Mistral Saba ist das spezialisierte regionale Textmodell von Mistral AI, entstanden durch Feinabstimmung eines Modells der Small-Familie mit kuratiertem Material aus dem Nahen Osten und Südasien. Der Hersteller beschreibt ein Modell mit 24 Milliarden Parametern, das regionalen Sprachgebrauch, kulturellen Kontext und lokale Ausdrucksformen widerspiegeln soll. Es erhält eine schriftliche Aufgabe und Quellmaterial und gibt Text zurück.
Regionale Sprache und Kontext
Die Veröffentlichung nennt ausdrücklich Arabisch und viele Sprachen indischen Ursprungs, mit besonderer Stärke bei südindischen Sprachen wie Tamil. Ihr Schwerpunkt ist spezifischer als lediglich die Zielsprache einer allgemeinen Antwort zu ändern: Das Trainingsmaterial wird für den regionalen sprachlichen und kulturellen Kontext ausgewählt, in dem die Antwort verwendet wird.
Geben Sie Zielgruppe, Region, Sprache und gewünschtes Sprachregister an, bevor Sie ein Ergebnis verlangen. Eine formelle Erklärung, eine Kundennachricht und ein Lehrtext können unterschiedliche Terminologie und Anredeformen erfordern. Stellen Sie ein Glossar für Produktnamen oder Fachbegriffe bereit, die konsistent bleiben müssen, und legen Sie fest, ob das Ergebnis den Quellwortlaut bewahren oder seine Erklärung an die Lesenden anpassen soll.
Die Herstellerseite nennt ein Kontextfenster von 32k und bezeichnet die Ausgabe als mistral-saba-2502. Nutzen Sie den Kontext gemeinsam für relevante Quellpassagen, Gespräch und Anweisungen. Auch eine regional angepasste Antwort benötigt die tatsächlichen Produktbedingungen, das Verfahren oder den Dokumentinhalt als bereitgestellte Belege; kulturelle Vertrautheit liefert keine privaten Unternehmensinformationen.
Gesprächsunterstützung
Der Hersteller hebt arabischsprachige Gesprächsassistenten als zentralen Anwendungsfall hervor. Eine praktische Supportanfrage kann die Nutzernachricht und freigegebenes Referenzmaterial bereitstellen und eine Antwort in einem benannten Sprachregister verlangen. Fordern Sie die nächste Handlung, die Bedingung ihrer Anwendbarkeit und Angaben an, die der Nutzer noch liefern muss. So bleibt die Antwort am konkreten Problem verankert, statt eine allgemeine regionale Begrüssung zu erzeugen.
Benennen Sie für eine zweisprachige Erklärung die Sprache der Quelle und die Sprache der endgültigen Nachricht. Bewahren Sie im Material enthaltene Namen, Beträge oder Einheiten und beschreiben Sie die Zielgruppe, die die Antwort verstehen soll. Eine Folgefrage kann eine kürzere Version oder eine Begriffsklärung verlangen, wobei dieselben Bedingungen erhalten bleiben.
Domänenspezifische Anpassung
Die Ankündigung beschreibt die Feinabstimmung von Saba für bestimmte Domänen, darunter Energie und andere regionale Berufskontexte. Dies ist ein Anpassungsprozess und keine Behauptung, jeder spezialisierte Datensatz sei bereits Teil des Standardmodells. Stellen Sie für eine fachbezogene Textaufgabe die für die tatsächliche Anwendung relevante Terminologie, Quelldokumente und Antwortregeln bereit.
Eine technische Erklärung kann das Modell bitten, ein Verfahren mit der regionalen Terminologie der Lesenden neu zu formulieren und dabei ursprüngliche Schritte und Bedingungen zu bewahren. Eine Dokumentfrage kann die zu erklärende Klausel benennen und eine knappe Antwort mit der stützenden Passage anfordern. Unterscheiden Sie bei der Ausgabevorbereitung Quellfakt, Erklärung und ungeklärte Begriffe.
Kulturelle Inhaltserstellung
Der Hersteller beschreibt auch kulturell passendes Schreiben und Bildungsressourcen. Geben Sie Thema, Zielgruppe, Sprache und aufzunehmende Fakten oder Beispiele an. Legen Sie für einen Lehrtext fest, was die lernende Person am Ende verstehen soll, und fordern Sie eine Erklärung mit anschliessendem praktischem Beispiel an. Stellen Sie für eine Organisationsnachricht den Zweck und die Informationen bereit, nach denen die Lesenden handeln müssen.
Sind lokale Redewendungen oder kulturelle Bezüge Teil der Aufgabe, geben Sie den Verwendungskontext an. Fordern Sie eine alternative Formulierung an, wenn eine formellere oder neutralere Version einer anderen Zielgruppe besser dient. Dies sind praktische Möglichkeiten, die regionale Spezialisierung des Modells anzuwenden und zugleich Inhalt und Verwendungszweck ausdrücklich festzuhalten.
Ausgabe- und Ergebnisgrenzen
Die dokumentierte Spezialisierung von Saba ist textbasierte regionale Spracharbeit mit einem Kontext von 32k. Es sollte weder Bildeingaben noch hybride Denksteuerungen oder Werkzeugformatfunktionen späterer Small- oder Medium-Modelle übernehmen, nur weil es eine Feinabstimmung der Small-Familie ist. Die gelesenen Quellen nennen für diese Ausgabe keine separate maximale Ausgabetokenkapazität.
Bereiten Sie die vollständige schriftliche Aufgabe, relevante Quellfakten und das gewünschte Artefakt vor: eine Supportantwort, Erklärung, angepasste Passage oder einen kurzen Lehrtext. Halten Sie die benannte Saba-Ausgabe sowie Sprache und Sprachregister der Zielgruppe ausdrücklich fest, damit der resultierende Text den tatsächlichen regionalen Kommunikationsbedarf beantwortet.
", "aboutText": "Mistral Saba ist das spezialisierte regionale Textmodell von Mistral AI, entstanden durch Feinabstimmung eines Modells der Small-Familie mit kuratiertem Material aus dem Nahen Osten und Südasien. Der Hersteller beschreibt ein Modell mit 24 Milliarden Parametern, das regionalen Sprachgebrauch, kulturellen Kontext und lokale Ausdrucksformen widerspiegeln soll. Es erhält eine schriftliche Aufgabe und Quellmaterial und gibt Text zurück.\n\nRegionale Sprache und Kontext\n\nDie Veröffentlichung nennt ausdrücklich Arabisch und viele Sprachen indischen Ursprungs, mit besonderer Stärke bei südindischen Sprachen wie Tamil. Ihr Schwerpunkt ist spezifischer als lediglich die Zielsprache einer allgemeinen Antwort zu ändern: Das Trainingsmaterial wird für den regionalen sprachlichen und kulturellen Kontext ausgewählt, in dem die Antwort verwendet wird.\n\nGeben Sie Zielgruppe, Region, Sprache und gewünschtes Sprachregister an, bevor Sie ein Ergebnis verlangen. Eine formelle Erklärung, eine Kundennachricht und ein Lehrtext können unterschiedliche Terminologie und Anredeformen erfordern. Stellen Sie ein Glossar für Produktnamen oder Fachbegriffe bereit, die konsistent bleiben müssen, und legen Sie fest, ob das Ergebnis den Quellwortlaut bewahren oder seine Erklärung an die Lesenden anpassen soll.\n\nDie Herstellerseite nennt ein Kontextfenster von 32k und bezeichnet die Ausgabe als mistral-saba-2502. Nutzen Sie den Kontext gemeinsam für relevante Quellpassagen, Gespräch und Anweisungen. Auch eine regional angepasste Antwort benötigt die tatsächlichen Produktbedingungen, das Verfahren oder den Dokumentinhalt als bereitgestellte Belege; kulturelle Vertrautheit liefert keine privaten Unternehmensinformationen.\n\nGesprächsunterstützung\n\nDer Hersteller hebt arabischsprachige Gesprächsassistenten als zentralen Anwendungsfall hervor. Eine praktische Supportanfrage kann die Nutzernachricht und freigegebenes Referenzmaterial bereitstellen und eine Antwort in einem benannten Sprachregister verlangen. Fordern Sie die nächste Handlung, die Bedingung ihrer Anwendbarkeit und Angaben an, die der Nutzer noch liefern muss. So bleibt die Antwort am konkreten Problem verankert, statt eine allgemeine regionale Begrüssung zu erzeugen.\n\nBenennen Sie für eine zweisprachige Erklärung die Sprache der Quelle und die Sprache der endgültigen Nachricht. Bewahren Sie im Material enthaltene Namen, Beträge oder Einheiten und beschreiben Sie die Zielgruppe, die die Antwort verstehen soll. Eine Folgefrage kann eine kürzere Version oder eine Begriffsklärung verlangen, wobei dieselben Bedingungen erhalten bleiben.\n\nDomänenspezifische Anpassung\n\nDie Ankündigung beschreibt die Feinabstimmung von Saba für bestimmte Domänen, darunter Energie und andere regionale Berufskontexte. Dies ist ein Anpassungsprozess und keine Behauptung, jeder spezialisierte Datensatz sei bereits Teil des Standardmodells. Stellen Sie für eine fachbezogene Textaufgabe die für die tatsächliche Anwendung relevante Terminologie, Quelldokumente und Antwortregeln bereit.\n\nEine technische Erklärung kann das Modell bitten, ein Verfahren mit der regionalen Terminologie der Lesenden neu zu formulieren und dabei ursprüngliche Schritte und Bedingungen zu bewahren. Eine Dokumentfrage kann die zu erklärende Klausel benennen und eine knappe Antwort mit der stützenden Passage anfordern. Unterscheiden Sie bei der Ausgabevorbereitung Quellfakt, Erklärung und ungeklärte Begriffe.\n\nKulturelle Inhaltserstellung\n\nDer Hersteller beschreibt auch kulturell passendes Schreiben und Bildungsressourcen. Geben Sie Thema, Zielgruppe, Sprache und aufzunehmende Fakten oder Beispiele an. Legen Sie für einen Lehrtext fest, was die lernende Person am Ende verstehen soll, und fordern Sie eine Erklärung mit anschliessendem praktischem Beispiel an. Stellen Sie für eine Organisationsnachricht den Zweck und die Informationen bereit, nach denen die Lesenden handeln müssen.\n\nSind lokale Redewendungen oder kulturelle Bezüge Teil der Aufgabe, geben Sie den Verwendungskontext an. Fordern Sie eine alternative Formulierung an, wenn eine formellere oder neutralere Version einer anderen Zielgruppe besser dient. Dies sind praktische Möglichkeiten, die regionale Spezialisierung des Modells anzuwenden und zugleich Inhalt und Verwendungszweck ausdrücklich festzuhalten.\n\nAusgabe- und Ergebnisgrenzen\n\nDie dokumentierte Spezialisierung von Saba ist textbasierte regionale Spracharbeit mit einem Kontext von 32k. Es sollte weder Bildeingaben noch hybride Denksteuerungen oder Werkzeugformatfunktionen späterer Small- oder Medium-Modelle übernehmen, nur weil es eine Feinabstimmung der Small-Familie ist. Die gelesenen Quellen nennen für diese Ausgabe keine separate maximale Ausgabetokenkapazität.\n\nBereiten Sie die vollständige schriftliche Aufgabe, relevante Quellfakten und das gewünschte Artefakt vor: eine Supportantwort, Erklärung, angepasste Passage oder einen kurzen Lehrtext. Halten Sie die benannte Saba-Ausgabe sowie Sprache und Sprachregister der Zielgruppe ausdrücklich fest, damit der resultierende Text den tatsächlichen regionalen Kommunikationsbedarf beantwortet.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.mistralai/mistral-sabaMistral Saba ist ein Textmodell mit 24 Milliarden Parametern, das mit kuratiertem Material aus dem Nahen Osten und Südasien trainiert wurde. Es konzentriert sich auf regionalen Sprachgebrauch und kulturellen Kontext, darunter Arabisch und Sprachen indischen Ursprungs wie Tamil, mit einem Herstellerkontext von 32k für schriftliche Aufgaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Saba ist das spezialisierte regionale Textmodell von Mistral AI, entstanden durch Feinabstimmung eines Modells der Small-Familie mit kuratiertem Material aus dem Nahen Osten und Südasien. Der Hersteller beschreibt ein Modell mit 24 Milliarden Parametern, das regionalen Sprachgebrauch, kulturellen Kontext und lokale Ausdrucksformen widerspiegeln soll. Es erhält eine schriftliche Aufgabe und Quellmaterial und gibt Text zurück.
Regionale Sprache und Kontext
Die Veröffentlichung nennt ausdrücklich Arabisch und viele Sprachen indischen Ursprungs, mit besonderer Stärke bei südindischen Sprachen wie Tamil. Ihr Schwerpunkt ist spezifischer als lediglich die Zielsprache einer allgemeinen Antwort zu ändern: Das Trainingsmaterial wird für den regionalen sprachlichen und kulturellen Kontext ausgewählt, in dem die Antwort verwendet wird.
Geben Sie Zielgruppe, Region, Sprache und gewünschtes Sprachregister an, bevor Sie ein Ergebnis verlangen. Eine formelle Erklärung, eine Kundennachricht und ein Lehrtext können unterschiedliche Terminologie und Anredeformen erfordern. Stellen Sie ein Glossar für Produktnamen oder Fachbegriffe bereit, die konsistent bleiben müssen, und legen Sie fest, ob das Ergebnis den Quellwortlaut bewahren oder seine Erklärung an die Lesenden anpassen soll.
Die Herstellerseite nennt ein Kontextfenster von 32k und bezeichnet die Ausgabe als mistral-saba-2502. Nutzen Sie den Kontext gemeinsam für relevante Quellpassagen, Gespräch und Anweisungen. Auch eine regional angepasste Antwort benötigt die tatsächlichen Produktbedingungen, das Verfahren oder den Dokumentinhalt als bereitgestellte Belege; kulturelle Vertrautheit liefert keine privaten Unternehmensinformationen.
Gesprächsunterstützung
Der Hersteller hebt arabischsprachige Gesprächsassistenten als zentralen Anwendungsfall hervor. Eine praktische Supportanfrage kann die Nutzernachricht und freigegebenes Referenzmaterial bereitstellen und eine Antwort in einem benannten Sprachregister verlangen. Fordern Sie die nächste Handlung, die Bedingung ihrer Anwendbarkeit und Angaben an, die der Nutzer noch liefern muss. So bleibt die Antwort am konkreten Problem verankert, statt eine allgemeine regionale Begrüssung zu erzeugen.
Benennen Sie für eine zweisprachige Erklärung die Sprache der Quelle und die Sprache der endgültigen Nachricht. Bewahren Sie im Material enthaltene Namen, Beträge oder Einheiten und beschreiben Sie die Zielgruppe, die die Antwort verstehen soll. Eine Folgefrage kann eine kürzere Version oder eine Begriffsklärung verlangen, wobei dieselben Bedingungen erhalten bleiben.
Domänenspezifische Anpassung
Die Ankündigung beschreibt die Feinabstimmung von Saba für bestimmte Domänen, darunter Energie und andere regionale Berufskontexte. Dies ist ein Anpassungsprozess und keine Behauptung, jeder spezialisierte Datensatz sei bereits Teil des Standardmodells. Stellen Sie für eine fachbezogene Textaufgabe die für die tatsächliche Anwendung relevante Terminologie, Quelldokumente und Antwortregeln bereit.
Eine technische Erklärung kann das Modell bitten, ein Verfahren mit der regionalen Terminologie der Lesenden neu zu formulieren und dabei ursprüngliche Schritte und Bedingungen zu bewahren. Eine Dokumentfrage kann die zu erklärende Klausel benennen und eine knappe Antwort mit der stützenden Passage anfordern. Unterscheiden Sie bei der Ausgabevorbereitung Quellfakt, Erklärung und ungeklärte Begriffe.
Kulturelle Inhaltserstellung
Der Hersteller beschreibt auch kulturell passendes Schreiben und Bildungsressourcen. Geben Sie Thema, Zielgruppe, Sprache und aufzunehmende Fakten oder Beispiele an. Legen Sie für einen Lehrtext fest, was die lernende Person am Ende verstehen soll, und fordern Sie eine Erklärung mit anschliessendem praktischem Beispiel an. Stellen Sie für eine Organisationsnachricht den Zweck und die Informationen bereit, nach denen die Lesenden handeln müssen.
Sind lokale Redewendungen oder kulturelle Bezüge Teil der Aufgabe, geben Sie den Verwendungskontext an. Fordern Sie eine alternative Formulierung an, wenn eine formellere oder neutralere Version einer anderen Zielgruppe besser dient. Dies sind praktische Möglichkeiten, die regionale Spezialisierung des Modells anzuwenden und zugleich Inhalt und Verwendungszweck ausdrücklich festzuhalten.
Ausgabe- und Ergebnisgrenzen
Die dokumentierte Spezialisierung von Saba ist textbasierte regionale Spracharbeit mit einem Kontext von 32k. Es sollte weder Bildeingaben noch hybride Denksteuerungen oder Werkzeugformatfunktionen späterer Small- oder Medium-Modelle übernehmen, nur weil es eine Feinabstimmung der Small-Familie ist. Die gelesenen Quellen nennen für diese Ausgabe keine separate maximale Ausgabetokenkapazität.
Bereiten Sie die vollständige schriftliche Aufgabe, relevante Quellfakten und das gewünschte Artefakt vor: eine Supportantwort, Erklärung, angepasste Passage oder einen kurzen Lehrtext. Halten Sie die benannte Saba-Ausgabe sowie Sprache und Sprachregister der Zielgruppe ausdrücklich fest, damit der resultierende Text den tatsächlichen regionalen Kommunikationsbedarf beantwortet.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-saba | 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-saba", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-saba',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-saba',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-saba
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-sabaMistral Saba ist ein Textmodell mit 24 Milliarden Parametern, das mit kuratiertem Material aus dem Nahen Osten und Südasien trainiert wurde. Es konzentriert sich auf regionalen Sprachgebrauch und kulturellen Kontext, darunter Arabisch und Sprachen indischen Ursprungs wie Tamil, mit einem Herstellerkontext von 32k für schriftliche Aufgaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Saba ist das spezialisierte regionale Textmodell von Mistral AI, entstanden durch Feinabstimmung eines Modells der Small-Familie mit kuratiertem Material aus dem Nahen Osten und Südasien. Der Hersteller beschreibt ein Modell mit 24 Milliarden Parametern, das regionalen Sprachgebrauch, kulturellen Kontext und lokale Ausdrucksformen widerspiegeln soll. Es erhält eine schriftliche Aufgabe und Quellmaterial und gibt Text zurück.
Regionale Sprache und Kontext
Die Veröffentlichung nennt ausdrücklich Arabisch und viele Sprachen indischen Ursprungs, mit besonderer Stärke bei südindischen Sprachen wie Tamil. Ihr Schwerpunkt ist spezifischer als lediglich die Zielsprache einer allgemeinen Antwort zu ändern: Das Trainingsmaterial wird für den regionalen sprachlichen und kulturellen Kontext ausgewählt, in dem die Antwort verwendet wird.
Geben Sie Zielgruppe, Region, Sprache und gewünschtes Sprachregister an, bevor Sie ein Ergebnis verlangen. Eine formelle Erklärung, eine Kundennachricht und ein Lehrtext können unterschiedliche Terminologie und Anredeformen erfordern. Stellen Sie ein Glossar für Produktnamen oder Fachbegriffe bereit, die konsistent bleiben müssen, und legen Sie fest, ob das Ergebnis den Quellwortlaut bewahren oder seine Erklärung an die Lesenden anpassen soll.
Die Herstellerseite nennt ein Kontextfenster von 32k und bezeichnet die Ausgabe als mistral-saba-2502. Nutzen Sie den Kontext gemeinsam für relevante Quellpassagen, Gespräch und Anweisungen. Auch eine regional angepasste Antwort benötigt die tatsächlichen Produktbedingungen, das Verfahren oder den Dokumentinhalt als bereitgestellte Belege; kulturelle Vertrautheit liefert keine privaten Unternehmensinformationen.
Gesprächsunterstützung
Der Hersteller hebt arabischsprachige Gesprächsassistenten als zentralen Anwendungsfall hervor. Eine praktische Supportanfrage kann die Nutzernachricht und freigegebenes Referenzmaterial bereitstellen und eine Antwort in einem benannten Sprachregister verlangen. Fordern Sie die nächste Handlung, die Bedingung ihrer Anwendbarkeit und Angaben an, die der Nutzer noch liefern muss. So bleibt die Antwort am konkreten Problem verankert, statt eine allgemeine regionale Begrüssung zu erzeugen.
Benennen Sie für eine zweisprachige Erklärung die Sprache der Quelle und die Sprache der endgültigen Nachricht. Bewahren Sie im Material enthaltene Namen, Beträge oder Einheiten und beschreiben Sie die Zielgruppe, die die Antwort verstehen soll. Eine Folgefrage kann eine kürzere Version oder eine Begriffsklärung verlangen, wobei dieselben Bedingungen erhalten bleiben.
Domänenspezifische Anpassung
Die Ankündigung beschreibt die Feinabstimmung von Saba für bestimmte Domänen, darunter Energie und andere regionale Berufskontexte. Dies ist ein Anpassungsprozess und keine Behauptung, jeder spezialisierte Datensatz sei bereits Teil des Standardmodells. Stellen Sie für eine fachbezogene Textaufgabe die für die tatsächliche Anwendung relevante Terminologie, Quelldokumente und Antwortregeln bereit.
Eine technische Erklärung kann das Modell bitten, ein Verfahren mit der regionalen Terminologie der Lesenden neu zu formulieren und dabei ursprüngliche Schritte und Bedingungen zu bewahren. Eine Dokumentfrage kann die zu erklärende Klausel benennen und eine knappe Antwort mit der stützenden Passage anfordern. Unterscheiden Sie bei der Ausgabevorbereitung Quellfakt, Erklärung und ungeklärte Begriffe.
Kulturelle Inhaltserstellung
Der Hersteller beschreibt auch kulturell passendes Schreiben und Bildungsressourcen. Geben Sie Thema, Zielgruppe, Sprache und aufzunehmende Fakten oder Beispiele an. Legen Sie für einen Lehrtext fest, was die lernende Person am Ende verstehen soll, und fordern Sie eine Erklärung mit anschliessendem praktischem Beispiel an. Stellen Sie für eine Organisationsnachricht den Zweck und die Informationen bereit, nach denen die Lesenden handeln müssen.
Sind lokale Redewendungen oder kulturelle Bezüge Teil der Aufgabe, geben Sie den Verwendungskontext an. Fordern Sie eine alternative Formulierung an, wenn eine formellere oder neutralere Version einer anderen Zielgruppe besser dient. Dies sind praktische Möglichkeiten, die regionale Spezialisierung des Modells anzuwenden und zugleich Inhalt und Verwendungszweck ausdrücklich festzuhalten.
Ausgabe- und Ergebnisgrenzen
Die dokumentierte Spezialisierung von Saba ist textbasierte regionale Spracharbeit mit einem Kontext von 32k. Es sollte weder Bildeingaben noch hybride Denksteuerungen oder Werkzeugformatfunktionen späterer Small- oder Medium-Modelle übernehmen, nur weil es eine Feinabstimmung der Small-Familie ist. Die gelesenen Quellen nennen für diese Ausgabe keine separate maximale Ausgabetokenkapazität.
Bereiten Sie die vollständige schriftliche Aufgabe, relevante Quellfakten und das gewünschte Artefakt vor: eine Supportantwort, Erklärung, angepasste Passage oder einen kurzen Lehrtext. Halten Sie die benannte Saba-Ausgabe sowie Sprache und Sprachregister der Zielgruppe ausdrücklich fest, damit der resultierende Text den tatsächlichen regionalen Kommunikationsbedarf beantwortet.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-saba | 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 $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00004 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-saba",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-saba', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-saba', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-saba
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.