Mistral Small ist die vielseitige Modellfamilie von Mistral AI für Anweisungsbefolgung, Dokumentarbeit und Programmierassistenten. Ihre veröffentlichten Ausgaben haben unterschiedliche Architekturen und Kontextgrenzen. Small 4 verbindet Anweisungsbefolgung, Schlussfolgern und agentengestützte Programmierung in einem multimodalen Modell. Es nimmt Text und Bilder entgegen und erzeugt Text, sodass dieselbe Aufgabe eine schriftliche Anforderung und visuelle Belege wie eine Dokumentseite oder einen Screenshot einer Oberfläche umfassen kann.
Small 4 verwendet eine Mixture-of-Experts-Architektur mit insgesamt 119 Milliarden Parametern und 128 Experten, von denen pro Token vier ausgewählt werden. Sein Kontextfenster umfasst 256K Tokens. Die vorangehende Ausgabe Small 3.2 hat ein Kontextfenster von 128K. Dies sind versionsbezogene Eigenschaften: Die Auswahl einer Familie folgt einer aktualisierten Ausgabe, während ein fester Modellname eine bestimmte Veröffentlichung bezeichnet.
Small 4 bietet zwei Einstellungen für den Denkaufwand. Die Einstellung für direkte Antworten nutzt minimales Nachdenken und gibt die Antwort ohne separaten Denkabschnitt zurück. Die Einstellung mit hohem Aufwand fügt vor der endgültigen Antwort ausführlicheres Schlussfolgern hinzu und ist für schwierigere Probleme gedacht. Damit werden alltäglicher Chat, mathematische Analyse, Recherche und Codeaufgaben verbunden. In einem Gespräch mit Schlussfolgern bewahrt die vollständige vorherige Assistentennachricht den für weitere Gesprächsrunden nötigen Kontext.
Zu den Anwendungsfunktionen des Modells gehören Funktionsaufrufe, strukturierte Ausgaben, Dokumentfragen und die kontrollierte Fortsetzung einer Antwort. Funktionsaufrufe beginnen mit Beschreibungen der verfügbaren Werkzeuge und ihrer erwarteten Argumente. Das Modell kann eine passende Funktion auswählen, fehlende Informationen erkennen und die Argumente erzeugen; die Anwendung führt die Funktion aus und gibt das Ergebnis für die nächste Antwort zurück. Der Werkzeugablauf kann automatische Auswahl zulassen, ein Werkzeug verlangen, Werkzeugnutzung ausschalten oder mehrere parallele Aufrufe erlauben. Diese Steuerungen gehören zum umgebenden Anwendungsablauf.
Strukturierte Ausgaben unterstützen sowohl JSON als auch ein benutzerdefiniertes Schema. JSON-bezogene Aufgaben sollten das erwartete Format ausdrücklich beschreiben, während ein Schema die für nachgelagerte Verarbeitung erforderlichen Felder und Typen festlegt. Dokumentfragen verbinden die Extraktion von Text und Layout mit Sprachmodellanalyse: Fragen Sie nach einer bestimmten Bedingung, vergleichen Sie Abschnitte oder erfassen Sie einen festgelegten Feldsatz. Die Unterstützung vorhergesagter Ausgaben hilft bei der Überarbeitung von Text oder Code, wenn ein grosser Teil des Ergebnisses bereits bekannt ist. Die Präfixfortsetzung liefert einen gewählten Antwortanfang; Stapelverarbeitung bearbeitet Sammlungen unabhängiger Anfragen asynchron.
Definieren Sie für einen Ailoot-API-Assistenten ein nützliches Arbeitsergebnis und das Material, das es stützt. Eine Supportaufgabe kann eine Anfrage mit einem Screenshot verbinden, um eine Antwort mit extrahierten Beobachtungen zu erstellen. Eine Dokumentaufgabe kann eine Feldtabelle und ungeklärte Fragen zurückgeben. Eine Programmieraufgabe kann die relevanten Dateien untersuchen, abgestimmte Änderungen vorschlagen und sie anhand der Prüfungen der Anwendung verfeinern. Small 4 wird mit Apache-2.0-Gewichten zur Anpassung veröffentlicht; der Familienname bewahrt die allgemeine Modellauswahl, während konkrete Modi und Grenzen zur ausgewählten Ausgabe gehören.
", "aboutText": "Mistral Small ist die vielseitige Modellfamilie von Mistral AI für Anweisungsbefolgung, Dokumentarbeit und Programmierassistenten. Ihre veröffentlichten Ausgaben haben unterschiedliche Architekturen und Kontextgrenzen. Small 4 verbindet Anweisungsbefolgung, Schlussfolgern und agentengestützte Programmierung in einem multimodalen Modell. Es nimmt Text und Bilder entgegen und erzeugt Text, sodass dieselbe Aufgabe eine schriftliche Anforderung und visuelle Belege wie eine Dokumentseite oder einen Screenshot einer Oberfläche umfassen kann.\n\nSmall 4 verwendet eine Mixture-of-Experts-Architektur mit insgesamt 119 Milliarden Parametern und 128 Experten, von denen pro Token vier ausgewählt werden. Sein Kontextfenster umfasst 256K Tokens. Die vorangehende Ausgabe Small 3.2 hat ein Kontextfenster von 128K. Dies sind versionsbezogene Eigenschaften: Die Auswahl einer Familie folgt einer aktualisierten Ausgabe, während ein fester Modellname eine bestimmte Veröffentlichung bezeichnet.\n\nSmall 4 bietet zwei Einstellungen für den Denkaufwand. Die Einstellung für direkte Antworten nutzt minimales Nachdenken und gibt die Antwort ohne separaten Denkabschnitt zurück. Die Einstellung mit hohem Aufwand fügt vor der endgültigen Antwort ausführlicheres Schlussfolgern hinzu und ist für schwierigere Probleme gedacht. Damit werden alltäglicher Chat, mathematische Analyse, Recherche und Codeaufgaben verbunden. In einem Gespräch mit Schlussfolgern bewahrt die vollständige vorherige Assistentennachricht den für weitere Gesprächsrunden nötigen Kontext.\n\nZu den Anwendungsfunktionen des Modells gehören Funktionsaufrufe, strukturierte Ausgaben, Dokumentfragen und die kontrollierte Fortsetzung einer Antwort. Funktionsaufrufe beginnen mit Beschreibungen der verfügbaren Werkzeuge und ihrer erwarteten Argumente. Das Modell kann eine passende Funktion auswählen, fehlende Informationen erkennen und die Argumente erzeugen; die Anwendung führt die Funktion aus und gibt das Ergebnis für die nächste Antwort zurück. Der Werkzeugablauf kann automatische Auswahl zulassen, ein Werkzeug verlangen, Werkzeugnutzung ausschalten oder mehrere parallele Aufrufe erlauben. Diese Steuerungen gehören zum umgebenden Anwendungsablauf.\n\nStrukturierte Ausgaben unterstützen sowohl JSON als auch ein benutzerdefiniertes Schema. JSON-bezogene Aufgaben sollten das erwartete Format ausdrücklich beschreiben, während ein Schema die für nachgelagerte Verarbeitung erforderlichen Felder und Typen festlegt. Dokumentfragen verbinden die Extraktion von Text und Layout mit Sprachmodellanalyse: Fragen Sie nach einer bestimmten Bedingung, vergleichen Sie Abschnitte oder erfassen Sie einen festgelegten Feldsatz. Die Unterstützung vorhergesagter Ausgaben hilft bei der Überarbeitung von Text oder Code, wenn ein grosser Teil des Ergebnisses bereits bekannt ist. Die Präfixfortsetzung liefert einen gewählten Antwortanfang; Stapelverarbeitung bearbeitet Sammlungen unabhängiger Anfragen asynchron.\n\nDefinieren Sie für einen Ailoot-API-Assistenten ein nützliches Arbeitsergebnis und das Material, das es stützt. Eine Supportaufgabe kann eine Anfrage mit einem Screenshot verbinden, um eine Antwort mit extrahierten Beobachtungen zu erstellen. Eine Dokumentaufgabe kann eine Feldtabelle und ungeklärte Fragen zurückgeben. Eine Programmieraufgabe kann die relevanten Dateien untersuchen, abgestimmte Änderungen vorschlagen und sie anhand der Prüfungen der Anwendung verfeinern. Small 4 wird mit Apache-2.0-Gewichten zur Anpassung veröffentlicht; der Familienname bewahrt die allgemeine Modellauswahl, während konkrete Modi und Grenzen zur ausgewählten Ausgabe gehören.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.mistral-small-latestDie allgemeine Small-Familie von Mistral AI unterstützt Assistenten, Dokumentanalyse und Programmierabläufe mit Werkzeugaufrufen und strukturierten Antworten. Ihre Edition Small 4 verbindet direkte Antworten und einstellbares Reasoning mit Text- und Bildeingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small ist die vielseitige Modellfamilie von Mistral AI für Anweisungsbefolgung, Dokumentarbeit und Programmierassistenten. Ihre veröffentlichten Ausgaben haben unterschiedliche Architekturen und Kontextgrenzen. Small 4 verbindet Anweisungsbefolgung, Schlussfolgern und agentengestützte Programmierung in einem multimodalen Modell. Es nimmt Text und Bilder entgegen und erzeugt Text, sodass dieselbe Aufgabe eine schriftliche Anforderung und visuelle Belege wie eine Dokumentseite oder einen Screenshot einer Oberfläche umfassen kann.
Small 4 verwendet eine Mixture-of-Experts-Architektur mit insgesamt 119 Milliarden Parametern und 128 Experten, von denen pro Token vier ausgewählt werden. Sein Kontextfenster umfasst 256K Tokens. Die vorangehende Ausgabe Small 3.2 hat ein Kontextfenster von 128K. Dies sind versionsbezogene Eigenschaften: Die Auswahl einer Familie folgt einer aktualisierten Ausgabe, während ein fester Modellname eine bestimmte Veröffentlichung bezeichnet.
Small 4 bietet zwei Einstellungen für den Denkaufwand. Die Einstellung für direkte Antworten nutzt minimales Nachdenken und gibt die Antwort ohne separaten Denkabschnitt zurück. Die Einstellung mit hohem Aufwand fügt vor der endgültigen Antwort ausführlicheres Schlussfolgern hinzu und ist für schwierigere Probleme gedacht. Damit werden alltäglicher Chat, mathematische Analyse, Recherche und Codeaufgaben verbunden. In einem Gespräch mit Schlussfolgern bewahrt die vollständige vorherige Assistentennachricht den für weitere Gesprächsrunden nötigen Kontext.
Zu den Anwendungsfunktionen des Modells gehören Funktionsaufrufe, strukturierte Ausgaben, Dokumentfragen und die kontrollierte Fortsetzung einer Antwort. Funktionsaufrufe beginnen mit Beschreibungen der verfügbaren Werkzeuge und ihrer erwarteten Argumente. Das Modell kann eine passende Funktion auswählen, fehlende Informationen erkennen und die Argumente erzeugen; die Anwendung führt die Funktion aus und gibt das Ergebnis für die nächste Antwort zurück. Der Werkzeugablauf kann automatische Auswahl zulassen, ein Werkzeug verlangen, Werkzeugnutzung ausschalten oder mehrere parallele Aufrufe erlauben. Diese Steuerungen gehören zum umgebenden Anwendungsablauf.
Strukturierte Ausgaben unterstützen sowohl JSON als auch ein benutzerdefiniertes Schema. JSON-bezogene Aufgaben sollten das erwartete Format ausdrücklich beschreiben, während ein Schema die für nachgelagerte Verarbeitung erforderlichen Felder und Typen festlegt. Dokumentfragen verbinden die Extraktion von Text und Layout mit Sprachmodellanalyse: Fragen Sie nach einer bestimmten Bedingung, vergleichen Sie Abschnitte oder erfassen Sie einen festgelegten Feldsatz. Die Unterstützung vorhergesagter Ausgaben hilft bei der Überarbeitung von Text oder Code, wenn ein grosser Teil des Ergebnisses bereits bekannt ist. Die Präfixfortsetzung liefert einen gewählten Antwortanfang; Stapelverarbeitung bearbeitet Sammlungen unabhängiger Anfragen asynchron.
Definieren Sie für einen Ailoot-API-Assistenten ein nützliches Arbeitsergebnis und das Material, das es stützt. Eine Supportaufgabe kann eine Anfrage mit einem Screenshot verbinden, um eine Antwort mit extrahierten Beobachtungen zu erstellen. Eine Dokumentaufgabe kann eine Feldtabelle und ungeklärte Fragen zurückgeben. Eine Programmieraufgabe kann die relevanten Dateien untersuchen, abgestimmte Änderungen vorschlagen und sie anhand der Prüfungen der Anwendung verfeinern. Small 4 wird mit Apache-2.0-Gewichten zur Anpassung veröffentlicht; der Familienname bewahrt die allgemeine Modellauswahl, während konkrete Modi und Grenzen zur ausgewählten Ausgabe gehören.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistral-small-latest | 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.0011 / 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": "mistral-small-latest", "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='mistral-small-latest',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='mistral-small-latest',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 mistral-small-latest
Verwenden Sie die oben angezeigten Methodenpfade.
mistral-small-latestDie allgemeine Small-Familie von Mistral AI unterstützt Assistenten, Dokumentanalyse und Programmierabläufe mit Werkzeugaufrufen und strukturierten Antworten. Ihre Edition Small 4 verbindet direkte Antworten und einstellbares Reasoning mit Text- und Bildeingaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small ist die vielseitige Modellfamilie von Mistral AI für Anweisungsbefolgung, Dokumentarbeit und Programmierassistenten. Ihre veröffentlichten Ausgaben haben unterschiedliche Architekturen und Kontextgrenzen. Small 4 verbindet Anweisungsbefolgung, Schlussfolgern und agentengestützte Programmierung in einem multimodalen Modell. Es nimmt Text und Bilder entgegen und erzeugt Text, sodass dieselbe Aufgabe eine schriftliche Anforderung und visuelle Belege wie eine Dokumentseite oder einen Screenshot einer Oberfläche umfassen kann.
Small 4 verwendet eine Mixture-of-Experts-Architektur mit insgesamt 119 Milliarden Parametern und 128 Experten, von denen pro Token vier ausgewählt werden. Sein Kontextfenster umfasst 256K Tokens. Die vorangehende Ausgabe Small 3.2 hat ein Kontextfenster von 128K. Dies sind versionsbezogene Eigenschaften: Die Auswahl einer Familie folgt einer aktualisierten Ausgabe, während ein fester Modellname eine bestimmte Veröffentlichung bezeichnet.
Small 4 bietet zwei Einstellungen für den Denkaufwand. Die Einstellung für direkte Antworten nutzt minimales Nachdenken und gibt die Antwort ohne separaten Denkabschnitt zurück. Die Einstellung mit hohem Aufwand fügt vor der endgültigen Antwort ausführlicheres Schlussfolgern hinzu und ist für schwierigere Probleme gedacht. Damit werden alltäglicher Chat, mathematische Analyse, Recherche und Codeaufgaben verbunden. In einem Gespräch mit Schlussfolgern bewahrt die vollständige vorherige Assistentennachricht den für weitere Gesprächsrunden nötigen Kontext.
Zu den Anwendungsfunktionen des Modells gehören Funktionsaufrufe, strukturierte Ausgaben, Dokumentfragen und die kontrollierte Fortsetzung einer Antwort. Funktionsaufrufe beginnen mit Beschreibungen der verfügbaren Werkzeuge und ihrer erwarteten Argumente. Das Modell kann eine passende Funktion auswählen, fehlende Informationen erkennen und die Argumente erzeugen; die Anwendung führt die Funktion aus und gibt das Ergebnis für die nächste Antwort zurück. Der Werkzeugablauf kann automatische Auswahl zulassen, ein Werkzeug verlangen, Werkzeugnutzung ausschalten oder mehrere parallele Aufrufe erlauben. Diese Steuerungen gehören zum umgebenden Anwendungsablauf.
Strukturierte Ausgaben unterstützen sowohl JSON als auch ein benutzerdefiniertes Schema. JSON-bezogene Aufgaben sollten das erwartete Format ausdrücklich beschreiben, während ein Schema die für nachgelagerte Verarbeitung erforderlichen Felder und Typen festlegt. Dokumentfragen verbinden die Extraktion von Text und Layout mit Sprachmodellanalyse: Fragen Sie nach einer bestimmten Bedingung, vergleichen Sie Abschnitte oder erfassen Sie einen festgelegten Feldsatz. Die Unterstützung vorhergesagter Ausgaben hilft bei der Überarbeitung von Text oder Code, wenn ein grosser Teil des Ergebnisses bereits bekannt ist. Die Präfixfortsetzung liefert einen gewählten Antwortanfang; Stapelverarbeitung bearbeitet Sammlungen unabhängiger Anfragen asynchron.
Definieren Sie für einen Ailoot-API-Assistenten ein nützliches Arbeitsergebnis und das Material, das es stützt. Eine Supportaufgabe kann eine Anfrage mit einem Screenshot verbinden, um eine Antwort mit extrahierten Beobachtungen zu erstellen. Eine Dokumentaufgabe kann eine Feldtabelle und ungeklärte Fragen zurückgeben. Eine Programmieraufgabe kann die relevanten Dateien untersuchen, abgestimmte Änderungen vorschlagen und sie anhand der Prüfungen der Anwendung verfeinern. Small 4 wird mit Apache-2.0-Gewichten zur Anpassung veröffentlicht; der Familienname bewahrt die allgemeine Modellauswahl, während konkrete Modi und Grenzen zur ausgewählten Ausgabe gehören.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistral-small-latest | 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.0011 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistral-small-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-small-latest', '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': 'mistral-small-latest', '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 mistral-small-latest
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.