Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Zusammenführung der Familien Instruct, Magistral für Schlussfolgern und Devstral für Programmierung. Es nimmt Text und Bilder entgegen und gibt Text zurück; für werkzeuggestützte Anwendungen stehen Funktionsaufrufe und JSON-Ausgaben zur Verfügung.
Architektur und zentrale Funktionen
Die Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert pro Token 6,5 Milliarden. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktiv, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die aktive Parameterzahl und die Zahl der Experten beschreiben die Organisation des Modells; sie unterscheiden sich von der Menge an Text- oder Bildinhalt in einer einzelnen Aufgabe.
Das Modell bietet Anweisungs- und Denkfunktionen im selben Checkpoint. Der Hersteller nennt auch Bildverständnis, Systemprompt-Befolgung und mehrsprachige Unterstützung in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden, wobei die Antwort als Text zurückgegeben wird.
Eine visuelle Aufgabe kann eine Dokumentseite bereitstellen und nach den für eine benannte Bedingung relevanten Werten fragen. Halten Sie Bezeichnungen und Einheiten lesbar und geben Sie an, ob das Ergebnis den Originalwortlaut bewahren, ihn zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Nutzerziel verbinden und nach dem relevanten sichtbaren Bedienelement sowie den Belegen für einen vorgeschlagenen nächsten Schritt fragen.
Anweisungs- oder Denkmodus wählen
Die veröffentlichte Modellkarte dokumentiert den Denkaufwand none für eine sofortige anweisungsbezogene Antwort und high für Schlussfolgern; high wird für komplexe Prompts empfohlen. Die Auswahl erfolgt pro Anfrage innerhalb desselben Small-4-Modells. Eine gewöhnliche Klassifikation oder kurze Überarbeitung kann einen anderen Ausgabevertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausgearbeitete Erklärung braucht.
Der Hersteller empfiehlt für hohen Denkaufwand eine Temperatur von 0.7. Für none nennt er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7. Diese Einstellungen beschreiben die dokumentierten Modi und machen Denkaufwand nicht zur Garantie eines korrekten Ergebnisses. Definieren Sie Annahmen, Ausgabeform und relevantes Quellmaterial, bevor Sie den nötigen Denkaufwand wählen.
Stellen Sie für ein ausgearbeitetes Problem die vollständige Bedingung bereit und fordern Sie die wichtigen begründeten Schritte mit anschliessendem Endausdruck an. Geben Sie für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe an; verlangen Sie die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Rechenwerkzeug und visuelles Schlussfolgern und zeigen damit, wie Text und visuelle Belege in diese verschiedenen Aufgaben eingehen können.
Programmierung, Dokumente und Werkzeuge
Das Modell ist für die Erkundung von Codebeständen und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Eine Anfrage an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stellen Sie relevanten Quellcode und Fehlerbelege bereit. Das Modell kann den nächsten Vorgang oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldungen bereitstellt.
Benennen Sie für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und ungeklärte Frage trennen. Die Servicekarte des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und Dokumentfragen; letztere nutzen Dokumentverarbeitung und OCR zur Vorbereitung von Text und Struktur vor der Sprachmodellanalyse. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten jeweils ihre eigene Eingabevorbereitung bewahren.
Funktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erzeugt Argumente; die Anwendung führt den Vorgang aus und gibt sein Ergebnis für die nachfolgende Antwort zurück. Dieselbe Logik gilt für Abfragen, Berechnungen oder Programmiervorgänge. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Handlung anfordert; beide dürfen nicht als austauschbare Ergebnisse behandelt werden.
Die Servicekarte nennt auch vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Geben Sie die Änderung und das zu bewahrende Material an. Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Arbeitsübermittlung und keinen zusätzlichen Denkmodus betrifft.
Kontext- und Ausgabegrenzen
Planen Sie schriftliche Aufgabe, visuelles Material, Gespräch und gewünschte Antwort innerhalb des dokumentierten Kontexts von 256k. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262’144 Tokens; sein Generierungsbeispiel mit 1’024 Tokens ist keine separate maximale Ausgabekapazität. Die gelesenen Quellen nennen keine unabhängige feste Antwortlängengrenze, die an die Stelle der gewählten Aufgabenlänge treten könnte.
Small 4 hat eine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die separaten Instruct- und Reasoning-Ausgaben von Ministral 3 übernehmen. Der Hersteller veröffentlicht auch eigene quantisierte Artefakte und Artefakte für spekulative Dekodierung; dies sind separate Bereitstellungsartefakte und keine anderen Inhaltsmodalitäten. Bewahren Sie die benannte Small-4-Veröffentlichung und den für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis angeforderten Modus.
", "aboutText": "Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Zusammenführung der Familien Instruct, Magistral für Schlussfolgern und Devstral für Programmierung. Es nimmt Text und Bilder entgegen und gibt Text zurück; für werkzeuggestützte Anwendungen stehen Funktionsaufrufe und JSON-Ausgaben zur Verfügung.\n\nArchitektur und zentrale Funktionen\n\nDie Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert pro Token 6,5 Milliarden. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktiv, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die aktive Parameterzahl und die Zahl der Experten beschreiben die Organisation des Modells; sie unterscheiden sich von der Menge an Text- oder Bildinhalt in einer einzelnen Aufgabe.\n\nDas Modell bietet Anweisungs- und Denkfunktionen im selben Checkpoint. Der Hersteller nennt auch Bildverständnis, Systemprompt-Befolgung und mehrsprachige Unterstützung in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden, wobei die Antwort als Text zurückgegeben wird.\n\nEine visuelle Aufgabe kann eine Dokumentseite bereitstellen und nach den für eine benannte Bedingung relevanten Werten fragen. Halten Sie Bezeichnungen und Einheiten lesbar und geben Sie an, ob das Ergebnis den Originalwortlaut bewahren, ihn zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Nutzerziel verbinden und nach dem relevanten sichtbaren Bedienelement sowie den Belegen für einen vorgeschlagenen nächsten Schritt fragen.\n\nAnweisungs- oder Denkmodus wählen\n\nDie veröffentlichte Modellkarte dokumentiert den Denkaufwand none für eine sofortige anweisungsbezogene Antwort und high für Schlussfolgern; high wird für komplexe Prompts empfohlen. Die Auswahl erfolgt pro Anfrage innerhalb desselben Small-4-Modells. Eine gewöhnliche Klassifikation oder kurze Überarbeitung kann einen anderen Ausgabevertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausgearbeitete Erklärung braucht.\n\nDer Hersteller empfiehlt für hohen Denkaufwand eine Temperatur von 0.7. Für none nennt er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7. Diese Einstellungen beschreiben die dokumentierten Modi und machen Denkaufwand nicht zur Garantie eines korrekten Ergebnisses. Definieren Sie Annahmen, Ausgabeform und relevantes Quellmaterial, bevor Sie den nötigen Denkaufwand wählen.\n\nStellen Sie für ein ausgearbeitetes Problem die vollständige Bedingung bereit und fordern Sie die wichtigen begründeten Schritte mit anschliessendem Endausdruck an. Geben Sie für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe an; verlangen Sie die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Rechenwerkzeug und visuelles Schlussfolgern und zeigen damit, wie Text und visuelle Belege in diese verschiedenen Aufgaben eingehen können.\n\nProgrammierung, Dokumente und Werkzeuge\n\nDas Modell ist für die Erkundung von Codebeständen und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Eine Anfrage an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stellen Sie relevanten Quellcode und Fehlerbelege bereit. Das Modell kann den nächsten Vorgang oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldungen bereitstellt.\n\nBenennen Sie für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und ungeklärte Frage trennen. Die Servicekarte des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und Dokumentfragen; letztere nutzen Dokumentverarbeitung und OCR zur Vorbereitung von Text und Struktur vor der Sprachmodellanalyse. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten jeweils ihre eigene Eingabevorbereitung bewahren.\n\nFunktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erzeugt Argumente; die Anwendung führt den Vorgang aus und gibt sein Ergebnis für die nachfolgende Antwort zurück. Dieselbe Logik gilt für Abfragen, Berechnungen oder Programmiervorgänge. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Handlung anfordert; beide dürfen nicht als austauschbare Ergebnisse behandelt werden.\n\nDie Servicekarte nennt auch vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Geben Sie die Änderung und das zu bewahrende Material an. Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Arbeitsübermittlung und keinen zusätzlichen Denkmodus betrifft.\n\nKontext- und Ausgabegrenzen\n\nPlanen Sie schriftliche Aufgabe, visuelles Material, Gespräch und gewünschte Antwort innerhalb des dokumentierten Kontexts von 256k. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262’144 Tokens; sein Generierungsbeispiel mit 1’024 Tokens ist keine separate maximale Ausgabekapazität. Die gelesenen Quellen nennen keine unabhängige feste Antwortlängengrenze, die an die Stelle der gewählten Aufgabenlänge treten könnte.\n\nSmall 4 hat eine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die separaten Instruct- und Reasoning-Ausgaben von Ministral 3 übernehmen. Der Hersteller veröffentlicht auch eigene quantisierte Artefakte und Artefakte für spekulative Dekodierung; dies sind separate Bereitstellungsartefakte und keine anderen Inhaltsmodalitäten. Bewahren Sie die benannte Small-4-Veröffentlichung und den für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis angeforderten Modus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 ist ein hybrides Text- und Bildmodell mit Anweisungs-, Denk- und Programmierfähigkeiten. Seine Mixture-of-Experts-Veröffentlichung mit 119 Milliarden Parametern aktiviert pro Token 6,5 Milliarden Parameter und unterstützt einen Herstellerkontext von 256k, wählbaren Denkaufwand, JSON und Funktionsaufrufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Zusammenführung der Familien Instruct, Magistral für Schlussfolgern und Devstral für Programmierung. Es nimmt Text und Bilder entgegen und gibt Text zurück; für werkzeuggestützte Anwendungen stehen Funktionsaufrufe und JSON-Ausgaben zur Verfügung.
Architektur und zentrale Funktionen
Die Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert pro Token 6,5 Milliarden. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktiv, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die aktive Parameterzahl und die Zahl der Experten beschreiben die Organisation des Modells; sie unterscheiden sich von der Menge an Text- oder Bildinhalt in einer einzelnen Aufgabe.
Das Modell bietet Anweisungs- und Denkfunktionen im selben Checkpoint. Der Hersteller nennt auch Bildverständnis, Systemprompt-Befolgung und mehrsprachige Unterstützung in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden, wobei die Antwort als Text zurückgegeben wird.
Eine visuelle Aufgabe kann eine Dokumentseite bereitstellen und nach den für eine benannte Bedingung relevanten Werten fragen. Halten Sie Bezeichnungen und Einheiten lesbar und geben Sie an, ob das Ergebnis den Originalwortlaut bewahren, ihn zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Nutzerziel verbinden und nach dem relevanten sichtbaren Bedienelement sowie den Belegen für einen vorgeschlagenen nächsten Schritt fragen.
Anweisungs- oder Denkmodus wählen
Die veröffentlichte Modellkarte dokumentiert den Denkaufwand none für eine sofortige anweisungsbezogene Antwort und high für Schlussfolgern; high wird für komplexe Prompts empfohlen. Die Auswahl erfolgt pro Anfrage innerhalb desselben Small-4-Modells. Eine gewöhnliche Klassifikation oder kurze Überarbeitung kann einen anderen Ausgabevertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausgearbeitete Erklärung braucht.
Der Hersteller empfiehlt für hohen Denkaufwand eine Temperatur von 0.7. Für none nennt er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7. Diese Einstellungen beschreiben die dokumentierten Modi und machen Denkaufwand nicht zur Garantie eines korrekten Ergebnisses. Definieren Sie Annahmen, Ausgabeform und relevantes Quellmaterial, bevor Sie den nötigen Denkaufwand wählen.
Stellen Sie für ein ausgearbeitetes Problem die vollständige Bedingung bereit und fordern Sie die wichtigen begründeten Schritte mit anschliessendem Endausdruck an. Geben Sie für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe an; verlangen Sie die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Rechenwerkzeug und visuelles Schlussfolgern und zeigen damit, wie Text und visuelle Belege in diese verschiedenen Aufgaben eingehen können.
Programmierung, Dokumente und Werkzeuge
Das Modell ist für die Erkundung von Codebeständen und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Eine Anfrage an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stellen Sie relevanten Quellcode und Fehlerbelege bereit. Das Modell kann den nächsten Vorgang oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldungen bereitstellt.
Benennen Sie für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und ungeklärte Frage trennen. Die Servicekarte des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und Dokumentfragen; letztere nutzen Dokumentverarbeitung und OCR zur Vorbereitung von Text und Struktur vor der Sprachmodellanalyse. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten jeweils ihre eigene Eingabevorbereitung bewahren.
Funktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erzeugt Argumente; die Anwendung führt den Vorgang aus und gibt sein Ergebnis für die nachfolgende Antwort zurück. Dieselbe Logik gilt für Abfragen, Berechnungen oder Programmiervorgänge. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Handlung anfordert; beide dürfen nicht als austauschbare Ergebnisse behandelt werden.
Die Servicekarte nennt auch vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Geben Sie die Änderung und das zu bewahrende Material an. Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Arbeitsübermittlung und keinen zusätzlichen Denkmodus betrifft.
Kontext- und Ausgabegrenzen
Planen Sie schriftliche Aufgabe, visuelles Material, Gespräch und gewünschte Antwort innerhalb des dokumentierten Kontexts von 256k. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262’144 Tokens; sein Generierungsbeispiel mit 1’024 Tokens ist keine separate maximale Ausgabekapazität. Die gelesenen Quellen nennen keine unabhängige feste Antwortlängengrenze, die an die Stelle der gewählten Aufgabenlänge treten könnte.
Small 4 hat eine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die separaten Instruct- und Reasoning-Ausgaben von Ministral 3 übernehmen. Der Hersteller veröffentlicht auch eigene quantisierte Artefakte und Artefakte für spekulative Dekodierung; dies sind separate Bereitstellungsartefakte und keine anderen Inhaltsmodalitäten. Bewahren Sie die benannte Small-4-Veröffentlichung und den für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis angeforderten Modus.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-2603 | 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00003 / 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00003 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-2603", "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-2603',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-2603',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-2603
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-2603Mistral Small 4 ist ein hybrides Text- und Bildmodell mit Anweisungs-, Denk- und Programmierfähigkeiten. Seine Mixture-of-Experts-Veröffentlichung mit 119 Milliarden Parametern aktiviert pro Token 6,5 Milliarden Parameter und unterstützt einen Herstellerkontext von 256k, wählbaren Denkaufwand, JSON und Funktionsaufrufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Zusammenführung der Familien Instruct, Magistral für Schlussfolgern und Devstral für Programmierung. Es nimmt Text und Bilder entgegen und gibt Text zurück; für werkzeuggestützte Anwendungen stehen Funktionsaufrufe und JSON-Ausgaben zur Verfügung.
Architektur und zentrale Funktionen
Die Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert pro Token 6,5 Milliarden. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktiv, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die aktive Parameterzahl und die Zahl der Experten beschreiben die Organisation des Modells; sie unterscheiden sich von der Menge an Text- oder Bildinhalt in einer einzelnen Aufgabe.
Das Modell bietet Anweisungs- und Denkfunktionen im selben Checkpoint. Der Hersteller nennt auch Bildverständnis, Systemprompt-Befolgung und mehrsprachige Unterstützung in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden, wobei die Antwort als Text zurückgegeben wird.
Eine visuelle Aufgabe kann eine Dokumentseite bereitstellen und nach den für eine benannte Bedingung relevanten Werten fragen. Halten Sie Bezeichnungen und Einheiten lesbar und geben Sie an, ob das Ergebnis den Originalwortlaut bewahren, ihn zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Nutzerziel verbinden und nach dem relevanten sichtbaren Bedienelement sowie den Belegen für einen vorgeschlagenen nächsten Schritt fragen.
Anweisungs- oder Denkmodus wählen
Die veröffentlichte Modellkarte dokumentiert den Denkaufwand none für eine sofortige anweisungsbezogene Antwort und high für Schlussfolgern; high wird für komplexe Prompts empfohlen. Die Auswahl erfolgt pro Anfrage innerhalb desselben Small-4-Modells. Eine gewöhnliche Klassifikation oder kurze Überarbeitung kann einen anderen Ausgabevertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausgearbeitete Erklärung braucht.
Der Hersteller empfiehlt für hohen Denkaufwand eine Temperatur von 0.7. Für none nennt er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7. Diese Einstellungen beschreiben die dokumentierten Modi und machen Denkaufwand nicht zur Garantie eines korrekten Ergebnisses. Definieren Sie Annahmen, Ausgabeform und relevantes Quellmaterial, bevor Sie den nötigen Denkaufwand wählen.
Stellen Sie für ein ausgearbeitetes Problem die vollständige Bedingung bereit und fordern Sie die wichtigen begründeten Schritte mit anschliessendem Endausdruck an. Geben Sie für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe an; verlangen Sie die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Rechenwerkzeug und visuelles Schlussfolgern und zeigen damit, wie Text und visuelle Belege in diese verschiedenen Aufgaben eingehen können.
Programmierung, Dokumente und Werkzeuge
Das Modell ist für die Erkundung von Codebeständen und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Eine Anfrage an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stellen Sie relevanten Quellcode und Fehlerbelege bereit. Das Modell kann den nächsten Vorgang oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldungen bereitstellt.
Benennen Sie für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und ungeklärte Frage trennen. Die Servicekarte des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und Dokumentfragen; letztere nutzen Dokumentverarbeitung und OCR zur Vorbereitung von Text und Struktur vor der Sprachmodellanalyse. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten jeweils ihre eigene Eingabevorbereitung bewahren.
Funktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erzeugt Argumente; die Anwendung führt den Vorgang aus und gibt sein Ergebnis für die nachfolgende Antwort zurück. Dieselbe Logik gilt für Abfragen, Berechnungen oder Programmiervorgänge. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Handlung anfordert; beide dürfen nicht als austauschbare Ergebnisse behandelt werden.
Die Servicekarte nennt auch vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Geben Sie die Änderung und das zu bewahrende Material an. Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Arbeitsübermittlung und keinen zusätzlichen Denkmodus betrifft.
Kontext- und Ausgabegrenzen
Planen Sie schriftliche Aufgabe, visuelles Material, Gespräch und gewünschte Antwort innerhalb des dokumentierten Kontexts von 256k. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262’144 Tokens; sein Generierungsbeispiel mit 1’024 Tokens ist keine separate maximale Ausgabekapazität. Die gelesenen Quellen nennen keine unabhängige feste Antwortlängengrenze, die an die Stelle der gewählten Aufgabenlänge treten könnte.
Small 4 hat eine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die separaten Instruct- und Reasoning-Ausgaben von Ministral 3 übernehmen. Der Hersteller veröffentlicht auch eigene quantisierte Artefakte und Artefakte für spekulative Dekodierung; dies sind separate Bereitstellungsartefakte und keine anderen Inhaltsmodalitäten. Bewahren Sie die benannte Small-4-Veröffentlichung und den für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis angeforderten Modus.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-2603 | 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00003 / 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0012 / 1K Tokens Eingabe · Cache lesen $0.00003 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2603', '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-2603', '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-2603
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.