Ministral 3 8B Instruct 2512 ist das mittelgroße, auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, verarbeitet Text und Bilder und gibt Text statt eines Bild- oder Audioartefakts zurück.
Architektur und zentrale Funktionen
Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sein Kontextfenster wird mit 256k beschrieben, und die veröffentlichten Nutzungshinweise verwenden eine standardmäßig konfigurierte Länge von 262.144. Diese Angaben beschreiben diese Ausgabe in der Größe 8B; die kleineren 3B- und größeren 14B-Familienmitglieder behalten ihre eigenen Komponentengrößen und Konfigurationen.
Visuelle Fähigkeiten erweitern die Eingabe des Modells über einen schriftlichen Dialog hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang kombiniert werden. Ein Screenshot kann mit dem Ziel des Nutzers und der Aufforderung verbunden werden, das relevante Bedienelement zu identifizieren. Fordere die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von einem visuellen Detail abhängt, und bewahre Überschriften, Beschriftungen und Einheiten, die zur Interpretation eines Ausschnitts benötigt werden.
Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt außerdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgabe. Definiere die endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das beabsichtigte Artefakt aus einer großen Eingabe erschließen zu lassen.
Dokument-, Dialog- und Agentenaufgaben
Die Anwendungsfälle des Herstellers umfassen Chatschnittstellen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltsgenerierung und spezialisierte Agenten. Stelle für einen Dokumentassistenten die Seite bereit und gib die zurückzugebenden Informationen vor. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort kann die Dokumentkennung, den extrahierten Wert und eine kurze Erklärung mit Bezug zur sichtbaren Quelle enthalten.
Bewahre für einen fortlaufenden Dialog die relevante frühere Antwort und stelle eine gezielte Anschlussfrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung anfordern und danach fragen, welche Aussage eine Schlussfolgerung stützt. Dadurch ändert sich die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellengestützten Erklärung, während das ursprüngliche Material und der Zweck des Dialogs erhalten bleiben.
Stelle für mehrsprachige Bearbeitung die Originalpassage, die vorgesehenen Leser und eine Terminologieliste bereit. Fordere eine überarbeitete Fassung an, die Namen, Bedingungen und Einheiten bewahrt, gefolgt von einer kurzen Erklärung der Änderungen, sofern nützlich. Gib für Inhaltsgenerierung die Zielgruppe und die einzubeziehenden Fakten vor, bevor du einen kurzen Entwurf oder alternative Formulierungen anforderst.
Bei einer Agentenaufgabe stellt die Anwendung die Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion auswählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel in der Modellkarte verbindet eine Bildfrage mit einem Berechnungswerkzeug. Halte das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschließende schriftliche Antwort die Informationen verwendet, die die Operation tatsächlich zurückgegeben hat.
Empfohlene Vorbereitung und Einstellungen
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und die Verwendung von Werkzeugen beschreibt. Halte die Werkzeugauswahl klar definiert und auf das für die Aufgabe notwendige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine große Sammlung unzusammenhängender Operationen zu präsentieren.
Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erkundung zur Verfügung. Behandle dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Reasoning-Modus. Die Familie besitzt eigenständige Checkpoints für Base, Instruct und Reasoning; dieser Eintrag ist die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Größe.
Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneide bei Bedarf zu und bewahre dabei die Beschriftungen und den Kontext, die die Frage benötigt. Enthält eine Seite mehrere unzusammenhängende Bereiche, benenne den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, fokussiertes Bild ist nützlicher, als das Modell raten zu lassen, welches kleine Detail auf einer umfassenden Seite wichtig ist.
Grenzen von Kontext und Ausgabe
Plane Text, Bilder, Dialog und gewünschte Antwort um den konfigurierten Kontext herum. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Anweisung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate harte maximale Antwortlänge.
Der FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind eigenständige Ausgaben. Der Hersteller beschreibt außerdem Spezialisierung und Fine-Tuning als Anwendungsfälle. Bewahre bei der Dialogvorbereitung den benannten Checkpoint und seinen Tokenizer und halte Texterzeugung getrennt von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.
", "aboutText": "Ministral 3 8B Instruct 2512 ist das mittelgroße, auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, verarbeitet Text und Bilder und gibt Text statt eines Bild- oder Audioartefakts zurück.\n\nArchitektur und zentrale Funktionen\n\nDer Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sein Kontextfenster wird mit 256k beschrieben, und die veröffentlichten Nutzungshinweise verwenden eine standardmäßig konfigurierte Länge von 262.144. Diese Angaben beschreiben diese Ausgabe in der Größe 8B; die kleineren 3B- und größeren 14B-Familienmitglieder behalten ihre eigenen Komponentengrößen und Konfigurationen.\n\nVisuelle Fähigkeiten erweitern die Eingabe des Modells über einen schriftlichen Dialog hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang kombiniert werden. Ein Screenshot kann mit dem Ziel des Nutzers und der Aufforderung verbunden werden, das relevante Bedienelement zu identifizieren. Fordere die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von einem visuellen Detail abhängt, und bewahre Überschriften, Beschriftungen und Einheiten, die zur Interpretation eines Ausschnitts benötigt werden.\n\nDie Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt außerdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgabe. Definiere die endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das beabsichtigte Artefakt aus einer großen Eingabe erschließen zu lassen.\n\nDokument-, Dialog- und Agentenaufgaben\n\nDie Anwendungsfälle des Herstellers umfassen Chatschnittstellen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltsgenerierung und spezialisierte Agenten. Stelle für einen Dokumentassistenten die Seite bereit und gib die zurückzugebenden Informationen vor. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort kann die Dokumentkennung, den extrahierten Wert und eine kurze Erklärung mit Bezug zur sichtbaren Quelle enthalten.\n\nBewahre für einen fortlaufenden Dialog die relevante frühere Antwort und stelle eine gezielte Anschlussfrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung anfordern und danach fragen, welche Aussage eine Schlussfolgerung stützt. Dadurch ändert sich die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellengestützten Erklärung, während das ursprüngliche Material und der Zweck des Dialogs erhalten bleiben.\n\nStelle für mehrsprachige Bearbeitung die Originalpassage, die vorgesehenen Leser und eine Terminologieliste bereit. Fordere eine überarbeitete Fassung an, die Namen, Bedingungen und Einheiten bewahrt, gefolgt von einer kurzen Erklärung der Änderungen, sofern nützlich. Gib für Inhaltsgenerierung die Zielgruppe und die einzubeziehenden Fakten vor, bevor du einen kurzen Entwurf oder alternative Formulierungen anforderst.\n\nBei einer Agentenaufgabe stellt die Anwendung die Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion auswählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel in der Modellkarte verbindet eine Bildfrage mit einem Berechnungswerkzeug. Halte das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschließende schriftliche Antwort die Informationen verwendet, die die Operation tatsächlich zurückgegeben hat.\n\nEmpfohlene Vorbereitung und Einstellungen\n\nDer Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und die Verwendung von Werkzeugen beschreibt. Halte die Werkzeugauswahl klar definiert und auf das für die Aufgabe notwendige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine große Sammlung unzusammenhängender Operationen zu präsentieren.\n\nFür alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erkundung zur Verfügung. Behandle dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Reasoning-Modus. Die Familie besitzt eigenständige Checkpoints für Base, Instruct und Reasoning; dieser Eintrag ist die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Größe.\n\nFür Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneide bei Bedarf zu und bewahre dabei die Beschriftungen und den Kontext, die die Frage benötigt. Enthält eine Seite mehrere unzusammenhängende Bereiche, benenne den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, fokussiertes Bild ist nützlicher, als das Modell raten zu lassen, welches kleine Detail auf einer umfassenden Seite wichtig ist.\n\nGrenzen von Kontext und Ausgabe\n\nPlane Text, Bilder, Dialog und gewünschte Antwort um den konfigurierten Kontext herum. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Anweisung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate harte maximale Antwortlänge.\n\nDer FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind eigenständige Ausgaben. Der Hersteller beschreibt außerdem Spezialisierung und Fine-Tuning als Anwendungsfälle. Bewahre bei der Dialogvorbereitung den benannten Checkpoint und seinen Tokenizer und halte Texterzeugung getrennt von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 ist ein mehrsprachiges Text- und Bildmodell für Anweisungsaufgaben mit einer Sprachkomponente von 8,4 Milliarden Parametern und einem Bildencoder von 0,4 Milliarden Parametern. Es unterstützt einen vom Hersteller angegebenen Kontext von 256k, Systemanweisungen, JSON und native Funktionsaufrufe für Assistenten und Dokumentabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 8B Instruct 2512 ist das mittelgroße, auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, verarbeitet Text und Bilder und gibt Text statt eines Bild- oder Audioartefakts zurück.
Architektur und zentrale Funktionen
Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sein Kontextfenster wird mit 256k beschrieben, und die veröffentlichten Nutzungshinweise verwenden eine standardmäßig konfigurierte Länge von 262.144. Diese Angaben beschreiben diese Ausgabe in der Größe 8B; die kleineren 3B- und größeren 14B-Familienmitglieder behalten ihre eigenen Komponentengrößen und Konfigurationen.
Visuelle Fähigkeiten erweitern die Eingabe des Modells über einen schriftlichen Dialog hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang kombiniert werden. Ein Screenshot kann mit dem Ziel des Nutzers und der Aufforderung verbunden werden, das relevante Bedienelement zu identifizieren. Fordere die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von einem visuellen Detail abhängt, und bewahre Überschriften, Beschriftungen und Einheiten, die zur Interpretation eines Ausschnitts benötigt werden.
Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt außerdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgabe. Definiere die endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das beabsichtigte Artefakt aus einer großen Eingabe erschließen zu lassen.
Dokument-, Dialog- und Agentenaufgaben
Die Anwendungsfälle des Herstellers umfassen Chatschnittstellen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltsgenerierung und spezialisierte Agenten. Stelle für einen Dokumentassistenten die Seite bereit und gib die zurückzugebenden Informationen vor. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort kann die Dokumentkennung, den extrahierten Wert und eine kurze Erklärung mit Bezug zur sichtbaren Quelle enthalten.
Bewahre für einen fortlaufenden Dialog die relevante frühere Antwort und stelle eine gezielte Anschlussfrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung anfordern und danach fragen, welche Aussage eine Schlussfolgerung stützt. Dadurch ändert sich die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellengestützten Erklärung, während das ursprüngliche Material und der Zweck des Dialogs erhalten bleiben.
Stelle für mehrsprachige Bearbeitung die Originalpassage, die vorgesehenen Leser und eine Terminologieliste bereit. Fordere eine überarbeitete Fassung an, die Namen, Bedingungen und Einheiten bewahrt, gefolgt von einer kurzen Erklärung der Änderungen, sofern nützlich. Gib für Inhaltsgenerierung die Zielgruppe und die einzubeziehenden Fakten vor, bevor du einen kurzen Entwurf oder alternative Formulierungen anforderst.
Bei einer Agentenaufgabe stellt die Anwendung die Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion auswählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel in der Modellkarte verbindet eine Bildfrage mit einem Berechnungswerkzeug. Halte das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschließende schriftliche Antwort die Informationen verwendet, die die Operation tatsächlich zurückgegeben hat.
Empfohlene Vorbereitung und Einstellungen
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und die Verwendung von Werkzeugen beschreibt. Halte die Werkzeugauswahl klar definiert und auf das für die Aufgabe notwendige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine große Sammlung unzusammenhängender Operationen zu präsentieren.
Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erkundung zur Verfügung. Behandle dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Reasoning-Modus. Die Familie besitzt eigenständige Checkpoints für Base, Instruct und Reasoning; dieser Eintrag ist die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Größe.
Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneide bei Bedarf zu und bewahre dabei die Beschriftungen und den Kontext, die die Frage benötigt. Enthält eine Seite mehrere unzusammenhängende Bereiche, benenne den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, fokussiertes Bild ist nützlicher, als das Modell raten zu lassen, welches kleine Detail auf einer umfassenden Seite wichtig ist.
Grenzen von Kontext und Ausgabe
Plane Text, Bilder, Dialog und gewünschte Antwort um den konfigurierten Kontext herum. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Anweisung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate harte maximale Antwortlänge.
Der FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind eigenständige Ausgaben. Der Hersteller beschreibt außerdem Spezialisierung und Fine-Tuning als Anwendungsfälle. Bewahre bei der Dialogvorbereitung den benannten Checkpoint und seinen Tokenizer und halte Texterzeugung getrennt von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-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-8b-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-8b-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-8b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 ist ein mehrsprachiges Text- und Bildmodell für Anweisungsaufgaben mit einer Sprachkomponente von 8,4 Milliarden Parametern und einem Bildencoder von 0,4 Milliarden Parametern. Es unterstützt einen vom Hersteller angegebenen Kontext von 256k, Systemanweisungen, JSON und native Funktionsaufrufe für Assistenten und Dokumentabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 8B Instruct 2512 ist das mittelgroße, auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, verarbeitet Text und Bilder und gibt Text statt eines Bild- oder Audioartefakts zurück.
Architektur und zentrale Funktionen
Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sein Kontextfenster wird mit 256k beschrieben, und die veröffentlichten Nutzungshinweise verwenden eine standardmäßig konfigurierte Länge von 262.144. Diese Angaben beschreiben diese Ausgabe in der Größe 8B; die kleineren 3B- und größeren 14B-Familienmitglieder behalten ihre eigenen Komponentengrößen und Konfigurationen.
Visuelle Fähigkeiten erweitern die Eingabe des Modells über einen schriftlichen Dialog hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang kombiniert werden. Ein Screenshot kann mit dem Ziel des Nutzers und der Aufforderung verbunden werden, das relevante Bedienelement zu identifizieren. Fordere die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von einem visuellen Detail abhängt, und bewahre Überschriften, Beschriftungen und Einheiten, die zur Interpretation eines Ausschnitts benötigt werden.
Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt außerdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgabe. Definiere die endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das beabsichtigte Artefakt aus einer großen Eingabe erschließen zu lassen.
Dokument-, Dialog- und Agentenaufgaben
Die Anwendungsfälle des Herstellers umfassen Chatschnittstellen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltsgenerierung und spezialisierte Agenten. Stelle für einen Dokumentassistenten die Seite bereit und gib die zurückzugebenden Informationen vor. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort kann die Dokumentkennung, den extrahierten Wert und eine kurze Erklärung mit Bezug zur sichtbaren Quelle enthalten.
Bewahre für einen fortlaufenden Dialog die relevante frühere Antwort und stelle eine gezielte Anschlussfrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung anfordern und danach fragen, welche Aussage eine Schlussfolgerung stützt. Dadurch ändert sich die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellengestützten Erklärung, während das ursprüngliche Material und der Zweck des Dialogs erhalten bleiben.
Stelle für mehrsprachige Bearbeitung die Originalpassage, die vorgesehenen Leser und eine Terminologieliste bereit. Fordere eine überarbeitete Fassung an, die Namen, Bedingungen und Einheiten bewahrt, gefolgt von einer kurzen Erklärung der Änderungen, sofern nützlich. Gib für Inhaltsgenerierung die Zielgruppe und die einzubeziehenden Fakten vor, bevor du einen kurzen Entwurf oder alternative Formulierungen anforderst.
Bei einer Agentenaufgabe stellt die Anwendung die Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion auswählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel in der Modellkarte verbindet eine Bildfrage mit einem Berechnungswerkzeug. Halte das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschließende schriftliche Antwort die Informationen verwendet, die die Operation tatsächlich zurückgegeben hat.
Empfohlene Vorbereitung und Einstellungen
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und die Verwendung von Werkzeugen beschreibt. Halte die Werkzeugauswahl klar definiert und auf das für die Aufgabe notwendige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine große Sammlung unzusammenhängender Operationen zu präsentieren.
Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erkundung zur Verfügung. Behandle dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Reasoning-Modus. Die Familie besitzt eigenständige Checkpoints für Base, Instruct und Reasoning; dieser Eintrag ist die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Größe.
Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneide bei Bedarf zu und bewahre dabei die Beschriftungen und den Kontext, die die Frage benötigt. Enthält eine Seite mehrere unzusammenhängende Bereiche, benenne den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, fokussiertes Bild ist nützlicher, als das Modell raten zu lassen, welches kleine Detail auf einer umfassenden Seite wichtig ist.
Grenzen von Kontext und Ausgabe
Plane Text, Bilder, Dialog und gewünschte Antwort um den konfigurierten Kontext herum. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Anweisung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate harte maximale Antwortlänge.
Der FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind eigenständige Ausgaben. Der Hersteller beschreibt außerdem Spezialisierung und Fine-Tuning als Anwendungsfälle. Bewahre bei der Dialogvorbereitung den benannten Checkpoint und seinen Tokenizer und halte Texterzeugung getrennt von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-2512
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.