Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Checkpoint verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; in den Nutzungshinweisen beträgt die standardmäßig konfigurierte Länge 262.144. Die Komponentenangaben gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell verarbeitet Text und Bilder und erzeugt Text, darunter Datensätze im JSON-Format oder vorgeschlagene Funktionsaufrufe.
Der Hersteller beschreibt die mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Außerdem hebt er die Befolgung von Systemprompts hervor. Gib die gewünschte Ausgabesprache sowie Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. Dadurch bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Gib für eine Klassifikationsaufgabe die zulässigen Kategorien, die Regel zu ihrer Unterscheidung und die einzuordnende Nachricht vor. Fordere eine ausgewählte Kategorie und eine kurze Erklärung an, die sich auf die bereitgestellte Nachricht stützt. Sind die Kategorien mehrdeutig, definiere, welche Informationen sie unterscheiden würden, statt dich allein auf ihre Namen zu verlassen. So entsteht ein kompaktes Ergebnis, das sich in einem größeren Ablauf konsistent verwenden lässt.
Liste für eine Extraktion die Felder und ihre Typen auf und lege fest, wie fehlende Informationen dargestellt werden sollen. Eine Anfrage kann eine Artikelkennung, den ausdrücklich beschriebenen Zustand und die vom Nutzer gewünschte Handlung verlangen. Fordere den Originalwortlaut an, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; der Feldentwurf bleibt Teil der Aufgabe und ist kein eingebautes universelles Schema.
Die Modellkarte nennt außerdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Lege für eine Bildbeschreibung fest, welcher Bildaspekt für welche Zielgruppe beschrieben werden soll. Gib für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge vor. Eine Antwort im Supportstil kann aus der ursprünglichen Frage und bereitgestellten Hinweisen einen knappen nächsten Schritt samt der Bedingung erzeugen, unter der er anwendbar ist.
Vorbereitung visueller und mehrsprachiger Aufgaben
Kombiniere ein Bild mit einer klaren Textfrage. Bewahre bei einem Dokumentfeld die Bezeichnung, den Wert und den für seine Interpretation nötigen umgebenden Kontext. Gib bei einer Objektbeschreibung an, welches sichtbare Merkmal wichtig ist. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab; schneide das Bild bei Bedarf zu, ohne die Belege zu entfernen, auf die sich die Frage stützt.
Stelle für eine Übersetzung den Originaltext, die Zielsprache und gegebenenfalls eine Terminologieliste bereit. Fordere die übersetzte Passage getrennt von einer optionalen Erklärung an. Eine mehrsprachige Klassifikationsaufgabe kann die Kategorien der Anwendung unverändert lassen und die ausgewählte Kategorie zugleich in der Sprache der Leser erklären. Dies sind definierte Ausgaben statt einer Aufforderung, eine Nachricht oder ein Bild nur lose zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen einer Anwendung, den Dialog mit einer beschriebenen Operation zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert liefern, oder ein Berechnungswerkzeug kann mit Werten arbeiten, die aus einem Bild erkannt wurden. Das Textmodell selbst führt die Funktion nicht dadurch aus, dass es ihren Namen und ihre Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall definiert und Hinweise zum Werkzeugeinsatz enthält. Halte Werkzeugbeschreibungen klar und beschränke die Auswahl auf die mindestens erforderlichen relevanten Operationen. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter zu interpretieren sein als ein Prompt mit vielen unzusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte gibt Empfehlungen für niedrige Temperaturen: unter 0,1 für alltägliche und produktionsnahe Anwendungen sowie eine Anfangstemperatur von 0,1 für die meisten Anwendungsfälle in einem separaten Sampling-Hinweis. Höhere Werte können für kreative Inhalte erprobt werden. Diese Empfehlungen gelten für unterschiedliche ausdrücklich genannte Bereiche; sie garantieren nicht, dass eine Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Grenzen von Ausgabe und Kontext
Ministral 3 bietet bei jeder Modellgröße getrennte Veröffentlichungen als Base, Instruct und Reasoning. Dieser Eintrag bezeichnet den Checkpoint Instruct 2512 und weder einen automatisch aktivierten Reasoning-Modus noch das vortrainierte Basismodell. Der Hersteller nennt Spezialisierung und Fine-Tuning als mögliche Anwendungen; die aktuelle Anweisungsaufgabe benötigt dennoch klar definierte Eingaben, Regeln und Ausgaben.
Halte relevantes Quellenmaterial und den Dialog innerhalb des konfigurierten Kontexts und fordere das kompakte Ergebnis an, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das gesamte Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein großzügiges Generierungsbudget in einem Beispiel sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Aktionen benötigen weitere Komponenten über dieses Modell mit Textergebnis hinaus.
", "aboutText": "Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Checkpoint verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.\n\nModellkomponenten und Fähigkeiten\n\nDie Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; in den Nutzungshinweisen beträgt die standardmäßig konfigurierte Länge 262.144. Die Komponentenangaben gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell verarbeitet Text und Bilder und erzeugt Text, darunter Datensätze im JSON-Format oder vorgeschlagene Funktionsaufrufe.\n\nDer Hersteller beschreibt die mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Außerdem hebt er die Befolgung von Systemprompts hervor. Gib die gewünschte Ausgabesprache sowie Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. Dadurch bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.\n\nGezielte Klassifikation und Extraktion\n\nGib für eine Klassifikationsaufgabe die zulässigen Kategorien, die Regel zu ihrer Unterscheidung und die einzuordnende Nachricht vor. Fordere eine ausgewählte Kategorie und eine kurze Erklärung an, die sich auf die bereitgestellte Nachricht stützt. Sind die Kategorien mehrdeutig, definiere, welche Informationen sie unterscheiden würden, statt dich allein auf ihre Namen zu verlassen. So entsteht ein kompaktes Ergebnis, das sich in einem größeren Ablauf konsistent verwenden lässt.\n\nListe für eine Extraktion die Felder und ihre Typen auf und lege fest, wie fehlende Informationen dargestellt werden sollen. Eine Anfrage kann eine Artikelkennung, den ausdrücklich beschriebenen Zustand und die vom Nutzer gewünschte Handlung verlangen. Fordere den Originalwortlaut an, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; der Feldentwurf bleibt Teil der Aufgabe und ist kein eingebautes universelles Schema.\n\nDie Modellkarte nennt außerdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Lege für eine Bildbeschreibung fest, welcher Bildaspekt für welche Zielgruppe beschrieben werden soll. Gib für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge vor. Eine Antwort im Supportstil kann aus der ursprünglichen Frage und bereitgestellten Hinweisen einen knappen nächsten Schritt samt der Bedingung erzeugen, unter der er anwendbar ist.\n\nVorbereitung visueller und mehrsprachiger Aufgaben\n\nKombiniere ein Bild mit einer klaren Textfrage. Bewahre bei einem Dokumentfeld die Bezeichnung, den Wert und den für seine Interpretation nötigen umgebenden Kontext. Gib bei einer Objektbeschreibung an, welches sichtbare Merkmal wichtig ist. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab; schneide das Bild bei Bedarf zu, ohne die Belege zu entfernen, auf die sich die Frage stützt.\n\nStelle für eine Übersetzung den Originaltext, die Zielsprache und gegebenenfalls eine Terminologieliste bereit. Fordere die übersetzte Passage getrennt von einer optionalen Erklärung an. Eine mehrsprachige Klassifikationsaufgabe kann die Kategorien der Anwendung unverändert lassen und die ausgewählte Kategorie zugleich in der Sprache der Leser erklären. Dies sind definierte Ausgaben statt einer Aufforderung, eine Nachricht oder ein Bild nur lose zu erörtern.\n\nWerkzeuge und empfohlene Einstellungen\n\nNative Funktionsaufrufe ermöglichen einer Anwendung, den Dialog mit einer beschriebenen Operation zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert liefern, oder ein Berechnungswerkzeug kann mit Werten arbeiten, die aus einem Bild erkannt wurden. Das Textmodell selbst führt die Funktion nicht dadurch aus, dass es ihren Namen und ihre Argumente erzeugt.\n\nDer Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall definiert und Hinweise zum Werkzeugeinsatz enthält. Halte Werkzeugbeschreibungen klar und beschränke die Auswahl auf die mindestens erforderlichen relevanten Operationen. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter zu interpretieren sein als ein Prompt mit vielen unzusammenhängenden Funktionen ohne Auswahlregel.\n\nDie Modellkarte gibt Empfehlungen für niedrige Temperaturen: unter 0,1 für alltägliche und produktionsnahe Anwendungen sowie eine Anfangstemperatur von 0,1 für die meisten Anwendungsfälle in einem separaten Sampling-Hinweis. Höhere Werte können für kreative Inhalte erprobt werden. Diese Empfehlungen gelten für unterschiedliche ausdrücklich genannte Bereiche; sie garantieren nicht, dass eine Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.\n\nGrenzen von Ausgabe und Kontext\n\nMinistral 3 bietet bei jeder Modellgröße getrennte Veröffentlichungen als Base, Instruct und Reasoning. Dieser Eintrag bezeichnet den Checkpoint Instruct 2512 und weder einen automatisch aktivierten Reasoning-Modus noch das vortrainierte Basismodell. Der Hersteller nennt Spezialisierung und Fine-Tuning als mögliche Anwendungen; die aktuelle Anweisungsaufgabe benötigt dennoch klar definierte Eingaben, Regeln und Ausgaben.\n\nHalte relevantes Quellenmaterial und den Dialog innerhalb des konfigurierten Kontexts und fordere das kompakte Ergebnis an, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das gesamte Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein großzügiges Generierungsbudget in einem Beispiel sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Aktionen benötigen weitere Komponenten über dieses Modell mit Textergebnis hinaus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 ist ein kompaktes mehrsprachiges Text- und Bildmodell für Klassifikation, Extraktion, Bildbeschreibungen und kurze Inhalte. Seine Sprachkomponente mit 3,4 Milliarden Parametern und sein Bildencoder mit 0,4 Milliarden Parametern unterstützen Systemanweisungen, JSON, Funktionsaufrufe und einen vom Hersteller angegebenen Kontext von 256k.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Checkpoint verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; in den Nutzungshinweisen beträgt die standardmäßig konfigurierte Länge 262.144. Die Komponentenangaben gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell verarbeitet Text und Bilder und erzeugt Text, darunter Datensätze im JSON-Format oder vorgeschlagene Funktionsaufrufe.
Der Hersteller beschreibt die mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Außerdem hebt er die Befolgung von Systemprompts hervor. Gib die gewünschte Ausgabesprache sowie Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. Dadurch bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Gib für eine Klassifikationsaufgabe die zulässigen Kategorien, die Regel zu ihrer Unterscheidung und die einzuordnende Nachricht vor. Fordere eine ausgewählte Kategorie und eine kurze Erklärung an, die sich auf die bereitgestellte Nachricht stützt. Sind die Kategorien mehrdeutig, definiere, welche Informationen sie unterscheiden würden, statt dich allein auf ihre Namen zu verlassen. So entsteht ein kompaktes Ergebnis, das sich in einem größeren Ablauf konsistent verwenden lässt.
Liste für eine Extraktion die Felder und ihre Typen auf und lege fest, wie fehlende Informationen dargestellt werden sollen. Eine Anfrage kann eine Artikelkennung, den ausdrücklich beschriebenen Zustand und die vom Nutzer gewünschte Handlung verlangen. Fordere den Originalwortlaut an, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; der Feldentwurf bleibt Teil der Aufgabe und ist kein eingebautes universelles Schema.
Die Modellkarte nennt außerdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Lege für eine Bildbeschreibung fest, welcher Bildaspekt für welche Zielgruppe beschrieben werden soll. Gib für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge vor. Eine Antwort im Supportstil kann aus der ursprünglichen Frage und bereitgestellten Hinweisen einen knappen nächsten Schritt samt der Bedingung erzeugen, unter der er anwendbar ist.
Vorbereitung visueller und mehrsprachiger Aufgaben
Kombiniere ein Bild mit einer klaren Textfrage. Bewahre bei einem Dokumentfeld die Bezeichnung, den Wert und den für seine Interpretation nötigen umgebenden Kontext. Gib bei einer Objektbeschreibung an, welches sichtbare Merkmal wichtig ist. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab; schneide das Bild bei Bedarf zu, ohne die Belege zu entfernen, auf die sich die Frage stützt.
Stelle für eine Übersetzung den Originaltext, die Zielsprache und gegebenenfalls eine Terminologieliste bereit. Fordere die übersetzte Passage getrennt von einer optionalen Erklärung an. Eine mehrsprachige Klassifikationsaufgabe kann die Kategorien der Anwendung unverändert lassen und die ausgewählte Kategorie zugleich in der Sprache der Leser erklären. Dies sind definierte Ausgaben statt einer Aufforderung, eine Nachricht oder ein Bild nur lose zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen einer Anwendung, den Dialog mit einer beschriebenen Operation zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert liefern, oder ein Berechnungswerkzeug kann mit Werten arbeiten, die aus einem Bild erkannt wurden. Das Textmodell selbst führt die Funktion nicht dadurch aus, dass es ihren Namen und ihre Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall definiert und Hinweise zum Werkzeugeinsatz enthält. Halte Werkzeugbeschreibungen klar und beschränke die Auswahl auf die mindestens erforderlichen relevanten Operationen. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter zu interpretieren sein als ein Prompt mit vielen unzusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte gibt Empfehlungen für niedrige Temperaturen: unter 0,1 für alltägliche und produktionsnahe Anwendungen sowie eine Anfangstemperatur von 0,1 für die meisten Anwendungsfälle in einem separaten Sampling-Hinweis. Höhere Werte können für kreative Inhalte erprobt werden. Diese Empfehlungen gelten für unterschiedliche ausdrücklich genannte Bereiche; sie garantieren nicht, dass eine Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Grenzen von Ausgabe und Kontext
Ministral 3 bietet bei jeder Modellgröße getrennte Veröffentlichungen als Base, Instruct und Reasoning. Dieser Eintrag bezeichnet den Checkpoint Instruct 2512 und weder einen automatisch aktivierten Reasoning-Modus noch das vortrainierte Basismodell. Der Hersteller nennt Spezialisierung und Fine-Tuning als mögliche Anwendungen; die aktuelle Anweisungsaufgabe benötigt dennoch klar definierte Eingaben, Regeln und Ausgaben.
Halte relevantes Quellenmaterial und den Dialog innerhalb des konfigurierten Kontexts und fordere das kompakte Ergebnis an, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das gesamte Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein großzügiges Generierungsbudget in einem Beispiel sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Aktionen benötigen weitere Komponenten über dieses Modell mit Textergebnis hinaus.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-3b-2512 | 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 $0.00066 / 1K Token Ausgabe · Ausgabetoken $0.00066 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Token Ausgabe · Ausgabetoken $0.00066 / 1K Token Eingabe · Cache-Lesen $0.00002 / 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": "mistralai/ministral-3b-2512", "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/ministral-3b-2512',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/ministral-3b-2512',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/ministral-3b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 ist ein kompaktes mehrsprachiges Text- und Bildmodell für Klassifikation, Extraktion, Bildbeschreibungen und kurze Inhalte. Seine Sprachkomponente mit 3,4 Milliarden Parametern und sein Bildencoder mit 0,4 Milliarden Parametern unterstützen Systemanweisungen, JSON, Funktionsaufrufe und einen vom Hersteller angegebenen Kontext von 256k.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 3B Instruct 2512 ist die kleinste auf Anweisungen abgestimmte Ausgabe der Ministral-3-Familie von Mistral AI. Der Hersteller positioniert sie für kompakte anweisungsbasierte Anwendungen, darunter Bildbeschreibungen, Textklassifikation, Datenextraktion, Übersetzung und kurze Inhalte. Der veröffentlichte Checkpoint verwendet FP8-Präzision und verbindet Textverarbeitung mit einer Komponente für visuelle Eingaben.
Modellkomponenten und Fähigkeiten
Die Modellkarte nennt ein Sprachmodell mit 3,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sie dokumentiert ein Kontextfenster von 256k; in den Nutzungshinweisen beträgt die standardmäßig konfigurierte Länge 262.144. Die Komponentenangaben gehören zur 3B-Ausgabe und nicht zu den Familienmitgliedern mit 8B oder 14B. Das Modell verarbeitet Text und Bilder und erzeugt Text, darunter Datensätze im JSON-Format oder vorgeschlagene Funktionsaufrufe.
Der Hersteller beschreibt die mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Außerdem hebt er die Befolgung von Systemprompts hervor. Gib die gewünschte Ausgabesprache sowie Bezeichnungen oder Begriffe an, die unverändert bleiben müssen. Dadurch bleibt eine übersetzte Erklärung oder ein extrahierter Datensatz auf den vorgesehenen Einsatz der Anwendung abgestimmt.
Gezielte Klassifikation und Extraktion
Gib für eine Klassifikationsaufgabe die zulässigen Kategorien, die Regel zu ihrer Unterscheidung und die einzuordnende Nachricht vor. Fordere eine ausgewählte Kategorie und eine kurze Erklärung an, die sich auf die bereitgestellte Nachricht stützt. Sind die Kategorien mehrdeutig, definiere, welche Informationen sie unterscheiden würden, statt dich allein auf ihre Namen zu verlassen. So entsteht ein kompaktes Ergebnis, das sich in einem größeren Ablauf konsistent verwenden lässt.
Liste für eine Extraktion die Felder und ihre Typen auf und lege fest, wie fehlende Informationen dargestellt werden sollen. Eine Anfrage kann eine Artikelkennung, den ausdrücklich beschriebenen Zustand und die vom Nutzer gewünschte Handlung verlangen. Fordere den Originalwortlaut an, wenn die genaue Formulierung wichtig ist, oder einen normalisierten Wert, wenn die Anwendung die Normalisierungsregel vorgibt. Die JSON-Ausgabe ordnet das Ergebnis; der Feldentwurf bleibt Teil der Aufgabe und ist kein eingebautes universelles Schema.
Die Modellkarte nennt außerdem Bildbeschreibungen und die Erzeugung kurzer Inhalte. Lege für eine Bildbeschreibung fest, welcher Bildaspekt für welche Zielgruppe beschrieben werden soll. Gib für eine kurze Erklärung die zu bewahrenden Fakten und die gewünschte Länge vor. Eine Antwort im Supportstil kann aus der ursprünglichen Frage und bereitgestellten Hinweisen einen knappen nächsten Schritt samt der Bedingung erzeugen, unter der er anwendbar ist.
Vorbereitung visueller und mehrsprachiger Aufgaben
Kombiniere ein Bild mit einer klaren Textfrage. Bewahre bei einem Dokumentfeld die Bezeichnung, den Wert und den für seine Interpretation nötigen umgebenden Kontext. Gib bei einer Objektbeschreibung an, welches sichtbare Merkmal wichtig ist. Der Hersteller empfiehlt Bildproportionen nahe 1:1 und rät von sehr schmalen oder breiten Eingaben ab; schneide das Bild bei Bedarf zu, ohne die Belege zu entfernen, auf die sich die Frage stützt.
Stelle für eine Übersetzung den Originaltext, die Zielsprache und gegebenenfalls eine Terminologieliste bereit. Fordere die übersetzte Passage getrennt von einer optionalen Erklärung an. Eine mehrsprachige Klassifikationsaufgabe kann die Kategorien der Anwendung unverändert lassen und die ausgewählte Kategorie zugleich in der Sprache der Leser erklären. Dies sind definierte Ausgaben statt einer Aufforderung, eine Nachricht oder ein Bild nur lose zu erörtern.
Werkzeuge und empfohlene Einstellungen
Native Funktionsaufrufe ermöglichen einer Anwendung, den Dialog mit einer beschriebenen Operation zu verbinden. Das Modell bereitet die Funktionsargumente vor, die Anwendung führt die Funktion aus und ihr Ergebnis liefert Informationen für die nächste Antwort. Eine Abfrage kann einen fehlenden Wert liefern, oder ein Berechnungswerkzeug kann mit Werten arbeiten, die aus einem Bild erkannt wurden. Das Textmodell selbst führt die Funktion nicht dadurch aus, dass es ihren Namen und ihre Argumente erzeugt.
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung und Anwendungsfall definiert und Hinweise zum Werkzeugeinsatz enthält. Halte Werkzeugbeschreibungen klar und beschränke die Auswahl auf die mindestens erforderlichen relevanten Operationen. Für einen eng umrissenen Assistenten kann eine ausdrückliche Extraktions- oder Abfrageaufgabe leichter zu interpretieren sein als ein Prompt mit vielen unzusammenhängenden Funktionen ohne Auswahlregel.
Die Modellkarte gibt Empfehlungen für niedrige Temperaturen: unter 0,1 für alltägliche und produktionsnahe Anwendungen sowie eine Anfangstemperatur von 0,1 für die meisten Anwendungsfälle in einem separaten Sampling-Hinweis. Höhere Werte können für kreative Inhalte erprobt werden. Diese Empfehlungen gelten für unterschiedliche ausdrücklich genannte Bereiche; sie garantieren nicht, dass eine Sampling-Einstellung jeden extrahierten Wert oder jede Klassifikation korrekt macht.
Grenzen von Ausgabe und Kontext
Ministral 3 bietet bei jeder Modellgröße getrennte Veröffentlichungen als Base, Instruct und Reasoning. Dieser Eintrag bezeichnet den Checkpoint Instruct 2512 und weder einen automatisch aktivierten Reasoning-Modus noch das vortrainierte Basismodell. Der Hersteller nennt Spezialisierung und Fine-Tuning als mögliche Anwendungen; die aktuelle Anweisungsaufgabe benötigt dennoch klar definierte Eingaben, Regeln und Ausgaben.
Halte relevantes Quellenmaterial und den Dialog innerhalb des konfigurierten Kontexts und fordere das kompakte Ergebnis an, das der nächste Anwendungsschritt benötigt. Die Nutzungshinweise erlauben eine Verringerung der konfigurierten Kontextlänge für Aufgaben, die nicht das gesamte Fenster brauchen. Ein Generierungsbeispiel mit 512 Tokens und ein großzügiges Generierungsbudget in einem Beispiel sind keine unabhängig dokumentierten maximalen Ausgabekapazitäten. Bilderzeugung, Audioausgabe und externe Aktionen benötigen weitere Komponenten über dieses Modell mit Textergebnis hinaus.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-3b-2512 | 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 $0.00066 / 1K Token Ausgabe · Ausgabetoken $0.00066 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00066 / 1K Token Ausgabe · Ausgabetoken $0.00066 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-3b-2512', '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/ministral-3b-2512', '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/ministral-3b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.