Devstral Small 2505 ist die erste Veröffentlichung von Devstral Small, die Mistral AI gemeinsam mit All Hands AI für Softwareentwicklungsagenten entwickelt hat. Das Modell hat 24 Milliarden Parameter und ist für die Erkundung von Codebasen, den Einsatz von Werkzeugen und Änderungen über mehrere Dateien hinweg ausgelegt. Die Modellkarte des Herstellers beschreibt es als reines Textmodell mit einem Kontextfenster von 128K; der Bildencoder wurde aus dem für die Feinabstimmung verwendeten Modell Mistral Small 3.1 entfernt.
Beschreiben Sie das gewünschte Verhalten und das Repository oder den relevanten Code, mit dem er arbeiten soll. Eine hilfreiche Aufgabe benennt die Funktion, die betroffenen Dateien oder den Anwendungsbereich und die Bedingungen, an denen sich ihre Erledigung erkennen lässt. Nennen Sie bei einer Fehlerbehebung den beobachteten Fehler oder bei einer neuen Funktion die erwarteten Nutzeraktionen und das gewünschte Datenverhalten.
Das Herstellerbeispiel erstellt eine einseitige Aufgabenanwendung mit FastAPI, React und SQLite. Der Prompt nennt das Hinzufügen, Löschen und Abschließen von Aufgaben sowie die Anzeige der Aufgabenliste. Diese Anforderungen verbinden die erzeugte Oberfläche mit dem dafür erforderlichen Anwendungsverhalten und der Speicherung. Eine Folgeanweisung verlangt anschließend eine konkrete Verbesserung der fertigen Anwendung.
Der dokumentierte Ablauf nutzt ein Agentengerüst, das Repositorydateien untersuchen, Änderungen vornehmen und Entwicklungswerkzeuge ausführen kann. Devstral liefert Entscheidungen und Code; der umgebende Agent führt Werkzeugaktionen aus und gibt Beobachtungen zurück. Stellen Sie die Einrichtungsanweisungen des Projekts bereit und erklären Sie, welche Prüfungen zeigen sollen, dass die Änderung funktioniert.
Lassen Sie bei einer Änderung über mehrere Dateien hinweg zunächst die relevanten Abhängigkeiten ermitteln. Bewahren Sie die Werkzeugbeobachtungen zusammen mit dem entstandenen Patch auf, damit eine vorgeschlagene Korrektur mit dem tatsächlich ausgeführten Ablauf verglichen werden kann. Eine erzeugte Implementierung wird zu einem funktionierenden Artefakt, wenn die Anwendung sie in der vorgesehenen Umgebung speichert und ausführt.
In einem weiteren Herstellerbeispiel soll der Agent die Testabdeckung untersuchen und Diagramme erstellen. Der Ablauf erkundet zunächst das Repository und dessen Testkonfiguration, führt dann die Abdeckungsmessung aus und erstellt die Visualisierung. Eine vergleichbare Anfrage sollte das Repository, die zu untersuchende Messgröße und das Ausgabeergebnis benennen, etwa ein Diagramm und die darin zusammengefassten Dateien.
Die Unterscheidung zwischen Modellausgabe und Nachweisen aus der tatsächlichen Ausführung ist hier wichtig. Verlangen Sie die entstandenen Dateien und Beobachtungen der Entwicklungswerkzeuge zusammen mit den Erklärungen, die zu ihrer Einordnung nötig sind. Konzentrieren Sie eine spätere Überarbeitung auf das beobachtete Verhalten oder einen konkreten Teil des Artefakts.
Dieser Eintrag behält die in der Herstellerkarte beschriebene Veröffentlichung 2505 bei. Spätere Devstral-Small-Editionen haben eigene Identitäten. Verwenden Sie das Gesprächs- und Werkzeugformat des ausgewählten Modells, nehmen Sie relevante Quellen in den Arbeitskontext auf und lassen Sie Platz für das gewünschte Ergebnis. Die Modellkarte veröffentlicht Beispiele für lokale Inferenz und Agenten; deren beispielhafte Generierungsbudgets sind Aufgabeneinstellungen und keine universelle Ausgabeobergrenze.
", "aboutText": "Devstral Small 2505 ist die erste Veröffentlichung von Devstral Small, die Mistral AI gemeinsam mit All Hands AI für Softwareentwicklungsagenten entwickelt hat. Das Modell hat 24 Milliarden Parameter und ist für die Erkundung von Codebasen, den Einsatz von Werkzeugen und Änderungen über mehrere Dateien hinweg ausgelegt. Die Modellkarte des Herstellers beschreibt es als reines Textmodell mit einem Kontextfenster von 128K; der Bildencoder wurde aus dem für die Feinabstimmung verwendeten Modell Mistral Small 3.1 entfernt.\n\n### Geben Sie dem Agenten eine konkrete Entwicklungsaufgabe\n\nBeschreiben Sie das gewünschte Verhalten und das Repository oder den relevanten Code, mit dem er arbeiten soll. Eine hilfreiche Aufgabe benennt die Funktion, die betroffenen Dateien oder den Anwendungsbereich und die Bedingungen, an denen sich ihre Erledigung erkennen lässt. Nennen Sie bei einer Fehlerbehebung den beobachteten Fehler oder bei einer neuen Funktion die erwarteten Nutzeraktionen und das gewünschte Datenverhalten.\n\nDas Herstellerbeispiel erstellt eine einseitige Aufgabenanwendung mit FastAPI, React und SQLite. Der Prompt nennt das Hinzufügen, Löschen und Abschließen von Aufgaben sowie die Anzeige der Aufgabenliste. Diese Anforderungen verbinden die erzeugte Oberfläche mit dem dafür erforderlichen Anwendungsverhalten und der Speicherung. Eine Folgeanweisung verlangt anschließend eine konkrete Verbesserung der fertigen Anwendung.\n\n### Erkunden, bearbeiten und ausführen über eine Anwendung\n\nDer dokumentierte Ablauf nutzt ein Agentengerüst, das Repositorydateien untersuchen, Änderungen vornehmen und Entwicklungswerkzeuge ausführen kann. Devstral liefert Entscheidungen und Code; der umgebende Agent führt Werkzeugaktionen aus und gibt Beobachtungen zurück. Stellen Sie die Einrichtungsanweisungen des Projekts bereit und erklären Sie, welche Prüfungen zeigen sollen, dass die Änderung funktioniert.\n\nLassen Sie bei einer Änderung über mehrere Dateien hinweg zunächst die relevanten Abhängigkeiten ermitteln. Bewahren Sie die Werkzeugbeobachtungen zusammen mit dem entstandenen Patch auf, damit eine vorgeschlagene Korrektur mit dem tatsächlich ausgeführten Ablauf verglichen werden kann. Eine erzeugte Implementierung wird zu einem funktionierenden Artefakt, wenn die Anwendung sie in der vorgesehenen Umgebung speichert und ausführt.\n\n### Nutzen Sie eine Repositoryanalyse als gezielte Aufgabe\n\nIn einem weiteren Herstellerbeispiel soll der Agent die Testabdeckung untersuchen und Diagramme erstellen. Der Ablauf erkundet zunächst das Repository und dessen Testkonfiguration, führt dann die Abdeckungsmessung aus und erstellt die Visualisierung. Eine vergleichbare Anfrage sollte das Repository, die zu untersuchende Messgröße und das Ausgabeergebnis benennen, etwa ein Diagramm und die darin zusammengefassten Dateien.\n\nDie Unterscheidung zwischen Modellausgabe und Nachweisen aus der tatsächlichen Ausführung ist hier wichtig. Verlangen Sie die entstandenen Dateien und Beobachtungen der Entwicklungswerkzeuge zusammen mit den Erklärungen, die zu ihrer Einordnung nötig sind. Konzentrieren Sie eine spätere Überarbeitung auf das beobachtete Verhalten oder einen konkreten Teil des Artefakts.\n\n### Bewahren Sie Veröffentlichung und Arbeitskontext\n\nDieser Eintrag behält die in der Herstellerkarte beschriebene Veröffentlichung 2505 bei. Spätere Devstral-Small-Editionen haben eigene Identitäten. Verwenden Sie das Gesprächs- und Werkzeugformat des ausgewählten Modells, nehmen Sie relevante Quellen in den Arbeitskontext auf und lassen Sie Platz für das gewünschte Ergebnis. Die Modellkarte veröffentlicht Beispiele für lokale Inferenz und Agenten; deren beispielhafte Generierungsbudgets sind Aufgabeneinstellungen und keine universelle Ausgabeobergrenze.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.devstral-small-2505Devstral Small 2505 ist ein reines Textmodell für Programmierung von Mistral AI und All Hands AI. Es ist für Softwareagenten ausgelegt, die eine Codebasis erkunden, mehrere Dateien bearbeiten und Entwicklungswerkzeuge verwenden, und hat ein veröffentlichtes Kontextfenster von 128K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Devstral Small 2505 ist die erste Veröffentlichung von Devstral Small, die Mistral AI gemeinsam mit All Hands AI für Softwareentwicklungsagenten entwickelt hat. Das Modell hat 24 Milliarden Parameter und ist für die Erkundung von Codebasen, den Einsatz von Werkzeugen und Änderungen über mehrere Dateien hinweg ausgelegt. Die Modellkarte des Herstellers beschreibt es als reines Textmodell mit einem Kontextfenster von 128K; der Bildencoder wurde aus dem für die Feinabstimmung verwendeten Modell Mistral Small 3.1 entfernt.
Beschreiben Sie das gewünschte Verhalten und das Repository oder den relevanten Code, mit dem er arbeiten soll. Eine hilfreiche Aufgabe benennt die Funktion, die betroffenen Dateien oder den Anwendungsbereich und die Bedingungen, an denen sich ihre Erledigung erkennen lässt. Nennen Sie bei einer Fehlerbehebung den beobachteten Fehler oder bei einer neuen Funktion die erwarteten Nutzeraktionen und das gewünschte Datenverhalten.
Das Herstellerbeispiel erstellt eine einseitige Aufgabenanwendung mit FastAPI, React und SQLite. Der Prompt nennt das Hinzufügen, Löschen und Abschließen von Aufgaben sowie die Anzeige der Aufgabenliste. Diese Anforderungen verbinden die erzeugte Oberfläche mit dem dafür erforderlichen Anwendungsverhalten und der Speicherung. Eine Folgeanweisung verlangt anschließend eine konkrete Verbesserung der fertigen Anwendung.
Der dokumentierte Ablauf nutzt ein Agentengerüst, das Repositorydateien untersuchen, Änderungen vornehmen und Entwicklungswerkzeuge ausführen kann. Devstral liefert Entscheidungen und Code; der umgebende Agent führt Werkzeugaktionen aus und gibt Beobachtungen zurück. Stellen Sie die Einrichtungsanweisungen des Projekts bereit und erklären Sie, welche Prüfungen zeigen sollen, dass die Änderung funktioniert.
Lassen Sie bei einer Änderung über mehrere Dateien hinweg zunächst die relevanten Abhängigkeiten ermitteln. Bewahren Sie die Werkzeugbeobachtungen zusammen mit dem entstandenen Patch auf, damit eine vorgeschlagene Korrektur mit dem tatsächlich ausgeführten Ablauf verglichen werden kann. Eine erzeugte Implementierung wird zu einem funktionierenden Artefakt, wenn die Anwendung sie in der vorgesehenen Umgebung speichert und ausführt.
In einem weiteren Herstellerbeispiel soll der Agent die Testabdeckung untersuchen und Diagramme erstellen. Der Ablauf erkundet zunächst das Repository und dessen Testkonfiguration, führt dann die Abdeckungsmessung aus und erstellt die Visualisierung. Eine vergleichbare Anfrage sollte das Repository, die zu untersuchende Messgröße und das Ausgabeergebnis benennen, etwa ein Diagramm und die darin zusammengefassten Dateien.
Die Unterscheidung zwischen Modellausgabe und Nachweisen aus der tatsächlichen Ausführung ist hier wichtig. Verlangen Sie die entstandenen Dateien und Beobachtungen der Entwicklungswerkzeuge zusammen mit den Erklärungen, die zu ihrer Einordnung nötig sind. Konzentrieren Sie eine spätere Überarbeitung auf das beobachtete Verhalten oder einen konkreten Teil des Artefakts.
Dieser Eintrag behält die in der Herstellerkarte beschriebene Veröffentlichung 2505 bei. Spätere Devstral-Small-Editionen haben eigene Identitäten. Verwenden Sie das Gesprächs- und Werkzeugformat des ausgewählten Modells, nehmen Sie relevante Quellen in den Arbeitskontext auf und lassen Sie Platz für das gewünschte Ergebnis. Die Modellkarte veröffentlicht Beispiele für lokale Inferenz und Agenten; deren beispielhafte Generierungsbudgets sind Aufgabeneinstellungen und keine universelle Ausgabeobergrenze.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits devstral-small-2505 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00022 / 1K Token Ausgabe · Ausgabetoken $0.00066 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2505", "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='devstral-small-2505',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='devstral-small-2505',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 devstral-small-2505
Verwenden Sie die oben angezeigten Methodenpfade.
devstral-small-2505Devstral Small 2505 ist ein reines Textmodell für Programmierung von Mistral AI und All Hands AI. Es ist für Softwareagenten ausgelegt, die eine Codebasis erkunden, mehrere Dateien bearbeiten und Entwicklungswerkzeuge verwenden, und hat ein veröffentlichtes Kontextfenster von 128K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Devstral Small 2505 ist die erste Veröffentlichung von Devstral Small, die Mistral AI gemeinsam mit All Hands AI für Softwareentwicklungsagenten entwickelt hat. Das Modell hat 24 Milliarden Parameter und ist für die Erkundung von Codebasen, den Einsatz von Werkzeugen und Änderungen über mehrere Dateien hinweg ausgelegt. Die Modellkarte des Herstellers beschreibt es als reines Textmodell mit einem Kontextfenster von 128K; der Bildencoder wurde aus dem für die Feinabstimmung verwendeten Modell Mistral Small 3.1 entfernt.
Beschreiben Sie das gewünschte Verhalten und das Repository oder den relevanten Code, mit dem er arbeiten soll. Eine hilfreiche Aufgabe benennt die Funktion, die betroffenen Dateien oder den Anwendungsbereich und die Bedingungen, an denen sich ihre Erledigung erkennen lässt. Nennen Sie bei einer Fehlerbehebung den beobachteten Fehler oder bei einer neuen Funktion die erwarteten Nutzeraktionen und das gewünschte Datenverhalten.
Das Herstellerbeispiel erstellt eine einseitige Aufgabenanwendung mit FastAPI, React und SQLite. Der Prompt nennt das Hinzufügen, Löschen und Abschließen von Aufgaben sowie die Anzeige der Aufgabenliste. Diese Anforderungen verbinden die erzeugte Oberfläche mit dem dafür erforderlichen Anwendungsverhalten und der Speicherung. Eine Folgeanweisung verlangt anschließend eine konkrete Verbesserung der fertigen Anwendung.
Der dokumentierte Ablauf nutzt ein Agentengerüst, das Repositorydateien untersuchen, Änderungen vornehmen und Entwicklungswerkzeuge ausführen kann. Devstral liefert Entscheidungen und Code; der umgebende Agent führt Werkzeugaktionen aus und gibt Beobachtungen zurück. Stellen Sie die Einrichtungsanweisungen des Projekts bereit und erklären Sie, welche Prüfungen zeigen sollen, dass die Änderung funktioniert.
Lassen Sie bei einer Änderung über mehrere Dateien hinweg zunächst die relevanten Abhängigkeiten ermitteln. Bewahren Sie die Werkzeugbeobachtungen zusammen mit dem entstandenen Patch auf, damit eine vorgeschlagene Korrektur mit dem tatsächlich ausgeführten Ablauf verglichen werden kann. Eine erzeugte Implementierung wird zu einem funktionierenden Artefakt, wenn die Anwendung sie in der vorgesehenen Umgebung speichert und ausführt.
In einem weiteren Herstellerbeispiel soll der Agent die Testabdeckung untersuchen und Diagramme erstellen. Der Ablauf erkundet zunächst das Repository und dessen Testkonfiguration, führt dann die Abdeckungsmessung aus und erstellt die Visualisierung. Eine vergleichbare Anfrage sollte das Repository, die zu untersuchende Messgröße und das Ausgabeergebnis benennen, etwa ein Diagramm und die darin zusammengefassten Dateien.
Die Unterscheidung zwischen Modellausgabe und Nachweisen aus der tatsächlichen Ausführung ist hier wichtig. Verlangen Sie die entstandenen Dateien und Beobachtungen der Entwicklungswerkzeuge zusammen mit den Erklärungen, die zu ihrer Einordnung nötig sind. Konzentrieren Sie eine spätere Überarbeitung auf das beobachtete Verhalten oder einen konkreten Teil des Artefakts.
Dieser Eintrag behält die in der Herstellerkarte beschriebene Veröffentlichung 2505 bei. Spätere Devstral-Small-Editionen haben eigene Identitäten. Verwenden Sie das Gesprächs- und Werkzeugformat des ausgewählten Modells, nehmen Sie relevante Quellen in den Arbeitskontext auf und lassen Sie Platz für das gewünschte Ergebnis. Die Modellkarte veröffentlicht Beispiele für lokale Inferenz und Agenten; deren beispielhafte Generierungsbudgets sind Aufgabeneinstellungen und keine universelle Ausgabeobergrenze.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits devstral-small-2505 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00022 / 1K Token Ausgabe · Ausgabetoken $0.00066 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "devstral-small-2505",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2505', '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': 'devstral-small-2505', '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 devstral-small-2505
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.