Mistral Small 3.2 24B Instruct 2506 ist eine gezielte Aktualisierung von Mistral Small 3.1 24B Instruct 2503. Der Hersteller benennt drei konkrete Änderungen: genauere Befolgung präziser Anweisungen, weniger repetitive oder unkontrolliert weiterlaufende Antworten und eine robustere Funktionsaufrufvorlage. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell mit Textausgabe und ist keine neue Ausgabe für Audio- oder Bilderzeugung.
Was sich ändert und was erhalten bleibt
Die Modellkarte zu 3.2 hält ausdrücklich fest, dass die Hauptfunktionen mit der benannten Veröffentlichung Small 3.1 übereinstimmen. Dazu gehören Bildverständnis, mehrsprachige Arbeit, Systemprompt-Unterstützung, native Funktionsaufrufe, JSON-Ausgaben und ein Kontextfenster von 128k. Die referenzierte 3.1-Modellkarte beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verbindung stützt die Übernahme dieser Funktionen in 3.2, wobei die Aktualisierung 2506 eine eigene Ausgabe bleibt.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen hat. Geben Sie das Quellmaterial an, listen Sie die zu erfüllenden Ausgaberegeln auf und benennen Sie das zurückzugebende Artefakt. Eine Dokumentextraktion könnte bestimmte Felder, originale Kennungen, eine definierte Darstellung fehlender Werte und keinerlei Prosa ausserhalb des Datensatzes verlangen. Eine Schreibaufgabe könnte eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen, während vorgegebene Bedingungen unverändert bleiben.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und fügt keinen neuen Denkmodus hinzu. Definieren Sie für eine lange Antwort die erforderlichen Abschnitte und ihren jeweiligen Zweck, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeugfähiger Gespräche; verwenden Sie die Gesprächs- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Das übernommene Bildverständnis erlaubt die Verbindung einer Textfrage mit einem Bild. Stellen Sie eine lesbare Seite, ein Diagramm oder Schaubild bereit und benennen Sie das benötigte Detail. Bewahren Sie bei einem Diagrammvergleich Achsen, Einheiten und Legende und fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt. Halten Sie bei einem Dokumentfeld Bezeichnung und umgebenden Kontext fest, damit der zurückgegebene Wert richtig interpretiert werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengali und weitere vom Hersteller aufgeführte Sprachen. Geben Sie Zielsprache und unverändert zu bewahrende Terminologie an. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten erhalten und zugleich die umgebende Erklärung an die Lesenden anpassen.
Fordern Sie für eine praktische visuelle Extraktion Dokumentkennung, Feldbezeichnung, extrahierten Text und den stützenden Bildbereich an. Eine Erklärung kann separat folgen, wenn die Lesenden Interpretation benötigen. So verschmelzen Transkription, strukturierte Felder und Modellschlussfolgerung nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte zu 3.2 empfiehlt einen auf den Anwendungsfall abgestimmten Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Legen Sie Assistentenrolle, Antwortregeln und den Umgang mit Quellmaterial ausdrücklich fest. Stellen Sie das eigentliche Dokument oder den Code zur Nutzeraufgabe und bewahren Sie die Grenze zwischen Anweisungen zur Antwort und innerhalb der Quelle zitierten Anweisungen.
Für Funktionsaufrufe muss die Anwendung Werkzeugbeschreibungen und erforderliche Argumente bereitstellen. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und gibt ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele enthalten visuelles Schlussfolgern, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann das Modell daher bitten, einen beschriebenen Vorgang auszuwählen, und die tatsächliche Abfrage samt Ergebnis der umgebenden Anwendung überlassen.
Stellen Sie für eine Programmieranfrage die relevante Funktion, die das Problem aufdeckende Eingabe und das gewünschte Verhalten bereit. Fordern Sie eine vorgeschlagene Korrektur mit erhaltener ursprünglicher Schnittstelle an, anschliessend Beispiele, die das gewünschte Verhalten unterscheiden. Definieren Sie für eine mathematische Anfrage Variablen und Annahmen und verlangen Sie die wichtigen begründeten Schritte sowie einen separaten abschliessenden Ausdruck. Dies sind Anwendungen der übernommenen Programmier- und Denkfähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein separater Schritt.
Kontext- und Ausgabegrenzen
Nutzen Sie das Fenster von 128k gemeinsam für Quellpassagen, Bilder, Gespräch und erwartete Antwort. Ein Vergleich umfangreicher Dokumente kann zusammengehörige Abschnitte bewahren und zugleich eine kurze Erkenntnismatrix liefern. Ein grosses konfiguriertes Bildkontingent oder ein Generierungswert in einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist eine Anweisungsaktualisierung mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Denkveröffentlichung Small 4. Die Modellkarte des Herstellers nennt für diesen Eintrag keine separate feste Obergrenze für Ausgabetokens. Bewahren Sie die genaue 2506-Identität und Formatierung und definieren Sie den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
", "aboutText": "Mistral Small 3.2 24B Instruct 2506 ist eine gezielte Aktualisierung von Mistral Small 3.1 24B Instruct 2503. Der Hersteller benennt drei konkrete Änderungen: genauere Befolgung präziser Anweisungen, weniger repetitive oder unkontrolliert weiterlaufende Antworten und eine robustere Funktionsaufrufvorlage. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell mit Textausgabe und ist keine neue Ausgabe für Audio- oder Bilderzeugung.\n\nWas sich ändert und was erhalten bleibt\n\nDie Modellkarte zu 3.2 hält ausdrücklich fest, dass die Hauptfunktionen mit der benannten Veröffentlichung Small 3.1 übereinstimmen. Dazu gehören Bildverständnis, mehrsprachige Arbeit, Systemprompt-Unterstützung, native Funktionsaufrufe, JSON-Ausgaben und ein Kontextfenster von 128k. Die referenzierte 3.1-Modellkarte beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verbindung stützt die Übernahme dieser Funktionen in 3.2, wobei die Aktualisierung 2506 eine eigene Ausgabe bleibt.\n\nDer Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen hat. Geben Sie das Quellmaterial an, listen Sie die zu erfüllenden Ausgaberegeln auf und benennen Sie das zurückzugebende Artefakt. Eine Dokumentextraktion könnte bestimmte Felder, originale Kennungen, eine definierte Darstellung fehlender Werte und keinerlei Prosa ausserhalb des Datensatzes verlangen. Eine Schreibaufgabe könnte eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen, während vorgegebene Bedingungen unverändert bleiben.\n\nDie Änderung bei Wiederholungen betrifft das Generierungsverhalten und fügt keinen neuen Denkmodus hinzu. Definieren Sie für eine lange Antwort die erforderlichen Abschnitte und ihren jeweiligen Zweck, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeugfähiger Gespräche; verwenden Sie die Gesprächs- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.\n\nVisuelle und mehrsprachige Aufgaben\n\nDas übernommene Bildverständnis erlaubt die Verbindung einer Textfrage mit einem Bild. Stellen Sie eine lesbare Seite, ein Diagramm oder Schaubild bereit und benennen Sie das benötigte Detail. Bewahren Sie bei einem Diagrammvergleich Achsen, Einheiten und Legende und fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt. Halten Sie bei einem Dokumentfeld Bezeichnung und umgebenden Kontext fest, damit der zurückgegebene Wert richtig interpretiert werden kann.\n\nDie dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengali und weitere vom Hersteller aufgeführte Sprachen. Geben Sie Zielsprache und unverändert zu bewahrende Terminologie an. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten erhalten und zugleich die umgebende Erklärung an die Lesenden anpassen.\n\nFordern Sie für eine praktische visuelle Extraktion Dokumentkennung, Feldbezeichnung, extrahierten Text und den stützenden Bildbereich an. Eine Erklärung kann separat folgen, wenn die Lesenden Interpretation benötigen. So verschmelzen Transkription, strukturierte Felder und Modellschlussfolgerung nicht zu einem ununterscheidbaren Ergebnis.\n\nSystemanweisungen und Werkzeuge\n\nDie Modellkarte zu 3.2 empfiehlt einen auf den Anwendungsfall abgestimmten Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Legen Sie Assistentenrolle, Antwortregeln und den Umgang mit Quellmaterial ausdrücklich fest. Stellen Sie das eigentliche Dokument oder den Code zur Nutzeraufgabe und bewahren Sie die Grenze zwischen Anweisungen zur Antwort und innerhalb der Quelle zitierten Anweisungen.\n\nFür Funktionsaufrufe muss die Anwendung Werkzeugbeschreibungen und erforderliche Argumente bereitstellen. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und gibt ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele enthalten visuelles Schlussfolgern, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann das Modell daher bitten, einen beschriebenen Vorgang auszuwählen, und die tatsächliche Abfrage samt Ergebnis der umgebenden Anwendung überlassen.\n\nStellen Sie für eine Programmieranfrage die relevante Funktion, die das Problem aufdeckende Eingabe und das gewünschte Verhalten bereit. Fordern Sie eine vorgeschlagene Korrektur mit erhaltener ursprünglicher Schnittstelle an, anschliessend Beispiele, die das gewünschte Verhalten unterscheiden. Definieren Sie für eine mathematische Anfrage Variablen und Annahmen und verlangen Sie die wichtigen begründeten Schritte sowie einen separaten abschliessenden Ausdruck. Dies sind Anwendungen der übernommenen Programmier- und Denkfähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein separater Schritt.\n\nKontext- und Ausgabegrenzen\n\nNutzen Sie das Fenster von 128k gemeinsam für Quellpassagen, Bilder, Gespräch und erwartete Antwort. Ein Vergleich umfangreicher Dokumente kann zusammengehörige Abschnitte bewahren und zugleich eine kurze Erkenntnismatrix liefern. Ein grosses konfiguriertes Bildkontingent oder ein Generierungswert in einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.\n\nSmall 3.2 ist eine Anweisungsaktualisierung mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Denkveröffentlichung Small 4. Die Modellkarte des Herstellers nennt für diesen Eintrag keine separate feste Obergrenze für Ausgabetokens. Bewahren Sie die genaue 2506-Identität und Formatierung und definieren Sie den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract exactly the requested fields\n\nRead this note: 'Service case C-52. Customer: Dana Lee. Device: Lamp Mini. Reported problem: switches off after ten minutes.' Return exactly four labelled lines, in this order: Case ID, Device, Problem, Purchase date. Use unknown for missing information. Omit the customer's name and all introductory or closing prose.Exactly four labelled lines containing source-derived values or unknown, in the requested order.Purchase date is unknown, Dana Lee is omitted, and there are no extra lines.mistralai/mistral-small-3.2-24b-instructMistral Small 3.2 24B Instruct ist ein Text- und Bild-Anweisungsmodell mit einem Herstellerkontext von 128k. Seine Aktualisierung 2506 verbessert gezielt die präzise Anweisungsbefolgung, verringert Wiederholungen und stärkt die Funktionsaufrufvorlage, während die Kernfunktionen von Small 3.1 erhalten bleiben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.2 24B Instruct 2506 ist eine gezielte Aktualisierung von Mistral Small 3.1 24B Instruct 2503. Der Hersteller benennt drei konkrete Änderungen: genauere Befolgung präziser Anweisungen, weniger repetitive oder unkontrolliert weiterlaufende Antworten und eine robustere Funktionsaufrufvorlage. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell mit Textausgabe und ist keine neue Ausgabe für Audio- oder Bilderzeugung.
Was sich ändert und was erhalten bleibt
Die Modellkarte zu 3.2 hält ausdrücklich fest, dass die Hauptfunktionen mit der benannten Veröffentlichung Small 3.1 übereinstimmen. Dazu gehören Bildverständnis, mehrsprachige Arbeit, Systemprompt-Unterstützung, native Funktionsaufrufe, JSON-Ausgaben und ein Kontextfenster von 128k. Die referenzierte 3.1-Modellkarte beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verbindung stützt die Übernahme dieser Funktionen in 3.2, wobei die Aktualisierung 2506 eine eigene Ausgabe bleibt.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen hat. Geben Sie das Quellmaterial an, listen Sie die zu erfüllenden Ausgaberegeln auf und benennen Sie das zurückzugebende Artefakt. Eine Dokumentextraktion könnte bestimmte Felder, originale Kennungen, eine definierte Darstellung fehlender Werte und keinerlei Prosa ausserhalb des Datensatzes verlangen. Eine Schreibaufgabe könnte eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen, während vorgegebene Bedingungen unverändert bleiben.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und fügt keinen neuen Denkmodus hinzu. Definieren Sie für eine lange Antwort die erforderlichen Abschnitte und ihren jeweiligen Zweck, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeugfähiger Gespräche; verwenden Sie die Gesprächs- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Das übernommene Bildverständnis erlaubt die Verbindung einer Textfrage mit einem Bild. Stellen Sie eine lesbare Seite, ein Diagramm oder Schaubild bereit und benennen Sie das benötigte Detail. Bewahren Sie bei einem Diagrammvergleich Achsen, Einheiten und Legende und fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt. Halten Sie bei einem Dokumentfeld Bezeichnung und umgebenden Kontext fest, damit der zurückgegebene Wert richtig interpretiert werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengali und weitere vom Hersteller aufgeführte Sprachen. Geben Sie Zielsprache und unverändert zu bewahrende Terminologie an. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten erhalten und zugleich die umgebende Erklärung an die Lesenden anpassen.
Fordern Sie für eine praktische visuelle Extraktion Dokumentkennung, Feldbezeichnung, extrahierten Text und den stützenden Bildbereich an. Eine Erklärung kann separat folgen, wenn die Lesenden Interpretation benötigen. So verschmelzen Transkription, strukturierte Felder und Modellschlussfolgerung nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte zu 3.2 empfiehlt einen auf den Anwendungsfall abgestimmten Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Legen Sie Assistentenrolle, Antwortregeln und den Umgang mit Quellmaterial ausdrücklich fest. Stellen Sie das eigentliche Dokument oder den Code zur Nutzeraufgabe und bewahren Sie die Grenze zwischen Anweisungen zur Antwort und innerhalb der Quelle zitierten Anweisungen.
Für Funktionsaufrufe muss die Anwendung Werkzeugbeschreibungen und erforderliche Argumente bereitstellen. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und gibt ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele enthalten visuelles Schlussfolgern, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann das Modell daher bitten, einen beschriebenen Vorgang auszuwählen, und die tatsächliche Abfrage samt Ergebnis der umgebenden Anwendung überlassen.
Stellen Sie für eine Programmieranfrage die relevante Funktion, die das Problem aufdeckende Eingabe und das gewünschte Verhalten bereit. Fordern Sie eine vorgeschlagene Korrektur mit erhaltener ursprünglicher Schnittstelle an, anschliessend Beispiele, die das gewünschte Verhalten unterscheiden. Definieren Sie für eine mathematische Anfrage Variablen und Annahmen und verlangen Sie die wichtigen begründeten Schritte sowie einen separaten abschliessenden Ausdruck. Dies sind Anwendungen der übernommenen Programmier- und Denkfähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein separater Schritt.
Kontext- und Ausgabegrenzen
Nutzen Sie das Fenster von 128k gemeinsam für Quellpassagen, Bilder, Gespräch und erwartete Antwort. Ein Vergleich umfangreicher Dokumente kann zusammengehörige Abschnitte bewahren und zugleich eine kurze Erkenntnismatrix liefern. Ein grosses konfiguriertes Bildkontingent oder ein Generierungswert in einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist eine Anweisungsaktualisierung mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Denkveröffentlichung Small 4. Die Modellkarte des Herstellers nennt für diesen Eintrag keine separate feste Obergrenze für Ausgabetokens. Bewahren Sie die genaue 2506-Identität und Formatierung und definieren Sie den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.2-24b-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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.00002 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-3.2-24b-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-3.2-24b-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-3.2-24b-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-3.2-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-3.2-24b-instructMistral Small 3.2 24B Instruct ist ein Text- und Bild-Anweisungsmodell mit einem Herstellerkontext von 128k. Seine Aktualisierung 2506 verbessert gezielt die präzise Anweisungsbefolgung, verringert Wiederholungen und stärkt die Funktionsaufrufvorlage, während die Kernfunktionen von Small 3.1 erhalten bleiben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.2 24B Instruct 2506 ist eine gezielte Aktualisierung von Mistral Small 3.1 24B Instruct 2503. Der Hersteller benennt drei konkrete Änderungen: genauere Befolgung präziser Anweisungen, weniger repetitive oder unkontrolliert weiterlaufende Antworten und eine robustere Funktionsaufrufvorlage. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell mit Textausgabe und ist keine neue Ausgabe für Audio- oder Bilderzeugung.
Was sich ändert und was erhalten bleibt
Die Modellkarte zu 3.2 hält ausdrücklich fest, dass die Hauptfunktionen mit der benannten Veröffentlichung Small 3.1 übereinstimmen. Dazu gehören Bildverständnis, mehrsprachige Arbeit, Systemprompt-Unterstützung, native Funktionsaufrufe, JSON-Ausgaben und ein Kontextfenster von 128k. Die referenzierte 3.1-Modellkarte beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verbindung stützt die Übernahme dieser Funktionen in 3.2, wobei die Aktualisierung 2506 eine eigene Ausgabe bleibt.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen hat. Geben Sie das Quellmaterial an, listen Sie die zu erfüllenden Ausgaberegeln auf und benennen Sie das zurückzugebende Artefakt. Eine Dokumentextraktion könnte bestimmte Felder, originale Kennungen, eine definierte Darstellung fehlender Werte und keinerlei Prosa ausserhalb des Datensatzes verlangen. Eine Schreibaufgabe könnte eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen, während vorgegebene Bedingungen unverändert bleiben.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und fügt keinen neuen Denkmodus hinzu. Definieren Sie für eine lange Antwort die erforderlichen Abschnitte und ihren jeweiligen Zweck, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeugfähiger Gespräche; verwenden Sie die Gesprächs- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Das übernommene Bildverständnis erlaubt die Verbindung einer Textfrage mit einem Bild. Stellen Sie eine lesbare Seite, ein Diagramm oder Schaubild bereit und benennen Sie das benötigte Detail. Bewahren Sie bei einem Diagrammvergleich Achsen, Einheiten und Legende und fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt. Halten Sie bei einem Dokumentfeld Bezeichnung und umgebenden Kontext fest, damit der zurückgegebene Wert richtig interpretiert werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengali und weitere vom Hersteller aufgeführte Sprachen. Geben Sie Zielsprache und unverändert zu bewahrende Terminologie an. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten erhalten und zugleich die umgebende Erklärung an die Lesenden anpassen.
Fordern Sie für eine praktische visuelle Extraktion Dokumentkennung, Feldbezeichnung, extrahierten Text und den stützenden Bildbereich an. Eine Erklärung kann separat folgen, wenn die Lesenden Interpretation benötigen. So verschmelzen Transkription, strukturierte Felder und Modellschlussfolgerung nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte zu 3.2 empfiehlt einen auf den Anwendungsfall abgestimmten Systemprompt und eine relativ niedrige Temperatur, etwa 0.15. Legen Sie Assistentenrolle, Antwortregeln und den Umgang mit Quellmaterial ausdrücklich fest. Stellen Sie das eigentliche Dokument oder den Code zur Nutzeraufgabe und bewahren Sie die Grenze zwischen Anweisungen zur Antwort und innerhalb der Quelle zitierten Anweisungen.
Für Funktionsaufrufe muss die Anwendung Werkzeugbeschreibungen und erforderliche Argumente bereitstellen. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und gibt ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele enthalten visuelles Schlussfolgern, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann das Modell daher bitten, einen beschriebenen Vorgang auszuwählen, und die tatsächliche Abfrage samt Ergebnis der umgebenden Anwendung überlassen.
Stellen Sie für eine Programmieranfrage die relevante Funktion, die das Problem aufdeckende Eingabe und das gewünschte Verhalten bereit. Fordern Sie eine vorgeschlagene Korrektur mit erhaltener ursprünglicher Schnittstelle an, anschliessend Beispiele, die das gewünschte Verhalten unterscheiden. Definieren Sie für eine mathematische Anfrage Variablen und Annahmen und verlangen Sie die wichtigen begründeten Schritte sowie einen separaten abschliessenden Ausdruck. Dies sind Anwendungen der übernommenen Programmier- und Denkfähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein separater Schritt.
Kontext- und Ausgabegrenzen
Nutzen Sie das Fenster von 128k gemeinsam für Quellpassagen, Bilder, Gespräch und erwartete Antwort. Ein Vergleich umfangreicher Dokumente kann zusammengehörige Abschnitte bewahren und zugleich eine kurze Erkenntnismatrix liefern. Ein grosses konfiguriertes Bildkontingent oder ein Generierungswert in einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist eine Anweisungsaktualisierung mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Denkveröffentlichung Small 4. Die Modellkarte des Herstellers nennt für diesen Eintrag keine separate feste Obergrenze für Ausgabetokens. Bewahren Sie die genaue 2506-Identität und Formatierung und definieren Sie den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.2-24b-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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.00002 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0.00002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-3.2-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.2-24b-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-3.2-24b-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-3.2-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract exactly the requested fields\n\nRead this note: 'Service case C-52. Customer: Dana Lee. Device: Lamp Mini. Reported problem: switches off after ten minutes.' Return exactly four labelled lines, in this order: Case ID, Device, Problem, Purchase date. Use unknown for missing information. Omit the customer's name and all introductory or closing prose.Exactly four labelled lines containing source-derived values or unknown, in the requested order.Purchase date is unknown, Dana Lee is omitted, and there are no extra lines.