Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Checkpoint verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; die Nutzungshinweise nennen als standardmässig konfigurierte Länge 262’144. Diese Komponentengrössen gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, einschliesslich Datensätzen im JSON-Format oder vorgeschlagenen Funktionsaufrufen.
Der Hersteller beschreibt die Unterstützung von Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt auch die Befolgung von Systemprompts hervor. Geben Sie die gewünschte Ausgabesprache und die Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. So bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Geben Sie für eine Klassifikationsaufgabe die zulässigen Bezeichnungen, die Regel zu ihrer Unterscheidung und die zu klassifizierende Nachricht an. Fordern Sie eine ausgewählte Bezeichnung und eine kurze, auf der bereitgestellten Nachricht beruhende Erklärung an. Sind die Bezeichnungen mehrdeutig, legen Sie fest, welche Informationen sie unterscheiden würden, statt sich allein auf ihre Namen zu verlassen. Dadurch entsteht ein kompaktes Ergebnis, das sich in einem grösseren Ablauf konsistent verwenden lässt.
Listen Sie für eine Extraktion die Felder und ihre Typen auf und legen Sie fest, wie fehlende Informationen darzustellen sind. Eine Anfrage kann nach einer Artikelkennung, dem ausdrücklich beschriebenen Zustand und der vom Nutzer gewünschten Handlung fragen. Verlangen Sie den Originalwortlaut, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; die Gestaltung der Felder bleibt Teil der Aufgabe und ist kein eingebautes Universalschema.
Die Modellkarte nennt ausserdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Legen Sie für eine Bildbeschreibung fest, welcher Bildaspekt beschrieben werden soll und wer die Zielgruppe ist. Geben Sie für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge an. Eine Supportantwort kann anhand der ursprünglichen Frage und bereitgestellter Hinweise einen knappen nächsten Schritt samt der Bedingung formulieren, unter der er anwendbar ist.
Visuelle und mehrsprachige Vorbereitung
Verbinden Sie ein Bild mit einer klaren Textfrage. Bewahren Sie bei einem Dokumentfeld die Bezeichnung, den Wert und den zum Verständnis nötigen umgebenden Kontext. Geben Sie bei einer Objektbeschreibung an, welches sichtbare Merkmal zählt. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab; schneiden Sie bei Bedarf zu, ohne die für die Frage erforderlichen Belege zu entfernen.
Stellen Sie für eine Übersetzung den Originaltext, die Zielsprache und eine etwaige Terminologieliste bereit. Fordern Sie die übersetzte Passage getrennt von einer optionalen Erklärung an. Bei einer mehrsprachigen Klassifikationsaufgabe können die Anwendungsbezeichnungen unverändert bleiben, während die ausgewählte Bezeichnung in der Sprache der Lesenden erklärt wird. Dies sind festgelegte Ausgaben und keine Aufforderung, eine Nachricht oder ein Bild unverbindlich zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen es einer Anwendung, das Gespräch mit einem beschriebenen Vorgang zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert liefern, oder ein Rechenwerkzeug kann mit Werten arbeiten, die aus einem Bild ermittelt wurden. Das Textmodell führt die Funktion nicht selbst aus, indem es lediglich ihren Namen und ihre Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall samt Hinweisen zur Werkzeugnutzung festlegt. Halten Sie Werkzeugbeschreibungen klar und beschränken Sie die Auswahl auf die mindestens erforderlichen Vorgänge. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter verständlich sein als ein Prompt mit vielen unzusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte gibt Hinweise für eine niedrige Temperatur: unter 0.1 für alltägliche und produktionsnahe Nutzung sowie in einem gesonderten Sampling-Hinweis eine Anfangstemperatur von 0.1 für die meisten Anwendungsfälle. Für kreative Inhalte können höhere Werte erprobt werden. Diese Empfehlungen haben unterschiedliche angegebene Geltungsbereiche; sie garantieren nicht, dass eine einzige Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Ausgabe und Kontextgrenzen
Ministral 3 bietet für jede Modellgrösse separate Base-, Instruct- und Reasoning-Veröffentlichungen. Dieser Eintrag bezeichnet den Checkpoint Instruct 2512 und keinen automatisch aktivierten Denkmodus oder die vortrainierte Basis. Der Hersteller nennt Spezialisierung und Feinabstimmung als mögliche Anwendungen; für die konkrete Anweisungsaufgabe müssen Eingaben, Regeln und Ausgabe dennoch klar definiert sein.
Halten Sie relevantes Ausgangsmaterial und Gespräch innerhalb des konfigurierten Kontexts und fordern Sie das kompakte Ergebnis an, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das gesamte Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein Beispiel mit grosszügigem Generierungsbudget sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Handlungen erfordern weitere Komponenten zusätzlich zu diesem Modell mit Textausgabe.
", "aboutText": "Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Checkpoint verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.\n\nModellkomponenten und Fähigkeiten\n\nDie Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; die Nutzungshinweise nennen als standardmässig konfigurierte Länge 262’144. Diese Komponentengrössen gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, einschliesslich Datensätzen im JSON-Format oder vorgeschlagenen Funktionsaufrufen.\n\nDer Hersteller beschreibt die Unterstützung von Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt auch die Befolgung von Systemprompts hervor. Geben Sie die gewünschte Ausgabesprache und die Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. So bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.\n\nGezielte Klassifikation und Extraktion\n\nGeben Sie für eine Klassifikationsaufgabe die zulässigen Bezeichnungen, die Regel zu ihrer Unterscheidung und die zu klassifizierende Nachricht an. Fordern Sie eine ausgewählte Bezeichnung und eine kurze, auf der bereitgestellten Nachricht beruhende Erklärung an. Sind die Bezeichnungen mehrdeutig, legen Sie fest, welche Informationen sie unterscheiden würden, statt sich allein auf ihre Namen zu verlassen. Dadurch entsteht ein kompaktes Ergebnis, das sich in einem grösseren Ablauf konsistent verwenden lässt.\n\nListen Sie für eine Extraktion die Felder und ihre Typen auf und legen Sie fest, wie fehlende Informationen darzustellen sind. Eine Anfrage kann nach einer Artikelkennung, dem ausdrücklich beschriebenen Zustand und der vom Nutzer gewünschten Handlung fragen. Verlangen Sie den Originalwortlaut, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; die Gestaltung der Felder bleibt Teil der Aufgabe und ist kein eingebautes Universalschema.\n\nDie Modellkarte nennt ausserdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Legen Sie für eine Bildbeschreibung fest, welcher Bildaspekt beschrieben werden soll und wer die Zielgruppe ist. Geben Sie für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge an. Eine Supportantwort kann anhand der ursprünglichen Frage und bereitgestellter Hinweise einen knappen nächsten Schritt samt der Bedingung formulieren, unter der er anwendbar ist.\n\nVisuelle und mehrsprachige Vorbereitung\n\nVerbinden Sie ein Bild mit einer klaren Textfrage. Bewahren Sie bei einem Dokumentfeld die Bezeichnung, den Wert und den zum Verständnis nötigen umgebenden Kontext. Geben Sie bei einer Objektbeschreibung an, welches sichtbare Merkmal zählt. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab; schneiden Sie bei Bedarf zu, ohne die für die Frage erforderlichen Belege zu entfernen.\n\nStellen Sie für eine Übersetzung den Originaltext, die Zielsprache und eine etwaige Terminologieliste bereit. Fordern Sie die übersetzte Passage getrennt von einer optionalen Erklärung an. Bei einer mehrsprachigen Klassifikationsaufgabe können die Anwendungsbezeichnungen unverändert bleiben, während die ausgewählte Bezeichnung in der Sprache der Lesenden erklärt wird. Dies sind festgelegte Ausgaben und keine Aufforderung, eine Nachricht oder ein Bild unverbindlich zu erörtern.\n\nWerkzeuge und empfohlene Einstellungen\n\nNative Funktionsaufrufe ermöglichen es einer Anwendung, das Gespräch mit einem beschriebenen Vorgang zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert liefern, oder ein Rechenwerkzeug kann mit Werten arbeiten, die aus einem Bild ermittelt wurden. Das Textmodell führt die Funktion nicht selbst aus, indem es lediglich ihren Namen und ihre Argumente erzeugt.\n\nDer Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall samt Hinweisen zur Werkzeugnutzung festlegt. Halten Sie Werkzeugbeschreibungen klar und beschränken Sie die Auswahl auf die mindestens erforderlichen Vorgänge. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter verständlich sein als ein Prompt mit vielen unzusammenhängenden Funktionen ohne Auswahlregel.\n\nDie Modellkarte gibt Hinweise für eine niedrige Temperatur: unter 0.1 für alltägliche und produktionsnahe Nutzung sowie in einem gesonderten Sampling-Hinweis eine Anfangstemperatur von 0.1 für die meisten Anwendungsfälle. Für kreative Inhalte können höhere Werte erprobt werden. Diese Empfehlungen haben unterschiedliche angegebene Geltungsbereiche; sie garantieren nicht, dass eine einzige Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.\n\nAusgabe und Kontextgrenzen\n\nMinistral 3 bietet für jede Modellgrösse separate Base-, Instruct- und Reasoning-Veröffentlichungen. Dieser Eintrag bezeichnet den Checkpoint Instruct 2512 und keinen automatisch aktivierten Denkmodus oder die vortrainierte Basis. Der Hersteller nennt Spezialisierung und Feinabstimmung als mögliche Anwendungen; für die konkrete Anweisungsaufgabe müssen Eingaben, Regeln und Ausgabe dennoch klar definiert sein.\n\nHalten Sie relevantes Ausgangsmaterial und Gespräch innerhalb des konfigurierten Kontexts und fordern Sie das kompakte Ergebnis an, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das gesamte Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein Beispiel mit grosszügigem Generierungsbudget sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Handlungen erfordern weitere Komponenten zusätzlich zu diesem Modell mit Textausgabe.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 ist ein kompaktes mehrsprachiges Text- und Bildmodell für Klassifikation, Extraktion, Bildbeschreibungen und kurze Inhalte. Seine Sprachkomponente mit 3,4 Milliarden Parametern und sein Bildencoder mit 0,4 Milliarden Parametern unterstützen Systemanweisungen, JSON, Funktionsaufrufe und ein vom Hersteller angegebenes Kontextfenster von 256k.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Checkpoint verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; die Nutzungshinweise nennen als standardmässig konfigurierte Länge 262’144. Diese Komponentengrössen gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, einschliesslich Datensätzen im JSON-Format oder vorgeschlagenen Funktionsaufrufen.
Der Hersteller beschreibt die Unterstützung von Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt auch die Befolgung von Systemprompts hervor. Geben Sie die gewünschte Ausgabesprache und die Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. So bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Geben Sie für eine Klassifikationsaufgabe die zulässigen Bezeichnungen, die Regel zu ihrer Unterscheidung und die zu klassifizierende Nachricht an. Fordern Sie eine ausgewählte Bezeichnung und eine kurze, auf der bereitgestellten Nachricht beruhende Erklärung an. Sind die Bezeichnungen mehrdeutig, legen Sie fest, welche Informationen sie unterscheiden würden, statt sich allein auf ihre Namen zu verlassen. Dadurch entsteht ein kompaktes Ergebnis, das sich in einem grösseren Ablauf konsistent verwenden lässt.
Listen Sie für eine Extraktion die Felder und ihre Typen auf und legen Sie fest, wie fehlende Informationen darzustellen sind. Eine Anfrage kann nach einer Artikelkennung, dem ausdrücklich beschriebenen Zustand und der vom Nutzer gewünschten Handlung fragen. Verlangen Sie den Originalwortlaut, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; die Gestaltung der Felder bleibt Teil der Aufgabe und ist kein eingebautes Universalschema.
Die Modellkarte nennt ausserdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Legen Sie für eine Bildbeschreibung fest, welcher Bildaspekt beschrieben werden soll und wer die Zielgruppe ist. Geben Sie für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge an. Eine Supportantwort kann anhand der ursprünglichen Frage und bereitgestellter Hinweise einen knappen nächsten Schritt samt der Bedingung formulieren, unter der er anwendbar ist.
Visuelle und mehrsprachige Vorbereitung
Verbinden Sie ein Bild mit einer klaren Textfrage. Bewahren Sie bei einem Dokumentfeld die Bezeichnung, den Wert und den zum Verständnis nötigen umgebenden Kontext. Geben Sie bei einer Objektbeschreibung an, welches sichtbare Merkmal zählt. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab; schneiden Sie bei Bedarf zu, ohne die für die Frage erforderlichen Belege zu entfernen.
Stellen Sie für eine Übersetzung den Originaltext, die Zielsprache und eine etwaige Terminologieliste bereit. Fordern Sie die übersetzte Passage getrennt von einer optionalen Erklärung an. Bei einer mehrsprachigen Klassifikationsaufgabe können die Anwendungsbezeichnungen unverändert bleiben, während die ausgewählte Bezeichnung in der Sprache der Lesenden erklärt wird. Dies sind festgelegte Ausgaben und keine Aufforderung, eine Nachricht oder ein Bild unverbindlich zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen es einer Anwendung, das Gespräch mit einem beschriebenen Vorgang zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert liefern, oder ein Rechenwerkzeug kann mit Werten arbeiten, die aus einem Bild ermittelt wurden. Das Textmodell führt die Funktion nicht selbst aus, indem es lediglich ihren Namen und ihre Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall samt Hinweisen zur Werkzeugnutzung festlegt. Halten Sie Werkzeugbeschreibungen klar und beschränken Sie die Auswahl auf die mindestens erforderlichen Vorgänge. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter verständlich sein als ein Prompt mit vielen unzusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte gibt Hinweise für eine niedrige Temperatur: unter 0.1 für alltägliche und produktionsnahe Nutzung sowie in einem gesonderten Sampling-Hinweis eine Anfangstemperatur von 0.1 für die meisten Anwendungsfälle. Für kreative Inhalte können höhere Werte erprobt werden. Diese Empfehlungen haben unterschiedliche angegebene Geltungsbereiche; sie garantieren nicht, dass eine einzige Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Ausgabe und Kontextgrenzen
Ministral 3 bietet für jede Modellgrösse separate Base-, Instruct- und Reasoning-Veröffentlichungen. Dieser Eintrag bezeichnet den Checkpoint Instruct 2512 und keinen automatisch aktivierten Denkmodus oder die vortrainierte Basis. Der Hersteller nennt Spezialisierung und Feinabstimmung als mögliche Anwendungen; für die konkrete Anweisungsaufgabe müssen Eingaben, Regeln und Ausgabe dennoch klar definiert sein.
Halten Sie relevantes Ausgangsmaterial und Gespräch innerhalb des konfigurierten Kontexts und fordern Sie das kompakte Ergebnis an, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das gesamte Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein Beispiel mit grosszügigem Generierungsbudget sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Handlungen erfordern weitere Komponenten zusätzlich zu diesem Modell mit Textausgabe.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-3b-2512 | 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 $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0.00002 / 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": "mistralai/ministral-3b-2512", "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/ministral-3b-2512',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/ministral-3b-2512',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/ministral-3b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 ist ein kompaktes mehrsprachiges Text- und Bildmodell für Klassifikation, Extraktion, Bildbeschreibungen und kurze Inhalte. Seine Sprachkomponente mit 3,4 Milliarden Parametern und sein Bildencoder mit 0,4 Milliarden Parametern unterstützen Systemanweisungen, JSON, Funktionsaufrufe und ein vom Hersteller angegebenes Kontextfenster von 256k.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Checkpoint verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; die Nutzungshinweise nennen als standardmässig konfigurierte Länge 262’144. Diese Komponentengrössen gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, einschliesslich Datensätzen im JSON-Format oder vorgeschlagenen Funktionsaufrufen.
Der Hersteller beschreibt die Unterstützung von Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt auch die Befolgung von Systemprompts hervor. Geben Sie die gewünschte Ausgabesprache und die Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. So bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Geben Sie für eine Klassifikationsaufgabe die zulässigen Bezeichnungen, die Regel zu ihrer Unterscheidung und die zu klassifizierende Nachricht an. Fordern Sie eine ausgewählte Bezeichnung und eine kurze, auf der bereitgestellten Nachricht beruhende Erklärung an. Sind die Bezeichnungen mehrdeutig, legen Sie fest, welche Informationen sie unterscheiden würden, statt sich allein auf ihre Namen zu verlassen. Dadurch entsteht ein kompaktes Ergebnis, das sich in einem grösseren Ablauf konsistent verwenden lässt.
Listen Sie für eine Extraktion die Felder und ihre Typen auf und legen Sie fest, wie fehlende Informationen darzustellen sind. Eine Anfrage kann nach einer Artikelkennung, dem ausdrücklich beschriebenen Zustand und der vom Nutzer gewünschten Handlung fragen. Verlangen Sie den Originalwortlaut, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; die Gestaltung der Felder bleibt Teil der Aufgabe und ist kein eingebautes Universalschema.
Die Modellkarte nennt ausserdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Legen Sie für eine Bildbeschreibung fest, welcher Bildaspekt beschrieben werden soll und wer die Zielgruppe ist. Geben Sie für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge an. Eine Supportantwort kann anhand der ursprünglichen Frage und bereitgestellter Hinweise einen knappen nächsten Schritt samt der Bedingung formulieren, unter der er anwendbar ist.
Visuelle und mehrsprachige Vorbereitung
Verbinden Sie ein Bild mit einer klaren Textfrage. Bewahren Sie bei einem Dokumentfeld die Bezeichnung, den Wert und den zum Verständnis nötigen umgebenden Kontext. Geben Sie bei einer Objektbeschreibung an, welches sichtbare Merkmal zählt. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab; schneiden Sie bei Bedarf zu, ohne die für die Frage erforderlichen Belege zu entfernen.
Stellen Sie für eine Übersetzung den Originaltext, die Zielsprache und eine etwaige Terminologieliste bereit. Fordern Sie die übersetzte Passage getrennt von einer optionalen Erklärung an. Bei einer mehrsprachigen Klassifikationsaufgabe können die Anwendungsbezeichnungen unverändert bleiben, während die ausgewählte Bezeichnung in der Sprache der Lesenden erklärt wird. Dies sind festgelegte Ausgaben und keine Aufforderung, eine Nachricht oder ein Bild unverbindlich zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen es einer Anwendung, das Gespräch mit einem beschriebenen Vorgang zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert liefern, oder ein Rechenwerkzeug kann mit Werten arbeiten, die aus einem Bild ermittelt wurden. Das Textmodell führt die Funktion nicht selbst aus, indem es lediglich ihren Namen und ihre Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall samt Hinweisen zur Werkzeugnutzung festlegt. Halten Sie Werkzeugbeschreibungen klar und beschränken Sie die Auswahl auf die mindestens erforderlichen Vorgänge. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter verständlich sein als ein Prompt mit vielen unzusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte gibt Hinweise für eine niedrige Temperatur: unter 0.1 für alltägliche und produktionsnahe Nutzung sowie in einem gesonderten Sampling-Hinweis eine Anfangstemperatur von 0.1 für die meisten Anwendungsfälle. Für kreative Inhalte können höhere Werte erprobt werden. Diese Empfehlungen haben unterschiedliche angegebene Geltungsbereiche; sie garantieren nicht, dass eine einzige Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Ausgabe und Kontextgrenzen
Ministral 3 bietet für jede Modellgrösse separate Base-, Instruct- und Reasoning-Veröffentlichungen. Dieser Eintrag bezeichnet den Checkpoint Instruct 2512 und keinen automatisch aktivierten Denkmodus oder die vortrainierte Basis. Der Hersteller nennt Spezialisierung und Feinabstimmung als mögliche Anwendungen; für die konkrete Anweisungsaufgabe müssen Eingaben, Regeln und Ausgabe dennoch klar definiert sein.
Halten Sie relevantes Ausgangsmaterial und Gespräch innerhalb des konfigurierten Kontexts und fordern Sie das kompakte Ergebnis an, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das gesamte Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein Beispiel mit grosszügigem Generierungsbudget sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Handlungen erfordern weitere Komponenten zusätzlich zu diesem Modell mit Textausgabe.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-3b-2512 | 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 $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Tokens Ausgabe · Ausgabetoken $0.00066 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-3b-2512', '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/ministral-3b-2512', '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/ministral-3b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.