Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Es wurde aus dem separat benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert es für reaktionsschnelle Gesprächsassistenz, Funktionsaufrufe und fachspezifische Anpassung, mit Text sowohl als Eingabe als auch als erzeugtem Ergebnis.
Kernfunktionen und Unterschiede beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Gesprächs- und Denkfähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und Systemprompt-Befolgung. Das Kontextfenster beträgt 32k, und das Modell verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, die Vokabularangabe beschreibt die Tokenisierung; dies sind verschiedene Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist zudem in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definieren Sie Zielsprache und unverändert zu bewahrende Terminologie. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten erhalten und zugleich die umgebende Prosa an die Lesenden anpassen.
Die Veröffentlichungsankündigung hält fest, dass Small 3 weder mit bestärkendem Lernen noch mit synthetischen Daten trainiert wurde, und unterscheidet vortrainierte und auf Anweisungen abgestimmte Checkpoints. Sie beschreibt das Modell als weiter anpassbare Grundlage und nicht als hybriden Checkpoint mit den späteren Denksteuerungen von Small 4. Dieser Eintrag ist die Ausgabe Instruct 2501 zur Befolgung einer Gesprächsaufgabe.
Gesprächs- und strukturierte Aufgaben
Stellen Sie für einen Supportassistenten die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Fragen Sie nach der Handlung, die die Frage beantwortet, und der Bedingung, unter der sie gilt. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt beides in einer unstrukturierten Erklärung zu vermischen.
Geben Sie für Klassifikation die zulässigen Bezeichnungen und die Unterschiede zwischen ihnen an. Benennen Sie für Extraktion Felder, erwartete Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht kopierte Kennung und eine kurze Zusammenfassung der angeforderten Handlung enthalten. JSON ordnet das Ergebnis, während Feldgestaltung und Interpretationsregeln Teil der bereitgestellten Aufgabe bleiben.
Fügen Sie für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe hinzu. Fragen Sie, welcher Codepfad das Ergebnis bestimmt. Definieren Sie für eine mathematische Erklärung Variablen und Annahmen und benennen Sie den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können einen Ansatz, eine Erklärung und das abschliessende Artefakt zurückgeben, ohne anzunehmen, dass das Modell selbst Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten abgestimmten Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Definieren Sie mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das eigentliche Problem oder Quellmaterial enthält. Halten Sie innerhalb eines Dokuments zitierte Anweisungen von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Geben Sie für einen Alltagsassistenten an, ob eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung gewünscht ist. Soll die Antwort geparst werden, fordern Sie den Datensatz getrennt von optionaler Prosa an. Bewahren Sie in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt den Vorgang aus und gibt das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; danach kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt ein Gespräch mit früherer Werkzeugnutzung und einer anschliessenden neuen Frage. Damit kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreiben Sie Zweck und Pflichtwerte jeder Funktion klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis in das Gespräch zurückgeben; eine Textverarbeitungsfunktion kann eine umgearbeitete Passage für die nächste Antwort liefern. Halten Sie den Werkzeugsatz auf den aktuellen Prozess bezogen und bewahren Sie die Verbindung zwischen vorgeschlagenem Vorgang und Ergebnis.
Der Hersteller beschreibt auch Feinabstimmung zur fachlichen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; ein Dokument in einem einzelnen Gespräch bereitzustellen ist dagegen Quellenkonditionierung für diese Aufgabe. Geben Sie das Domänenmaterial und die Antwortanforderungen an, die der konkrete Assistent benötigt, statt anzunehmen, eine Anpassung sei bereits vorgenommen worden.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Das mit Small 3.1 eingeführte Bildverständnis und der Kontext von 128k gehören zur späteren Veröffentlichung; auch die hybriden Modi von Small 4 dürfen nicht hierher übertragen werden. Relevante Inhalte eines Bildes, einer Audioaufnahme oder eines Videos müssen vor dieser Textaufgabe durch eine andere Komponente aufbereitet werden.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine separaten maximalen Ausgabekapazitäten. Halten Sie die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche abschliessende Artefakt ist die Antwort, der JSON-Datensatz oder der vorgeschlagene Code, dessen Bedeutung und Format zur ursprünglichen schriftlichen Aufgabe passen.
", "aboutText": "Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Es wurde aus dem separat benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert es für reaktionsschnelle Gesprächsassistenz, Funktionsaufrufe und fachspezifische Anpassung, mit Text sowohl als Eingabe als auch als erzeugtem Ergebnis.\n\nKernfunktionen und Unterschiede beim Training\n\nDie Modellkarte dokumentiert mehrsprachige Unterstützung, Gesprächs- und Denkfähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und Systemprompt-Befolgung. Das Kontextfenster beträgt 32k, und das Modell verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, die Vokabularangabe beschreibt die Tokenisierung; dies sind verschiedene Spezifikationen.\n\nDer Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist zudem in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definieren Sie Zielsprache und unverändert zu bewahrende Terminologie. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten erhalten und zugleich die umgebende Prosa an die Lesenden anpassen.\n\nDie Veröffentlichungsankündigung hält fest, dass Small 3 weder mit bestärkendem Lernen noch mit synthetischen Daten trainiert wurde, und unterscheidet vortrainierte und auf Anweisungen abgestimmte Checkpoints. Sie beschreibt das Modell als weiter anpassbare Grundlage und nicht als hybriden Checkpoint mit den späteren Denksteuerungen von Small 4. Dieser Eintrag ist die Ausgabe Instruct 2501 zur Befolgung einer Gesprächsaufgabe.\n\nGesprächs- und strukturierte Aufgaben\n\nStellen Sie für einen Supportassistenten die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Fragen Sie nach der Handlung, die die Frage beantwortet, und der Bedingung, unter der sie gilt. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt beides in einer unstrukturierten Erklärung zu vermischen.\n\nGeben Sie für Klassifikation die zulässigen Bezeichnungen und die Unterschiede zwischen ihnen an. Benennen Sie für Extraktion Felder, erwartete Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht kopierte Kennung und eine kurze Zusammenfassung der angeforderten Handlung enthalten. JSON ordnet das Ergebnis, während Feldgestaltung und Interpretationsregeln Teil der bereitgestellten Aufgabe bleiben.\n\nFügen Sie für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe hinzu. Fragen Sie, welcher Codepfad das Ergebnis bestimmt. Definieren Sie für eine mathematische Erklärung Variablen und Annahmen und benennen Sie den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können einen Ansatz, eine Erklärung und das abschliessende Artefakt zurückgeben, ohne anzunehmen, dass das Modell selbst Code oder eine externe Berechnung ausführt.\n\nSystemanweisungen und empfohlene Einstellungen\n\nDie Modellkarte empfiehlt einen auf den vorgesehenen Assistenten abgestimmten Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Definieren Sie mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das eigentliche Problem oder Quellmaterial enthält. Halten Sie innerhalb eines Dokuments zitierte Anweisungen von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.\n\nGeben Sie für einen Alltagsassistenten an, ob eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung gewünscht ist. Soll die Antwort geparst werden, fordern Sie den Datensatz getrennt von optionaler Prosa an. Bewahren Sie in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.\n\nFunktionsaufrufe und Spezialisierung\n\nDas Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt den Vorgang aus und gibt das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; danach kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt ein Gespräch mit früherer Werkzeugnutzung und einer anschliessenden neuen Frage. Damit kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.\n\nBeschreiben Sie Zweck und Pflichtwerte jeder Funktion klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis in das Gespräch zurückgeben; eine Textverarbeitungsfunktion kann eine umgearbeitete Passage für die nächste Antwort liefern. Halten Sie den Werkzeugsatz auf den aktuellen Prozess bezogen und bewahren Sie die Verbindung zwischen vorgeschlagenem Vorgang und Ergebnis.\n\nDer Hersteller beschreibt auch Feinabstimmung zur fachlichen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; ein Dokument in einem einzelnen Gespräch bereitzustellen ist dagegen Quellenkonditionierung für diese Aufgabe. Geben Sie das Domänenmaterial und die Antwortanforderungen an, die der konkrete Assistent benötigt, statt anzunehmen, eine Anpassung sei bereits vorgenommen worden.\n\nKontext und inhaltliche Grenzen\n\nSmall 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Das mit Small 3.1 eingeführte Bildverständnis und der Kontext von 128k gehören zur späteren Veröffentlichung; auch die hybriden Modi von Small 4 dürfen nicht hierher übertragen werden. Relevante Inhalte eines Bildes, einer Audioaufnahme oder eines Videos müssen vor dieser Textaufgabe durch eine andere Komponente aufbereitet werden.\n\nDie Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine separaten maximalen Ausgabekapazitäten. Halten Sie die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche abschliessende Artefakt ist die Antwort, der JSON-Datensatz oder der vorgeschlagene Code, dessen Bedeutung und Format zur ursprünglichen schriftlichen Aufgabe passen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 ist ein Textmodell mit 24 Milliarden Parametern für Gesprächsanweisungen, strukturierte Extraktion und werkzeuggestützte Anwendungen. Es bietet einen Herstellerkontext von 32k, mehrsprachige Antworten, Systemprompt-Unterstützung, JSON und native Funktionsaufrufe in einer eigenen reinen Textveröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Es wurde aus dem separat benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert es für reaktionsschnelle Gesprächsassistenz, Funktionsaufrufe und fachspezifische Anpassung, mit Text sowohl als Eingabe als auch als erzeugtem Ergebnis.
Kernfunktionen und Unterschiede beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Gesprächs- und Denkfähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und Systemprompt-Befolgung. Das Kontextfenster beträgt 32k, und das Modell verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, die Vokabularangabe beschreibt die Tokenisierung; dies sind verschiedene Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist zudem in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definieren Sie Zielsprache und unverändert zu bewahrende Terminologie. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten erhalten und zugleich die umgebende Prosa an die Lesenden anpassen.
Die Veröffentlichungsankündigung hält fest, dass Small 3 weder mit bestärkendem Lernen noch mit synthetischen Daten trainiert wurde, und unterscheidet vortrainierte und auf Anweisungen abgestimmte Checkpoints. Sie beschreibt das Modell als weiter anpassbare Grundlage und nicht als hybriden Checkpoint mit den späteren Denksteuerungen von Small 4. Dieser Eintrag ist die Ausgabe Instruct 2501 zur Befolgung einer Gesprächsaufgabe.
Gesprächs- und strukturierte Aufgaben
Stellen Sie für einen Supportassistenten die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Fragen Sie nach der Handlung, die die Frage beantwortet, und der Bedingung, unter der sie gilt. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt beides in einer unstrukturierten Erklärung zu vermischen.
Geben Sie für Klassifikation die zulässigen Bezeichnungen und die Unterschiede zwischen ihnen an. Benennen Sie für Extraktion Felder, erwartete Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht kopierte Kennung und eine kurze Zusammenfassung der angeforderten Handlung enthalten. JSON ordnet das Ergebnis, während Feldgestaltung und Interpretationsregeln Teil der bereitgestellten Aufgabe bleiben.
Fügen Sie für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe hinzu. Fragen Sie, welcher Codepfad das Ergebnis bestimmt. Definieren Sie für eine mathematische Erklärung Variablen und Annahmen und benennen Sie den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können einen Ansatz, eine Erklärung und das abschliessende Artefakt zurückgeben, ohne anzunehmen, dass das Modell selbst Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten abgestimmten Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Definieren Sie mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das eigentliche Problem oder Quellmaterial enthält. Halten Sie innerhalb eines Dokuments zitierte Anweisungen von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Geben Sie für einen Alltagsassistenten an, ob eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung gewünscht ist. Soll die Antwort geparst werden, fordern Sie den Datensatz getrennt von optionaler Prosa an. Bewahren Sie in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt den Vorgang aus und gibt das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; danach kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt ein Gespräch mit früherer Werkzeugnutzung und einer anschliessenden neuen Frage. Damit kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreiben Sie Zweck und Pflichtwerte jeder Funktion klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis in das Gespräch zurückgeben; eine Textverarbeitungsfunktion kann eine umgearbeitete Passage für die nächste Antwort liefern. Halten Sie den Werkzeugsatz auf den aktuellen Prozess bezogen und bewahren Sie die Verbindung zwischen vorgeschlagenem Vorgang und Ergebnis.
Der Hersteller beschreibt auch Feinabstimmung zur fachlichen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; ein Dokument in einem einzelnen Gespräch bereitzustellen ist dagegen Quellenkonditionierung für diese Aufgabe. Geben Sie das Domänenmaterial und die Antwortanforderungen an, die der konkrete Assistent benötigt, statt anzunehmen, eine Anpassung sei bereits vorgenommen worden.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Das mit Small 3.1 eingeführte Bildverständnis und der Kontext von 128k gehören zur späteren Veröffentlichung; auch die hybriden Modi von Small 4 dürfen nicht hierher übertragen werden. Relevante Inhalte eines Bildes, einer Audioaufnahme oder eines Videos müssen vor dieser Textaufgabe durch eine andere Komponente aufbereitet werden.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine separaten maximalen Ausgabekapazitäten. Halten Sie die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche abschliessende Artefakt ist die Antwort, der JSON-Datensatz oder der vorgeschlagene Code, dessen Bedeutung und Format zur ursprünglichen schriftlichen Aufgabe passen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00016 / 1K Tokens Eingabe · Cache lesen — / 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00016 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "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-small-24b-instruct-2501',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-small-24b-instruct-2501',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-small-24b-instruct-2501
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 ist ein Textmodell mit 24 Milliarden Parametern für Gesprächsanweisungen, strukturierte Extraktion und werkzeuggestützte Anwendungen. Es bietet einen Herstellerkontext von 32k, mehrsprachige Antworten, Systemprompt-Unterstützung, JSON und native Funktionsaufrufe in einer eigenen reinen Textveröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Es wurde aus dem separat benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert es für reaktionsschnelle Gesprächsassistenz, Funktionsaufrufe und fachspezifische Anpassung, mit Text sowohl als Eingabe als auch als erzeugtem Ergebnis.
Kernfunktionen und Unterschiede beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Gesprächs- und Denkfähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und Systemprompt-Befolgung. Das Kontextfenster beträgt 32k, und das Modell verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, die Vokabularangabe beschreibt die Tokenisierung; dies sind verschiedene Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist zudem in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definieren Sie Zielsprache und unverändert zu bewahrende Terminologie. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten erhalten und zugleich die umgebende Prosa an die Lesenden anpassen.
Die Veröffentlichungsankündigung hält fest, dass Small 3 weder mit bestärkendem Lernen noch mit synthetischen Daten trainiert wurde, und unterscheidet vortrainierte und auf Anweisungen abgestimmte Checkpoints. Sie beschreibt das Modell als weiter anpassbare Grundlage und nicht als hybriden Checkpoint mit den späteren Denksteuerungen von Small 4. Dieser Eintrag ist die Ausgabe Instruct 2501 zur Befolgung einer Gesprächsaufgabe.
Gesprächs- und strukturierte Aufgaben
Stellen Sie für einen Supportassistenten die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Fragen Sie nach der Handlung, die die Frage beantwortet, und der Bedingung, unter der sie gilt. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt beides in einer unstrukturierten Erklärung zu vermischen.
Geben Sie für Klassifikation die zulässigen Bezeichnungen und die Unterschiede zwischen ihnen an. Benennen Sie für Extraktion Felder, erwartete Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht kopierte Kennung und eine kurze Zusammenfassung der angeforderten Handlung enthalten. JSON ordnet das Ergebnis, während Feldgestaltung und Interpretationsregeln Teil der bereitgestellten Aufgabe bleiben.
Fügen Sie für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe hinzu. Fragen Sie, welcher Codepfad das Ergebnis bestimmt. Definieren Sie für eine mathematische Erklärung Variablen und Annahmen und benennen Sie den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können einen Ansatz, eine Erklärung und das abschliessende Artefakt zurückgeben, ohne anzunehmen, dass das Modell selbst Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten abgestimmten Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Definieren Sie mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das eigentliche Problem oder Quellmaterial enthält. Halten Sie innerhalb eines Dokuments zitierte Anweisungen von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Geben Sie für einen Alltagsassistenten an, ob eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung gewünscht ist. Soll die Antwort geparst werden, fordern Sie den Datensatz getrennt von optionaler Prosa an. Bewahren Sie in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt den Vorgang aus und gibt das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; danach kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt ein Gespräch mit früherer Werkzeugnutzung und einer anschliessenden neuen Frage. Damit kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreiben Sie Zweck und Pflichtwerte jeder Funktion klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis in das Gespräch zurückgeben; eine Textverarbeitungsfunktion kann eine umgearbeitete Passage für die nächste Antwort liefern. Halten Sie den Werkzeugsatz auf den aktuellen Prozess bezogen und bewahren Sie die Verbindung zwischen vorgeschlagenem Vorgang und Ergebnis.
Der Hersteller beschreibt auch Feinabstimmung zur fachlichen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; ein Dokument in einem einzelnen Gespräch bereitzustellen ist dagegen Quellenkonditionierung für diese Aufgabe. Geben Sie das Domänenmaterial und die Antwortanforderungen an, die der konkrete Assistent benötigt, statt anzunehmen, eine Anpassung sei bereits vorgenommen worden.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Das mit Small 3.1 eingeführte Bildverständnis und der Kontext von 128k gehören zur späteren Veröffentlichung; auch die hybriden Modi von Small 4 dürfen nicht hierher übertragen werden. Relevante Inhalte eines Bildes, einer Audioaufnahme oder eines Videos müssen vor dieser Textaufgabe durch eine andere Komponente aufbereitet werden.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine separaten maximalen Ausgabekapazitäten. Halten Sie die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche abschliessende Artefakt ist die Antwort, der JSON-Datensatz oder der vorgeschlagene Code, dessen Bedeutung und Format zur ursprünglichen schriftlichen Aufgabe passen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00016 / 1K Tokens Eingabe · Cache lesen — / 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 $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.00016 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small-24b-instruct-2501', '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-small-24b-instruct-2501', '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-small-24b-instruct-2501
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.