Mistral Small 3.1 24B Instruct 2503 baut auf Small 3 2501 auf, ergänzt visuelles Verständnis und erweitert die Unterstützung langer Kontexte auf 128k Tokens. Es hat 24 Milliarden Parameter und ist aus der separat benannten Veröffentlichung Small 3.1 Base auf Anweisungen abgestimmt. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter eine Erklärung, Code oder einen strukturierten Datensatz.
Zentrale Fähigkeiten
Bildverständnis erlaubt dem Modell, sichtbares Material zusammen mit der Nutzerfrage zu analysieren. Ein Dokumentbild kann das zu prüfende Feld oder die Aussage liefern, ein Schaubild den zu erklärenden Zusammenhang und ein Diagramm die Daten hinter einem Vergleich. Halten Sie Beschriftungen, Einheiten und relevante umgebende Inhalte lesbar, damit sich die Frage auf tatsächlich im Bild vorhandene Belege bezieht.
Der Hersteller nennt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Russisch, Englisch, Französisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Nepali, Polnisch, Portugiesisch, Rumänisch, Serbisch, Spanisch, Schwedisch, Türkisch, Ukrainisch, Vietnamesisch, Arabisch, Bengali, Chinesisch und Farsi. Definieren Sie für eine mehrsprachige Antwort Zielsprache, Leserschaft und Terminologie. Namen, zitierte Bezeichnungen, Variablenkennungen und Einheiten können unverändert bleiben, während die umgebende Prosa angepasst wird.
Die Modellkarte beschreibt auch Gesprächs- und Denkfähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und Systemprompt-Befolgung. Der Tokenizer heisst Tekken und hat ein als 131k bezeichnetes Vokabular. Dies sind Funktionen der benannten auf Anweisungen abgestimmten Veröffentlichung; ihre Base-Ausgabe erfüllt eine andere Rolle, und spätere Veröffentlichungen Small 3.2 und Small 4 haben eigene Änderungen und Modi.
Vorbereitung für Dokumente, Programmierung und Mathematik
Benennen Sie für eine Aufgabe mit langen Dokumenten die Dokumente und stellen Sie eine definierte Frage. Ein Vergleich kann eine Anforderungsmatrix mit Aussage, Quellabschnitt und etwaigen Widersprüchen zwischen Dokumenten verlangen. Eine Zusammenfassung kann ausschliesslich das für eine benannte Änderung relevante Material anfordern. Der lange Kontext hält diese Quellen zusammen, während die abschliessende Antwort knapp bleiben kann.
Stellen Sie für eine Codeerklärung die Funktion und die Eingabe bereit, deren Verhalten nachverfolgt werden soll. Fügen Sie relevante Hilfsfunktionen oder Deklarationen hinzu und fragen Sie, wie sich der Zustand vor der Wertrückgabe verändert. Geben Sie für einen Änderungsvorschlag die Anforderung, die zu bewahrende öffentliche Schnittstelle und die erwartete Ausgabe an. Fordern Sie den überarbeiteten Code getrennt von Erklärung und Beispielen an.
Definieren Sie für eine mathematische Aufgabe Symbole und Annahmen zum Definitionsbereich, bevor Sie eine Herleitung verlangen. Geben Sie an, ob das Endergebnis exakt, gerundet oder ein Beweis einer Behauptung sein soll. Steht die Bedingung in einem Bild, halten Sie Formel und zugehörige Beschriftungen klar und bitten Sie das Modell, diese Notation in der Antwort zu bewahren. Diese Vorbereitungen machen den dokumentierten Schwerpunkt auf Programmierung und mathematischem Schlussfolgern zu einem prüfbaren Artefakt.
Anweisungsformat und empfohlene Nutzung
Der Hersteller veröffentlicht eine V7-Tekken-Gesprächsvorlage, die System-, Nutzer- und Assistentenrollen unterscheidet, und empfiehlt die passende Tokenizer-Implementierung als verbindliche Referenz. Eine Systemanweisung sollte Rolle und Antwortregeln des Assistenten definieren, während die Nutzernachricht die tatsächliche Aufgabe und das Quellmaterial enthält. Korrekte Gesprächsformatierung unterscheidet sich von rollenähnlichen Bezeichnungen innerhalb eines zitierten Dokuments.
Die Modellkarte empfiehlt eine relativ niedrige Temperatur, etwa 0.15, und einen auf den Anwendungsfall abgestimmten Systemprompt. Definieren Sie Ausgabefelder oder Abschnitte und die Bedingungen, die eine Überarbeitung überstehen müssen. Fordern Sie für wiederholte Extraktionen JSON mit vorgegebenen Namen und Typen sowie einer Darstellung für in der Quelle fehlende Werte an. Ein erklärender Absatz kann separat zurückgegeben werden, wenn eine Person die Interpretation prüfen muss.
Ablauf für Funktionsaufrufe
Das Modell kann aus den von der Anwendung beschriebenen Werkzeugen eine Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Funktion aus, liefert das Ergebnis zusammen mit dem zugehörigen Werkzeugaufruf zurück, und das Modell verwendet dieses Ergebnis in einer nachfolgenden Antwort. Das Herstellerbeispiel zeigt diesen Gesprächszyklus mit früherer Werkzeugnutzung und einer neuen Nutzerfrage. Eine vorgeschlagene Abfrage ist daher von den tatsächlich zurückgegebenen Daten zu unterscheiden.
Ein praktischer Assistent könnte zuerst eine Frage aus einem Dokument extrahieren und dann eine bereitgestellte Referenzfunktion nutzen, um eine fehlende Bedingung zu erhalten. Beschreiben Sie die Funktion klar, fügen Sie ihre Pflichtargumente hinzu und halten Sie das Ergebnis mit dem auslösenden Vorgang verbunden. JSON ordnet ein Textergebnis; ein Funktionsaufruf fordert einen verbundenen Vorgang an, statt stillschweigend Code auszuführen oder eine Datenbank zu lesen.
Inhaltliche Grenzen
Die dokumentierte visuelle Fähigkeit liest Bilder; sie erzeugt sie nicht. Die Assistentenhinweise der veröffentlichten Modellkarte grenzen dieses Modell auch von Audio- und Videotranskription ab, sodass relevante Inhalte einer gesprochenen oder videobasierten Frage durch einen geeigneten separaten Vorbereitungsschritt bereitgestellt werden müssen. Webzugriff und externe Handlungen stammen ebenso von verbundenen Werkzeugen und nicht allein vom Text- und Bildmodell.
Der Kontext von 128k betrifft die Aufgabeneingabe und das erzeugte Gespräch, während das Generierungsbeispiel mit 512 Tokens in der Modellkarte lediglich eine Beispieleinstellung ist. Die gelesenen Quellen nennen keine separate feste Antwortlängenkapazität. Bewahren Sie die genaue Ausgabe Instruct 2503, ihr Gesprächsformat und das gewünschte Erklärungs-, Datensatz- oder Codeartefakt.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 baut auf Small 3 2501 auf, ergänzt visuelles Verständnis und erweitert die Unterstützung langer Kontexte auf 128k Tokens. Es hat 24 Milliarden Parameter und ist aus der separat benannten Veröffentlichung Small 3.1 Base auf Anweisungen abgestimmt. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter eine Erklärung, Code oder einen strukturierten Datensatz.\n\nZentrale Fähigkeiten\n\nBildverständnis erlaubt dem Modell, sichtbares Material zusammen mit der Nutzerfrage zu analysieren. Ein Dokumentbild kann das zu prüfende Feld oder die Aussage liefern, ein Schaubild den zu erklärenden Zusammenhang und ein Diagramm die Daten hinter einem Vergleich. Halten Sie Beschriftungen, Einheiten und relevante umgebende Inhalte lesbar, damit sich die Frage auf tatsächlich im Bild vorhandene Belege bezieht.\n\nDer Hersteller nennt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Russisch, Englisch, Französisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Nepali, Polnisch, Portugiesisch, Rumänisch, Serbisch, Spanisch, Schwedisch, Türkisch, Ukrainisch, Vietnamesisch, Arabisch, Bengali, Chinesisch und Farsi. Definieren Sie für eine mehrsprachige Antwort Zielsprache, Leserschaft und Terminologie. Namen, zitierte Bezeichnungen, Variablenkennungen und Einheiten können unverändert bleiben, während die umgebende Prosa angepasst wird.\n\nDie Modellkarte beschreibt auch Gesprächs- und Denkfähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und Systemprompt-Befolgung. Der Tokenizer heisst Tekken und hat ein als 131k bezeichnetes Vokabular. Dies sind Funktionen der benannten auf Anweisungen abgestimmten Veröffentlichung; ihre Base-Ausgabe erfüllt eine andere Rolle, und spätere Veröffentlichungen Small 3.2 und Small 4 haben eigene Änderungen und Modi.\n\nVorbereitung für Dokumente, Programmierung und Mathematik\n\nBenennen Sie für eine Aufgabe mit langen Dokumenten die Dokumente und stellen Sie eine definierte Frage. Ein Vergleich kann eine Anforderungsmatrix mit Aussage, Quellabschnitt und etwaigen Widersprüchen zwischen Dokumenten verlangen. Eine Zusammenfassung kann ausschliesslich das für eine benannte Änderung relevante Material anfordern. Der lange Kontext hält diese Quellen zusammen, während die abschliessende Antwort knapp bleiben kann.\n\nStellen Sie für eine Codeerklärung die Funktion und die Eingabe bereit, deren Verhalten nachverfolgt werden soll. Fügen Sie relevante Hilfsfunktionen oder Deklarationen hinzu und fragen Sie, wie sich der Zustand vor der Wertrückgabe verändert. Geben Sie für einen Änderungsvorschlag die Anforderung, die zu bewahrende öffentliche Schnittstelle und die erwartete Ausgabe an. Fordern Sie den überarbeiteten Code getrennt von Erklärung und Beispielen an.\n\nDefinieren Sie für eine mathematische Aufgabe Symbole und Annahmen zum Definitionsbereich, bevor Sie eine Herleitung verlangen. Geben Sie an, ob das Endergebnis exakt, gerundet oder ein Beweis einer Behauptung sein soll. Steht die Bedingung in einem Bild, halten Sie Formel und zugehörige Beschriftungen klar und bitten Sie das Modell, diese Notation in der Antwort zu bewahren. Diese Vorbereitungen machen den dokumentierten Schwerpunkt auf Programmierung und mathematischem Schlussfolgern zu einem prüfbaren Artefakt.\n\nAnweisungsformat und empfohlene Nutzung\n\nDer Hersteller veröffentlicht eine V7-Tekken-Gesprächsvorlage, die System-, Nutzer- und Assistentenrollen unterscheidet, und empfiehlt die passende Tokenizer-Implementierung als verbindliche Referenz. Eine Systemanweisung sollte Rolle und Antwortregeln des Assistenten definieren, während die Nutzernachricht die tatsächliche Aufgabe und das Quellmaterial enthält. Korrekte Gesprächsformatierung unterscheidet sich von rollenähnlichen Bezeichnungen innerhalb eines zitierten Dokuments.\n\nDie Modellkarte empfiehlt eine relativ niedrige Temperatur, etwa 0.15, und einen auf den Anwendungsfall abgestimmten Systemprompt. Definieren Sie Ausgabefelder oder Abschnitte und die Bedingungen, die eine Überarbeitung überstehen müssen. Fordern Sie für wiederholte Extraktionen JSON mit vorgegebenen Namen und Typen sowie einer Darstellung für in der Quelle fehlende Werte an. Ein erklärender Absatz kann separat zurückgegeben werden, wenn eine Person die Interpretation prüfen muss.\n\nAblauf für Funktionsaufrufe\n\nDas Modell kann aus den von der Anwendung beschriebenen Werkzeugen eine Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Funktion aus, liefert das Ergebnis zusammen mit dem zugehörigen Werkzeugaufruf zurück, und das Modell verwendet dieses Ergebnis in einer nachfolgenden Antwort. Das Herstellerbeispiel zeigt diesen Gesprächszyklus mit früherer Werkzeugnutzung und einer neuen Nutzerfrage. Eine vorgeschlagene Abfrage ist daher von den tatsächlich zurückgegebenen Daten zu unterscheiden.\n\nEin praktischer Assistent könnte zuerst eine Frage aus einem Dokument extrahieren und dann eine bereitgestellte Referenzfunktion nutzen, um eine fehlende Bedingung zu erhalten. Beschreiben Sie die Funktion klar, fügen Sie ihre Pflichtargumente hinzu und halten Sie das Ergebnis mit dem auslösenden Vorgang verbunden. JSON ordnet ein Textergebnis; ein Funktionsaufruf fordert einen verbundenen Vorgang an, statt stillschweigend Code auszuführen oder eine Datenbank zu lesen.\n\nInhaltliche Grenzen\n\nDie dokumentierte visuelle Fähigkeit liest Bilder; sie erzeugt sie nicht. Die Assistentenhinweise der veröffentlichten Modellkarte grenzen dieses Modell auch von Audio- und Videotranskription ab, sodass relevante Inhalte einer gesprochenen oder videobasierten Frage durch einen geeigneten separaten Vorbereitungsschritt bereitgestellt werden müssen. Webzugriff und externe Handlungen stammen ebenso von verbundenen Werkzeugen und nicht allein vom Text- und Bildmodell.\n\nDer Kontext von 128k betrifft die Aufgabeneingabe und das erzeugte Gespräch, während das Generierungsbeispiel mit 512 Tokens in der Modellkarte lediglich eine Beispieleinstellung ist. Die gelesenen Quellen nennen keine separate feste Antwortlängenkapazität. Bewahren Sie die genaue Ausgabe Instruct 2503, ihr Gesprächsformat und das gewünschte Erklärungs-, Datensatz- oder Codeartefakt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 ergänzt die Small-3-Linie um Bildverständnis und einen Herstellerkontext von 128k. Es verbindet mehrsprachigen Text, Programmierung und mathematisches Schlussfolgern mit Systemanweisungen, JSON und nativen Funktionsaufrufen in einer eigenen auf Anweisungen abgestimmten Veröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.1 24B Instruct 2503 baut auf Small 3 2501 auf, ergänzt visuelles Verständnis und erweitert die Unterstützung langer Kontexte auf 128k Tokens. Es hat 24 Milliarden Parameter und ist aus der separat benannten Veröffentlichung Small 3.1 Base auf Anweisungen abgestimmt. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter eine Erklärung, Code oder einen strukturierten Datensatz.
Zentrale Fähigkeiten
Bildverständnis erlaubt dem Modell, sichtbares Material zusammen mit der Nutzerfrage zu analysieren. Ein Dokumentbild kann das zu prüfende Feld oder die Aussage liefern, ein Schaubild den zu erklärenden Zusammenhang und ein Diagramm die Daten hinter einem Vergleich. Halten Sie Beschriftungen, Einheiten und relevante umgebende Inhalte lesbar, damit sich die Frage auf tatsächlich im Bild vorhandene Belege bezieht.
Der Hersteller nennt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Russisch, Englisch, Französisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Nepali, Polnisch, Portugiesisch, Rumänisch, Serbisch, Spanisch, Schwedisch, Türkisch, Ukrainisch, Vietnamesisch, Arabisch, Bengali, Chinesisch und Farsi. Definieren Sie für eine mehrsprachige Antwort Zielsprache, Leserschaft und Terminologie. Namen, zitierte Bezeichnungen, Variablenkennungen und Einheiten können unverändert bleiben, während die umgebende Prosa angepasst wird.
Die Modellkarte beschreibt auch Gesprächs- und Denkfähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und Systemprompt-Befolgung. Der Tokenizer heisst Tekken und hat ein als 131k bezeichnetes Vokabular. Dies sind Funktionen der benannten auf Anweisungen abgestimmten Veröffentlichung; ihre Base-Ausgabe erfüllt eine andere Rolle, und spätere Veröffentlichungen Small 3.2 und Small 4 haben eigene Änderungen und Modi.
Vorbereitung für Dokumente, Programmierung und Mathematik
Benennen Sie für eine Aufgabe mit langen Dokumenten die Dokumente und stellen Sie eine definierte Frage. Ein Vergleich kann eine Anforderungsmatrix mit Aussage, Quellabschnitt und etwaigen Widersprüchen zwischen Dokumenten verlangen. Eine Zusammenfassung kann ausschliesslich das für eine benannte Änderung relevante Material anfordern. Der lange Kontext hält diese Quellen zusammen, während die abschliessende Antwort knapp bleiben kann.
Stellen Sie für eine Codeerklärung die Funktion und die Eingabe bereit, deren Verhalten nachverfolgt werden soll. Fügen Sie relevante Hilfsfunktionen oder Deklarationen hinzu und fragen Sie, wie sich der Zustand vor der Wertrückgabe verändert. Geben Sie für einen Änderungsvorschlag die Anforderung, die zu bewahrende öffentliche Schnittstelle und die erwartete Ausgabe an. Fordern Sie den überarbeiteten Code getrennt von Erklärung und Beispielen an.
Definieren Sie für eine mathematische Aufgabe Symbole und Annahmen zum Definitionsbereich, bevor Sie eine Herleitung verlangen. Geben Sie an, ob das Endergebnis exakt, gerundet oder ein Beweis einer Behauptung sein soll. Steht die Bedingung in einem Bild, halten Sie Formel und zugehörige Beschriftungen klar und bitten Sie das Modell, diese Notation in der Antwort zu bewahren. Diese Vorbereitungen machen den dokumentierten Schwerpunkt auf Programmierung und mathematischem Schlussfolgern zu einem prüfbaren Artefakt.
Anweisungsformat und empfohlene Nutzung
Der Hersteller veröffentlicht eine V7-Tekken-Gesprächsvorlage, die System-, Nutzer- und Assistentenrollen unterscheidet, und empfiehlt die passende Tokenizer-Implementierung als verbindliche Referenz. Eine Systemanweisung sollte Rolle und Antwortregeln des Assistenten definieren, während die Nutzernachricht die tatsächliche Aufgabe und das Quellmaterial enthält. Korrekte Gesprächsformatierung unterscheidet sich von rollenähnlichen Bezeichnungen innerhalb eines zitierten Dokuments.
Die Modellkarte empfiehlt eine relativ niedrige Temperatur, etwa 0.15, und einen auf den Anwendungsfall abgestimmten Systemprompt. Definieren Sie Ausgabefelder oder Abschnitte und die Bedingungen, die eine Überarbeitung überstehen müssen. Fordern Sie für wiederholte Extraktionen JSON mit vorgegebenen Namen und Typen sowie einer Darstellung für in der Quelle fehlende Werte an. Ein erklärender Absatz kann separat zurückgegeben werden, wenn eine Person die Interpretation prüfen muss.
Ablauf für Funktionsaufrufe
Das Modell kann aus den von der Anwendung beschriebenen Werkzeugen eine Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Funktion aus, liefert das Ergebnis zusammen mit dem zugehörigen Werkzeugaufruf zurück, und das Modell verwendet dieses Ergebnis in einer nachfolgenden Antwort. Das Herstellerbeispiel zeigt diesen Gesprächszyklus mit früherer Werkzeugnutzung und einer neuen Nutzerfrage. Eine vorgeschlagene Abfrage ist daher von den tatsächlich zurückgegebenen Daten zu unterscheiden.
Ein praktischer Assistent könnte zuerst eine Frage aus einem Dokument extrahieren und dann eine bereitgestellte Referenzfunktion nutzen, um eine fehlende Bedingung zu erhalten. Beschreiben Sie die Funktion klar, fügen Sie ihre Pflichtargumente hinzu und halten Sie das Ergebnis mit dem auslösenden Vorgang verbunden. JSON ordnet ein Textergebnis; ein Funktionsaufruf fordert einen verbundenen Vorgang an, statt stillschweigend Code auszuführen oder eine Datenbank zu lesen.
Inhaltliche Grenzen
Die dokumentierte visuelle Fähigkeit liest Bilder; sie erzeugt sie nicht. Die Assistentenhinweise der veröffentlichten Modellkarte grenzen dieses Modell auch von Audio- und Videotranskription ab, sodass relevante Inhalte einer gesprochenen oder videobasierten Frage durch einen geeigneten separaten Vorbereitungsschritt bereitgestellt werden müssen. Webzugriff und externe Handlungen stammen ebenso von verbundenen Werkzeugen und nicht allein vom Text- und Bildmodell.
Der Kontext von 128k betrifft die Aufgabeneingabe und das erzeugte Gespräch, während das Generierungsbeispiel mit 512 Tokens in der Modellkarte lediglich eine Beispieleinstellung ist. Die gelesenen Quellen nennen keine separate feste Antwortlängenkapazität. Bewahren Sie die genaue Ausgabe Instruct 2503, ihr Gesprächsformat und das gewünschte Erklärungs-, Datensatz- oder Codeartefakt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00111 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00111 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-3.1-24b-instruct',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-3.1-24b-instruct',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-3.1-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 ergänzt die Small-3-Linie um Bildverständnis und einen Herstellerkontext von 128k. Es verbindet mehrsprachigen Text, Programmierung und mathematisches Schlussfolgern mit Systemanweisungen, JSON und nativen Funktionsaufrufen in einer eigenen auf Anweisungen abgestimmten Veröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.1 24B Instruct 2503 baut auf Small 3 2501 auf, ergänzt visuelles Verständnis und erweitert die Unterstützung langer Kontexte auf 128k Tokens. Es hat 24 Milliarden Parameter und ist aus der separat benannten Veröffentlichung Small 3.1 Base auf Anweisungen abgestimmt. Das Modell nimmt Text und Bilder entgegen und erzeugt Text, darunter eine Erklärung, Code oder einen strukturierten Datensatz.
Zentrale Fähigkeiten
Bildverständnis erlaubt dem Modell, sichtbares Material zusammen mit der Nutzerfrage zu analysieren. Ein Dokumentbild kann das zu prüfende Feld oder die Aussage liefern, ein Schaubild den zu erklärenden Zusammenhang und ein Diagramm die Daten hinter einem Vergleich. Halten Sie Beschriftungen, Einheiten und relevante umgebende Inhalte lesbar, damit sich die Frage auf tatsächlich im Bild vorhandene Belege bezieht.
Der Hersteller nennt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Russisch, Englisch, Französisch, Deutsch, Griechisch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Nepali, Polnisch, Portugiesisch, Rumänisch, Serbisch, Spanisch, Schwedisch, Türkisch, Ukrainisch, Vietnamesisch, Arabisch, Bengali, Chinesisch und Farsi. Definieren Sie für eine mehrsprachige Antwort Zielsprache, Leserschaft und Terminologie. Namen, zitierte Bezeichnungen, Variablenkennungen und Einheiten können unverändert bleiben, während die umgebende Prosa angepasst wird.
Die Modellkarte beschreibt auch Gesprächs- und Denkfähigkeiten, native Funktionsaufrufe, JSON-Ausgaben und Systemprompt-Befolgung. Der Tokenizer heisst Tekken und hat ein als 131k bezeichnetes Vokabular. Dies sind Funktionen der benannten auf Anweisungen abgestimmten Veröffentlichung; ihre Base-Ausgabe erfüllt eine andere Rolle, und spätere Veröffentlichungen Small 3.2 und Small 4 haben eigene Änderungen und Modi.
Vorbereitung für Dokumente, Programmierung und Mathematik
Benennen Sie für eine Aufgabe mit langen Dokumenten die Dokumente und stellen Sie eine definierte Frage. Ein Vergleich kann eine Anforderungsmatrix mit Aussage, Quellabschnitt und etwaigen Widersprüchen zwischen Dokumenten verlangen. Eine Zusammenfassung kann ausschliesslich das für eine benannte Änderung relevante Material anfordern. Der lange Kontext hält diese Quellen zusammen, während die abschliessende Antwort knapp bleiben kann.
Stellen Sie für eine Codeerklärung die Funktion und die Eingabe bereit, deren Verhalten nachverfolgt werden soll. Fügen Sie relevante Hilfsfunktionen oder Deklarationen hinzu und fragen Sie, wie sich der Zustand vor der Wertrückgabe verändert. Geben Sie für einen Änderungsvorschlag die Anforderung, die zu bewahrende öffentliche Schnittstelle und die erwartete Ausgabe an. Fordern Sie den überarbeiteten Code getrennt von Erklärung und Beispielen an.
Definieren Sie für eine mathematische Aufgabe Symbole und Annahmen zum Definitionsbereich, bevor Sie eine Herleitung verlangen. Geben Sie an, ob das Endergebnis exakt, gerundet oder ein Beweis einer Behauptung sein soll. Steht die Bedingung in einem Bild, halten Sie Formel und zugehörige Beschriftungen klar und bitten Sie das Modell, diese Notation in der Antwort zu bewahren. Diese Vorbereitungen machen den dokumentierten Schwerpunkt auf Programmierung und mathematischem Schlussfolgern zu einem prüfbaren Artefakt.
Anweisungsformat und empfohlene Nutzung
Der Hersteller veröffentlicht eine V7-Tekken-Gesprächsvorlage, die System-, Nutzer- und Assistentenrollen unterscheidet, und empfiehlt die passende Tokenizer-Implementierung als verbindliche Referenz. Eine Systemanweisung sollte Rolle und Antwortregeln des Assistenten definieren, während die Nutzernachricht die tatsächliche Aufgabe und das Quellmaterial enthält. Korrekte Gesprächsformatierung unterscheidet sich von rollenähnlichen Bezeichnungen innerhalb eines zitierten Dokuments.
Die Modellkarte empfiehlt eine relativ niedrige Temperatur, etwa 0.15, und einen auf den Anwendungsfall abgestimmten Systemprompt. Definieren Sie Ausgabefelder oder Abschnitte und die Bedingungen, die eine Überarbeitung überstehen müssen. Fordern Sie für wiederholte Extraktionen JSON mit vorgegebenen Namen und Typen sowie einer Darstellung für in der Quelle fehlende Werte an. Ein erklärender Absatz kann separat zurückgegeben werden, wenn eine Person die Interpretation prüfen muss.
Ablauf für Funktionsaufrufe
Das Modell kann aus den von der Anwendung beschriebenen Werkzeugen eine Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Funktion aus, liefert das Ergebnis zusammen mit dem zugehörigen Werkzeugaufruf zurück, und das Modell verwendet dieses Ergebnis in einer nachfolgenden Antwort. Das Herstellerbeispiel zeigt diesen Gesprächszyklus mit früherer Werkzeugnutzung und einer neuen Nutzerfrage. Eine vorgeschlagene Abfrage ist daher von den tatsächlich zurückgegebenen Daten zu unterscheiden.
Ein praktischer Assistent könnte zuerst eine Frage aus einem Dokument extrahieren und dann eine bereitgestellte Referenzfunktion nutzen, um eine fehlende Bedingung zu erhalten. Beschreiben Sie die Funktion klar, fügen Sie ihre Pflichtargumente hinzu und halten Sie das Ergebnis mit dem auslösenden Vorgang verbunden. JSON ordnet ein Textergebnis; ein Funktionsaufruf fordert einen verbundenen Vorgang an, statt stillschweigend Code auszuführen oder eine Datenbank zu lesen.
Inhaltliche Grenzen
Die dokumentierte visuelle Fähigkeit liest Bilder; sie erzeugt sie nicht. Die Assistentenhinweise der veröffentlichten Modellkarte grenzen dieses Modell auch von Audio- und Videotranskription ab, sodass relevante Inhalte einer gesprochenen oder videobasierten Frage durch einen geeigneten separaten Vorbereitungsschritt bereitgestellt werden müssen. Webzugriff und externe Handlungen stammen ebenso von verbundenen Werkzeugen und nicht allein vom Text- und Bildmodell.
Der Kontext von 128k betrifft die Aufgabeneingabe und das erzeugte Gespräch, während das Generierungsbeispiel mit 512 Tokens in der Modellkarte lediglich eine Beispieleinstellung ist. Die gelesenen Quellen nennen keine separate feste Antwortlängenkapazität. Bewahren Sie die genaue Ausgabe Instruct 2503, ihr Gesprächsformat und das gewünschte Erklärungs-, Datensatz- oder Codeartefakt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00111 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0011 / 1K Tokens Ausgabe · Ausgabetoken $0.00111 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-instruct', '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-3.1-24b-instruct', '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-3.1-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.