zusammen mit der Aufgabe bereit. Devstral kann eine Funktion auswählen und Argumente vorbereiten; die Anwendung führt die Funktion aus, gibt ihre Ausgabe zurück und setzt den Dialog fort. Das Modell erhält weder selbstständig Dateizugriff noch führt es seinen vorgeschlagenen Code aus. Nutzen Sie zurückgegebene Werkzeugergebnisse zur Verfeinerung der Änderungsvorschläge und schliessen Sie mit Code, Erklärung und Belegen der Umgebung ab. Die Identität Small 1.1 bleibt eigenständig gegenüber späteren Devstral-Versionen und allgemeinen Mistral-Small-Veröffentlichungen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.devstral-small-2507Devstral Small 1.1 ist Mistral AIs reines 24B-Textmodell für Programmieragenten zur Repository-Erkundung und Vorbereitung abgestimmter Änderungen über Dateien hinweg. Version 1.1 ergänzt breitere Promptkompatibilität und unterstützt Funktionsaufrufe sowie XML-basierte Agentenformate bei einem Kontextfenster von 128K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Devstral Small 1.1 ist Mistral AIs fest versioniertes reines Textmodell für Softwareentwicklungsagenten. Es wurde aus Mistral Small 3.1 feingetrainiert, wobei der Bildencoder entfernt wurde, und konzentriert sich auf Repository-Erkundung, Werkzeuge und dateiübergreifende Codeänderungen. Die Veröffentlichung hat 24 Milliarden Parameter und ein Kontextfenster von bis zu 128K Tokens. Ihre Ausgabe besteht aus Text, Code oder Anweisungen für Funktionen, die die Agentenanwendung bereitstellt.
Version 1.1 bewahrt die Architektur der vorhergehenden Small-Veröffentlichung und erweitert zugleich die Arbeit mit Prompts und Programmierumgebungen. Der Hersteller beschreibt bessere Verallgemeinerung über unterschiedliche Agentengerüste und ergänzt Unterstützung für Mistrals Funktionsaufrufformat neben XML-basierten Formaten. Dies sind Darstellungs- und Interpretationsweisen von Agenteninteraktionen; bereitgestellte Werkzeuge und Ausführungsumgebung bestimmen, welche Repository-Aktionen verfügbar sind.
Zu den wichtigsten Modelleigenschaften gehören die Grösse von 24B, Gewichte unter Apache 2.0 und der Tekken-Tokenizer mit einem Vokabular von etwa 131K Einträgen. Die feste Version 1.1 ist durch ihren eigenen Veröffentlichungsnamen gekennzeichnet und behält ihren Kontext von 128K. Textliches Projektmaterial kann Quelldateien, Aufgabenanforderungen, frühere Aktionen und zurückgegebene Such- oder Befehlsergebnisse umfassen. So kann die nächste vorgeschlagene Änderung auf den Erkenntnissen des Agenten über das Projekt beruhen.
Ein praktischer Ablauf beginnt mit einem konkreten Entwicklungsziel. Lassen Sie den Agenten den eine Anfrage verarbeitenden Pfad finden, relevante Funktionen identifizieren und abgestimmte Änderungen an den beteiligten Dateien vorschlagen. Stellen Sie erwartetes Verhalten, Kompatibilitätsanforderungen und Beispiele bereit, die ein korrektes Ergebnis unterscheiden. Fügen Sie bei einem Fehler die beobachtete Fehlermeldung und die reproduzierende Eingabe hinzu. Benennen Sie bei einer Umstrukturierung die unverändert zu erhaltenden Schnittstellen und Verhaltensweisen. Das nutzbare Ergebnis ist der vorgeschlagene Patch samt Erklärung seiner Abhängigkeiten und der zur Validierung nötigen Prüfungen.
Das Modell unterstützt auch strukturierte Antworten und Dokumentfragen. Eine Codeprüfaufgabe kann separate Felder für betroffene Komponenten, Änderungsvorschläge und Folgeprüfungen liefern. Eine Aufgabe zu technischen Dokumenten kann die implementierungsrelevanten Anforderungen identifizieren. Präfixfortsetzung kann den Antwortbeginn festlegen, während asynchrone Batchabläufe unabhängige Codeanalysen verarbeiten können. Diese Funktionen ergänzen die hauptsächliche Repository- und Werkzeugspezialisierung.
Stellen Sie in einem Ailoot-API-Agenten Werkzeugbeschreibungen und Argumentschemata zusammen mit der Aufgabe bereit. Devstral kann eine Funktion auswählen und Argumente vorbereiten; die Anwendung führt die Funktion aus, gibt ihre Ausgabe zurück und setzt den Dialog fort. Das Modell erhält weder selbstständig Dateizugriff noch führt es seinen vorgeschlagenen Code aus. Nutzen Sie zurückgegebene Werkzeugergebnisse zur Verfeinerung der Änderungsvorschläge und schliessen Sie mit Code, Erklärung und Belegen der Umgebung ab. Die Identität Small 1.1 bleibt eigenständig gegenüber späteren Devstral-Versionen und allgemeinen Mistral-Small-Veröffentlichungen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits devstral-small-2507 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00022 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2507", "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='devstral-small-2507',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='devstral-small-2507',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 devstral-small-2507
Verwenden Sie die oben angezeigten Methodenpfade.
devstral-small-2507Devstral Small 1.1 ist Mistral AIs reines 24B-Textmodell für Programmieragenten zur Repository-Erkundung und Vorbereitung abgestimmter Änderungen über Dateien hinweg. Version 1.1 ergänzt breitere Promptkompatibilität und unterstützt Funktionsaufrufe sowie XML-basierte Agentenformate bei einem Kontextfenster von 128K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Devstral Small 1.1 ist Mistral AIs fest versioniertes reines Textmodell für Softwareentwicklungsagenten. Es wurde aus Mistral Small 3.1 feingetrainiert, wobei der Bildencoder entfernt wurde, und konzentriert sich auf Repository-Erkundung, Werkzeuge und dateiübergreifende Codeänderungen. Die Veröffentlichung hat 24 Milliarden Parameter und ein Kontextfenster von bis zu 128K Tokens. Ihre Ausgabe besteht aus Text, Code oder Anweisungen für Funktionen, die die Agentenanwendung bereitstellt.
Version 1.1 bewahrt die Architektur der vorhergehenden Small-Veröffentlichung und erweitert zugleich die Arbeit mit Prompts und Programmierumgebungen. Der Hersteller beschreibt bessere Verallgemeinerung über unterschiedliche Agentengerüste und ergänzt Unterstützung für Mistrals Funktionsaufrufformat neben XML-basierten Formaten. Dies sind Darstellungs- und Interpretationsweisen von Agenteninteraktionen; bereitgestellte Werkzeuge und Ausführungsumgebung bestimmen, welche Repository-Aktionen verfügbar sind.
Zu den wichtigsten Modelleigenschaften gehören die Grösse von 24B, Gewichte unter Apache 2.0 und der Tekken-Tokenizer mit einem Vokabular von etwa 131K Einträgen. Die feste Version 1.1 ist durch ihren eigenen Veröffentlichungsnamen gekennzeichnet und behält ihren Kontext von 128K. Textliches Projektmaterial kann Quelldateien, Aufgabenanforderungen, frühere Aktionen und zurückgegebene Such- oder Befehlsergebnisse umfassen. So kann die nächste vorgeschlagene Änderung auf den Erkenntnissen des Agenten über das Projekt beruhen.
Ein praktischer Ablauf beginnt mit einem konkreten Entwicklungsziel. Lassen Sie den Agenten den eine Anfrage verarbeitenden Pfad finden, relevante Funktionen identifizieren und abgestimmte Änderungen an den beteiligten Dateien vorschlagen. Stellen Sie erwartetes Verhalten, Kompatibilitätsanforderungen und Beispiele bereit, die ein korrektes Ergebnis unterscheiden. Fügen Sie bei einem Fehler die beobachtete Fehlermeldung und die reproduzierende Eingabe hinzu. Benennen Sie bei einer Umstrukturierung die unverändert zu erhaltenden Schnittstellen und Verhaltensweisen. Das nutzbare Ergebnis ist der vorgeschlagene Patch samt Erklärung seiner Abhängigkeiten und der zur Validierung nötigen Prüfungen.
Das Modell unterstützt auch strukturierte Antworten und Dokumentfragen. Eine Codeprüfaufgabe kann separate Felder für betroffene Komponenten, Änderungsvorschläge und Folgeprüfungen liefern. Eine Aufgabe zu technischen Dokumenten kann die implementierungsrelevanten Anforderungen identifizieren. Präfixfortsetzung kann den Antwortbeginn festlegen, während asynchrone Batchabläufe unabhängige Codeanalysen verarbeiten können. Diese Funktionen ergänzen die hauptsächliche Repository- und Werkzeugspezialisierung.
Stellen Sie in einem Ailoot-API-Agenten Werkzeugbeschreibungen und Argumentschemata zusammen mit der Aufgabe bereit. Devstral kann eine Funktion auswählen und Argumente vorbereiten; die Anwendung führt die Funktion aus, gibt ihre Ausgabe zurück und setzt den Dialog fort. Das Modell erhält weder selbstständig Dateizugriff noch führt es seinen vorgeschlagenen Code aus. Nutzen Sie zurückgegebene Werkzeugergebnisse zur Verfeinerung der Änderungsvorschläge und schliessen Sie mit Code, Erklärung und Belegen der Umgebung ab. Die Identität Small 1.1 bleibt eigenständig gegenüber späteren Devstral-Versionen und allgemeinen Mistral-Small-Veröffentlichungen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits devstral-small-2507 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00022 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "devstral-small-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2507', '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': 'devstral-small-2507', '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 devstral-small-2507
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.