Ministral 3 8B Instruct 2512 ist das mittelgrosse auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, nimmt Text und Bilder entgegen und gibt Text statt eines Bild- oder Audioartefakts zurück.
Architektur und zentrale Funktionen
Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Das Kontextfenster wird mit 256k beschrieben; die veröffentlichten Nutzungshinweise verwenden standardmässig eine konfigurierte Länge von 262’144. Diese Angaben beschreiben die Ausgabe in 8B-Grösse; die kleineren 3B- und grösseren 14B-Familienmitglieder haben eigene Komponentengrössen und Konfigurationen.
Bildverständnis erweitert die Modelleingabe über ein schriftliches Gespräch hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang verbunden werden. Ein Screenshot kann mit dem Nutzerziel und der Bitte verknüpft werden, das relevante Bedienelement zu identifizieren. Fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von visuellen Details abhängt, und bewahren Sie die zum Verständnis eines Ausschnitts nötigen Überschriften, Beschriftungen und Einheiten.
Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt ausserdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgaben. Definieren Sie endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das gewünschte Artefakt aus einer umfangreichen Eingabe erschliessen zu lassen.
Dokument-, Gesprächs- und Agentenaufgaben
Zu den Anwendungsfällen des Herstellers gehören Chatoberflächen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltserzeugung und spezialisierte Agenten. Stellen Sie für einen Dokumentassistenten die Seite bereit und spezifizieren Sie die zurückzugebenden Informationen. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort könnte die Dokumentkennung, den extrahierten Wert und eine kurze, mit der sichtbaren Quelle verknüpfte Erklärung enthalten.
Bewahren Sie für ein laufendes Gespräch die relevante vorherige Antwort und stellen Sie eine gezielte Folgefrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung und dann die Aussage anfordern, die eine Schlussfolgerung stützt. Dies ändert die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellenbezogenen Erklärung, während das Originalmaterial und der Gesprächszweck erhalten bleiben.
Stellen Sie für mehrsprachige Bearbeitung die Originalpassage, das Zielpublikum und eine Terminologieliste bereit. Fordern Sie eine überarbeitete Version an, die Namen, Bedingungen und Einheiten bewahrt, bei Bedarf gefolgt von einer kurzen Erklärung der Änderungen. Geben Sie für die Inhaltserzeugung Zielgruppe und aufzunehmende Fakten an, bevor Sie einen kurzen Entwurf oder alternative Formulierungen verlangen.
Bei einer Agentenaufgabe stellt die Anwendung Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion wählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel der Modellkarte verbindet eine Bildfrage mit einem Rechenwerkzeug. Halten Sie das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschliessende schriftliche Antwort die tatsächlich vom Vorgang zurückgegebenen Informationen verwendet.
Empfohlene Vorbereitung und Einstellungen
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und Werkzeugnutzung beschreibt. Halten Sie den Werkzeugsatz klar definiert und auf das für die Aufgabe nötige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine grosse Sammlung sachfremder Vorgänge bereitzustellen.
Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erprobung zur Verfügung. Behandeln Sie dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Denkmodus. Die Familie hat getrennte Base-, Instruct- und Reasoning-Checkpoints; dieser Eintrag bezeichnet die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Grösse.
Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneiden Sie bei Bedarf zu und bewahren Sie dabei die für die Frage erforderlichen Beschriftungen und den Kontext. Enthält eine Seite mehrere unzusammenhängende Bereiche, benennen Sie den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, gezieltes Bild ist nützlicher als die Aufforderung an das Modell zu erraten, welches kleine Detail einer umfassenden Seite wichtig ist.
Kontext- und Ausgabegrenzen
Planen Sie Text, Bilder, Gespräch und gewünschte Antwort innerhalb des konfigurierten Kontexts. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Aufforderung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate feste maximale Antwortlänge.
Der FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind separate Ausgaben. Der Hersteller beschreibt auch Spezialisierung und Feinabstimmung als Anwendungsfälle. Bewahren Sie bei der Gesprächsvorbereitung den benannten Checkpoint und seinen Tokenizer und unterscheiden Sie Texterzeugung von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.
", "aboutText": "Ministral 3 8B Instruct 2512 ist das mittelgrosse auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, nimmt Text und Bilder entgegen und gibt Text statt eines Bild- oder Audioartefakts zurück.\n\nArchitektur und zentrale Funktionen\n\nDer Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Das Kontextfenster wird mit 256k beschrieben; die veröffentlichten Nutzungshinweise verwenden standardmässig eine konfigurierte Länge von 262’144. Diese Angaben beschreiben die Ausgabe in 8B-Grösse; die kleineren 3B- und grösseren 14B-Familienmitglieder haben eigene Komponentengrössen und Konfigurationen.\n\nBildverständnis erweitert die Modelleingabe über ein schriftliches Gespräch hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang verbunden werden. Ein Screenshot kann mit dem Nutzerziel und der Bitte verknüpft werden, das relevante Bedienelement zu identifizieren. Fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von visuellen Details abhängt, und bewahren Sie die zum Verständnis eines Ausschnitts nötigen Überschriften, Beschriftungen und Einheiten.\n\nDie Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt ausserdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgaben. Definieren Sie endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das gewünschte Artefakt aus einer umfangreichen Eingabe erschliessen zu lassen.\n\nDokument-, Gesprächs- und Agentenaufgaben\n\nZu den Anwendungsfällen des Herstellers gehören Chatoberflächen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltserzeugung und spezialisierte Agenten. Stellen Sie für einen Dokumentassistenten die Seite bereit und spezifizieren Sie die zurückzugebenden Informationen. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort könnte die Dokumentkennung, den extrahierten Wert und eine kurze, mit der sichtbaren Quelle verknüpfte Erklärung enthalten.\n\nBewahren Sie für ein laufendes Gespräch die relevante vorherige Antwort und stellen Sie eine gezielte Folgefrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung und dann die Aussage anfordern, die eine Schlussfolgerung stützt. Dies ändert die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellenbezogenen Erklärung, während das Originalmaterial und der Gesprächszweck erhalten bleiben.\n\nStellen Sie für mehrsprachige Bearbeitung die Originalpassage, das Zielpublikum und eine Terminologieliste bereit. Fordern Sie eine überarbeitete Version an, die Namen, Bedingungen und Einheiten bewahrt, bei Bedarf gefolgt von einer kurzen Erklärung der Änderungen. Geben Sie für die Inhaltserzeugung Zielgruppe und aufzunehmende Fakten an, bevor Sie einen kurzen Entwurf oder alternative Formulierungen verlangen.\n\nBei einer Agentenaufgabe stellt die Anwendung Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion wählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel der Modellkarte verbindet eine Bildfrage mit einem Rechenwerkzeug. Halten Sie das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschliessende schriftliche Antwort die tatsächlich vom Vorgang zurückgegebenen Informationen verwendet.\n\nEmpfohlene Vorbereitung und Einstellungen\n\nDer Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und Werkzeugnutzung beschreibt. Halten Sie den Werkzeugsatz klar definiert und auf das für die Aufgabe nötige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine grosse Sammlung sachfremder Vorgänge bereitzustellen.\n\nFür alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erprobung zur Verfügung. Behandeln Sie dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Denkmodus. Die Familie hat getrennte Base-, Instruct- und Reasoning-Checkpoints; dieser Eintrag bezeichnet die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Grösse.\n\nFür Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneiden Sie bei Bedarf zu und bewahren Sie dabei die für die Frage erforderlichen Beschriftungen und den Kontext. Enthält eine Seite mehrere unzusammenhängende Bereiche, benennen Sie den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, gezieltes Bild ist nützlicher als die Aufforderung an das Modell zu erraten, welches kleine Detail einer umfassenden Seite wichtig ist.\n\nKontext- und Ausgabegrenzen\n\nPlanen Sie Text, Bilder, Gespräch und gewünschte Antwort innerhalb des konfigurierten Kontexts. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Aufforderung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate feste maximale Antwortlänge.\n\nDer FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind separate Ausgaben. Der Hersteller beschreibt auch Spezialisierung und Feinabstimmung als Anwendungsfälle. Bewahren Sie bei der Gesprächsvorbereitung den benannten Checkpoint und seinen Tokenizer und unterscheiden Sie Texterzeugung von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 ist ein mehrsprachiges Text- und Bild-Anweisungsmodell mit einer Sprachkomponente von 8,4 Milliarden Parametern und einem Bildencoder von 0,4 Milliarden Parametern. Es unterstützt einen Herstellerkontext von 256k, Systemanweisungen, JSON und native Funktionsaufrufe für Assistenten und Dokumentabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 8B Instruct 2512 ist das mittelgrosse auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, nimmt Text und Bilder entgegen und gibt Text statt eines Bild- oder Audioartefakts zurück.
Architektur und zentrale Funktionen
Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Das Kontextfenster wird mit 256k beschrieben; die veröffentlichten Nutzungshinweise verwenden standardmässig eine konfigurierte Länge von 262’144. Diese Angaben beschreiben die Ausgabe in 8B-Grösse; die kleineren 3B- und grösseren 14B-Familienmitglieder haben eigene Komponentengrössen und Konfigurationen.
Bildverständnis erweitert die Modelleingabe über ein schriftliches Gespräch hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang verbunden werden. Ein Screenshot kann mit dem Nutzerziel und der Bitte verknüpft werden, das relevante Bedienelement zu identifizieren. Fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von visuellen Details abhängt, und bewahren Sie die zum Verständnis eines Ausschnitts nötigen Überschriften, Beschriftungen und Einheiten.
Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt ausserdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgaben. Definieren Sie endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das gewünschte Artefakt aus einer umfangreichen Eingabe erschliessen zu lassen.
Dokument-, Gesprächs- und Agentenaufgaben
Zu den Anwendungsfällen des Herstellers gehören Chatoberflächen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltserzeugung und spezialisierte Agenten. Stellen Sie für einen Dokumentassistenten die Seite bereit und spezifizieren Sie die zurückzugebenden Informationen. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort könnte die Dokumentkennung, den extrahierten Wert und eine kurze, mit der sichtbaren Quelle verknüpfte Erklärung enthalten.
Bewahren Sie für ein laufendes Gespräch die relevante vorherige Antwort und stellen Sie eine gezielte Folgefrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung und dann die Aussage anfordern, die eine Schlussfolgerung stützt. Dies ändert die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellenbezogenen Erklärung, während das Originalmaterial und der Gesprächszweck erhalten bleiben.
Stellen Sie für mehrsprachige Bearbeitung die Originalpassage, das Zielpublikum und eine Terminologieliste bereit. Fordern Sie eine überarbeitete Version an, die Namen, Bedingungen und Einheiten bewahrt, bei Bedarf gefolgt von einer kurzen Erklärung der Änderungen. Geben Sie für die Inhaltserzeugung Zielgruppe und aufzunehmende Fakten an, bevor Sie einen kurzen Entwurf oder alternative Formulierungen verlangen.
Bei einer Agentenaufgabe stellt die Anwendung Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion wählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel der Modellkarte verbindet eine Bildfrage mit einem Rechenwerkzeug. Halten Sie das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschliessende schriftliche Antwort die tatsächlich vom Vorgang zurückgegebenen Informationen verwendet.
Empfohlene Vorbereitung und Einstellungen
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und Werkzeugnutzung beschreibt. Halten Sie den Werkzeugsatz klar definiert und auf das für die Aufgabe nötige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine grosse Sammlung sachfremder Vorgänge bereitzustellen.
Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erprobung zur Verfügung. Behandeln Sie dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Denkmodus. Die Familie hat getrennte Base-, Instruct- und Reasoning-Checkpoints; dieser Eintrag bezeichnet die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Grösse.
Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneiden Sie bei Bedarf zu und bewahren Sie dabei die für die Frage erforderlichen Beschriftungen und den Kontext. Enthält eine Seite mehrere unzusammenhängende Bereiche, benennen Sie den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, gezieltes Bild ist nützlicher als die Aufforderung an das Modell zu erraten, welches kleine Detail einer umfassenden Seite wichtig ist.
Kontext- und Ausgabegrenzen
Planen Sie Text, Bilder, Gespräch und gewünschte Antwort innerhalb des konfigurierten Kontexts. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Aufforderung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate feste maximale Antwortlänge.
Der FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind separate Ausgaben. Der Hersteller beschreibt auch Spezialisierung und Feinabstimmung als Anwendungsfälle. Bewahren Sie bei der Gesprächsvorbereitung den benannten Checkpoint und seinen Tokenizer und unterscheiden Sie Texterzeugung von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-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-8b-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-8b-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-8b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 ist ein mehrsprachiges Text- und Bild-Anweisungsmodell mit einer Sprachkomponente von 8,4 Milliarden Parametern und einem Bildencoder von 0,4 Milliarden Parametern. Es unterstützt einen Herstellerkontext von 256k, Systemanweisungen, JSON und native Funktionsaufrufe für Assistenten und Dokumentabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 8B Instruct 2512 ist das mittelgrosse auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, nimmt Text und Bilder entgegen und gibt Text statt eines Bild- oder Audioartefakts zurück.
Architektur und zentrale Funktionen
Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Das Kontextfenster wird mit 256k beschrieben; die veröffentlichten Nutzungshinweise verwenden standardmässig eine konfigurierte Länge von 262’144. Diese Angaben beschreiben die Ausgabe in 8B-Grösse; die kleineren 3B- und grösseren 14B-Familienmitglieder haben eigene Komponentengrössen und Konfigurationen.
Bildverständnis erweitert die Modelleingabe über ein schriftliches Gespräch hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang verbunden werden. Ein Screenshot kann mit dem Nutzerziel und der Bitte verknüpft werden, das relevante Bedienelement zu identifizieren. Fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von visuellen Details abhängt, und bewahren Sie die zum Verständnis eines Ausschnitts nötigen Überschriften, Beschriftungen und Einheiten.
Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt ausserdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgaben. Definieren Sie endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das gewünschte Artefakt aus einer umfangreichen Eingabe erschliessen zu lassen.
Dokument-, Gesprächs- und Agentenaufgaben
Zu den Anwendungsfällen des Herstellers gehören Chatoberflächen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltserzeugung und spezialisierte Agenten. Stellen Sie für einen Dokumentassistenten die Seite bereit und spezifizieren Sie die zurückzugebenden Informationen. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort könnte die Dokumentkennung, den extrahierten Wert und eine kurze, mit der sichtbaren Quelle verknüpfte Erklärung enthalten.
Bewahren Sie für ein laufendes Gespräch die relevante vorherige Antwort und stellen Sie eine gezielte Folgefrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung und dann die Aussage anfordern, die eine Schlussfolgerung stützt. Dies ändert die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellenbezogenen Erklärung, während das Originalmaterial und der Gesprächszweck erhalten bleiben.
Stellen Sie für mehrsprachige Bearbeitung die Originalpassage, das Zielpublikum und eine Terminologieliste bereit. Fordern Sie eine überarbeitete Version an, die Namen, Bedingungen und Einheiten bewahrt, bei Bedarf gefolgt von einer kurzen Erklärung der Änderungen. Geben Sie für die Inhaltserzeugung Zielgruppe und aufzunehmende Fakten an, bevor Sie einen kurzen Entwurf oder alternative Formulierungen verlangen.
Bei einer Agentenaufgabe stellt die Anwendung Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion wählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel der Modellkarte verbindet eine Bildfrage mit einem Rechenwerkzeug. Halten Sie das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschliessende schriftliche Antwort die tatsächlich vom Vorgang zurückgegebenen Informationen verwendet.
Empfohlene Vorbereitung und Einstellungen
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und Werkzeugnutzung beschreibt. Halten Sie den Werkzeugsatz klar definiert und auf das für die Aufgabe nötige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine grosse Sammlung sachfremder Vorgänge bereitzustellen.
Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erprobung zur Verfügung. Behandeln Sie dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Denkmodus. Die Familie hat getrennte Base-, Instruct- und Reasoning-Checkpoints; dieser Eintrag bezeichnet die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Grösse.
Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneiden Sie bei Bedarf zu und bewahren Sie dabei die für die Frage erforderlichen Beschriftungen und den Kontext. Enthält eine Seite mehrere unzusammenhängende Bereiche, benennen Sie den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, gezieltes Bild ist nützlicher als die Aufforderung an das Modell zu erraten, welches kleine Detail einer umfassenden Seite wichtig ist.
Kontext- und Ausgabegrenzen
Planen Sie Text, Bilder, Gespräch und gewünschte Antwort innerhalb des konfigurierten Kontexts. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Aufforderung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate feste maximale Antwortlänge.
Der FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind separate Ausgaben. Der Hersteller beschreibt auch Spezialisierung und Feinabstimmung als Anwendungsfälle. Bewahren Sie bei der Gesprächsvorbereitung den benannten Checkpoint und seinen Tokenizer und unterscheiden Sie Texterzeugung von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.