Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Sie ist aus dem separat benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert sie für reaktionsschnelle Dialogunterstützung, Funktionsaufrufe und fachspezifische Anpassung mit Text als Eingabe und erzeugtem Ergebnis.
Kernfunktionen und Unterschiede beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Dialog- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgabe und Systemprompt-Befolgung. Ihr Kontextfenster beträgt 32k, und sie verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, während die Vokabularangabe die Tokenisierung beschreibt; dies sind unterschiedliche Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist ebenfalls in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definiere die Zielsprache und die Terminologie, die unverändert bleiben soll. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten bewahren und zugleich die umgebende Prosa an die Leser anpassen.
Die Veröffentlichungsankündigung hält fest, dass Small 3 weder mit Reinforcement Learning noch mit synthetischen Daten trainiert wurde, und unterscheidet vortrainierte und auf Anweisungen abgestimmte Checkpoints. Sie beschreibt das Modell als weiter anpassbare Grundlage und nicht als hybriden Checkpoint mit den späteren Reasoning-Steuerungen von Small 4. Dieser Eintrag ist die Ausgabe Instruct 2501 zur Befolgung einer Dialogaufgabe.
Dialog- und strukturierte Aufgaben
Stelle für einen Assistenten im Supportstil die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Fordere die Handlung an, die die Frage beantwortet, und die Bedingung, unter der sie gilt. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt sie in einer unstrukturierten Erklärung zu vermischen.
Gib für Klassifikation die zulässigen Kategorien und ihre Unterschiede vor. Benenne für Extraktion die Felder, erwarteten Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht kopierte Kennung und eine kurze Zusammenfassung der gewünschten Handlung enthalten. JSON ordnet das Ergebnis, während Feldentwurf und Interpretationsregeln Teil der vorgegebenen Aufgabe bleiben.
Füge für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe hinzu. Frage, welcher Pfad durch den Code das Ergebnis bestimmt. Definiere für eine mathematische Erklärung Variablen und Annahmen und benenne den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können eine Methode, Erklärung und das endgültige Artefakt zurückgeben, ohne anzunehmen, dass das Modell selbst den Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten zugeschnittenen Systemprompt und eine relativ niedrige Temperatur wie 0,15. Definiere mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das tatsächliche Problem oder Quellenmaterial enthält. Halte zitierte Anweisungen innerhalb eines Dokuments von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Lege für einen Alltagsassistenten fest, ob das Ergebnis eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung sein soll. Wenn eine Antwort maschinell eingelesen wird, fordere den Datensatz getrennt von optionaler Prosa an. Bewahre in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Operation aus und gibt das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; anschließend kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt einen Dialog mit früherem Werkzeugeinsatz und einer anschließenden neuen Frage. Dadurch kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreibe den Zweck und die Pflichtwerte jeder Funktion klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis an den Dialog zurückgeben; eine Textverarbeitungsfunktion kann eine umgewandelte Passage für die nächste Antwort liefern. Halte die Werkzeugauswahl auf den aktuellen Prozess bezogen und bewahre die Verbindung zwischen vorgeschlagener Operation und ihrem Ergebnis.
Der Hersteller beschreibt außerdem Fine-Tuning zur fachlichen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; das Bereitstellen eines Dokuments in einem Dialog ist dagegen Quellenkonditionierung für diese Aufgabe. Liefere das Domänenmaterial und die Antwortanforderungen, die der jeweilige Assistent benötigt, statt eine bereits durchgeführte Anpassung anzunehmen.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Die in Small 3.1 eingeführte visuelle Fähigkeit und der Kontext von 128k gehören zur späteren Veröffentlichung; auch die hybriden Modi von Small 4 sollten nicht hierher übertragen werden. Bei einem Bild, einer Audioaufnahme oder einem Video muss der relevante Inhalt vor dieser Textaufgabe durch eine andere Komponente vorbereitet werden.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine separaten maximalen Ausgabekapazitäten. Halte die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche Endartefakt ist die Antwort, der JSON-Datensatz oder vorgeschlagene Code, dessen Bedeutung und Format der ursprünglichen schriftlichen Aufgabe entsprechen.
", "aboutText": "Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Sie ist aus dem separat benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert sie für reaktionsschnelle Dialogunterstützung, Funktionsaufrufe und fachspezifische Anpassung mit Text als Eingabe und erzeugtem Ergebnis.\n\nKernfunktionen und Unterschiede beim Training\n\nDie Modellkarte dokumentiert mehrsprachige Unterstützung, Dialog- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgabe und Systemprompt-Befolgung. Ihr Kontextfenster beträgt 32k, und sie verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, während die Vokabularangabe die Tokenisierung beschreibt; dies sind unterschiedliche Spezifikationen.\n\nDer Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist ebenfalls in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definiere die Zielsprache und die Terminologie, die unverändert bleiben soll. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten bewahren und zugleich die umgebende Prosa an die Leser anpassen.\n\nDie Veröffentlichungsankündigung hält fest, dass Small 3 weder mit Reinforcement Learning noch mit synthetischen Daten trainiert wurde, und unterscheidet vortrainierte und auf Anweisungen abgestimmte Checkpoints. Sie beschreibt das Modell als weiter anpassbare Grundlage und nicht als hybriden Checkpoint mit den späteren Reasoning-Steuerungen von Small 4. Dieser Eintrag ist die Ausgabe Instruct 2501 zur Befolgung einer Dialogaufgabe.\n\nDialog- und strukturierte Aufgaben\n\nStelle für einen Assistenten im Supportstil die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Fordere die Handlung an, die die Frage beantwortet, und die Bedingung, unter der sie gilt. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt sie in einer unstrukturierten Erklärung zu vermischen.\n\nGib für Klassifikation die zulässigen Kategorien und ihre Unterschiede vor. Benenne für Extraktion die Felder, erwarteten Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht kopierte Kennung und eine kurze Zusammenfassung der gewünschten Handlung enthalten. JSON ordnet das Ergebnis, während Feldentwurf und Interpretationsregeln Teil der vorgegebenen Aufgabe bleiben.\n\nFüge für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe hinzu. Frage, welcher Pfad durch den Code das Ergebnis bestimmt. Definiere für eine mathematische Erklärung Variablen und Annahmen und benenne den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können eine Methode, Erklärung und das endgültige Artefakt zurückgeben, ohne anzunehmen, dass das Modell selbst den Code oder eine externe Berechnung ausführt.\n\nSystemanweisungen und empfohlene Einstellungen\n\nDie Modellkarte empfiehlt einen auf den vorgesehenen Assistenten zugeschnittenen Systemprompt und eine relativ niedrige Temperatur wie 0,15. Definiere mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das tatsächliche Problem oder Quellenmaterial enthält. Halte zitierte Anweisungen innerhalb eines Dokuments von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.\n\nLege für einen Alltagsassistenten fest, ob das Ergebnis eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung sein soll. Wenn eine Antwort maschinell eingelesen wird, fordere den Datensatz getrennt von optionaler Prosa an. Bewahre in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.\n\nFunktionsaufrufe und Spezialisierung\n\nDas Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Operation aus und gibt das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; anschließend kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt einen Dialog mit früherem Werkzeugeinsatz und einer anschließenden neuen Frage. Dadurch kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.\n\nBeschreibe den Zweck und die Pflichtwerte jeder Funktion klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis an den Dialog zurückgeben; eine Textverarbeitungsfunktion kann eine umgewandelte Passage für die nächste Antwort liefern. Halte die Werkzeugauswahl auf den aktuellen Prozess bezogen und bewahre die Verbindung zwischen vorgeschlagener Operation und ihrem Ergebnis.\n\nDer Hersteller beschreibt außerdem Fine-Tuning zur fachlichen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; das Bereitstellen eines Dokuments in einem Dialog ist dagegen Quellenkonditionierung für diese Aufgabe. Liefere das Domänenmaterial und die Antwortanforderungen, die der jeweilige Assistent benötigt, statt eine bereits durchgeführte Anpassung anzunehmen.\n\nKontext und inhaltliche Grenzen\n\nSmall 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Die in Small 3.1 eingeführte visuelle Fähigkeit und der Kontext von 128k gehören zur späteren Veröffentlichung; auch die hybriden Modi von Small 4 sollten nicht hierher übertragen werden. Bei einem Bild, einer Audioaufnahme oder einem Video muss der relevante Inhalt vor dieser Textaufgabe durch eine andere Komponente vorbereitet werden.\n\nDie Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine separaten maximalen Ausgabekapazitäten. Halte die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche Endartefakt ist die Antwort, der JSON-Datensatz oder vorgeschlagene Code, dessen Bedeutung und Format der ursprünglichen schriftlichen Aufgabe entsprechen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 ist ein Textmodell mit 24 Milliarden Parametern für Dialoganweisungen, strukturierte Extraktion und werkzeuggestützte Anwendungen. Es bietet einen vom Hersteller angegebenen Kontext von 32k, mehrsprachige Antworten, Systemprompt-Unterstützung, JSON und native Funktionsaufrufe in einer eigenständigen reinen Textveröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Sie ist aus dem separat benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert sie für reaktionsschnelle Dialogunterstützung, Funktionsaufrufe und fachspezifische Anpassung mit Text als Eingabe und erzeugtem Ergebnis.
Kernfunktionen und Unterschiede beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Dialog- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgabe und Systemprompt-Befolgung. Ihr Kontextfenster beträgt 32k, und sie verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, während die Vokabularangabe die Tokenisierung beschreibt; dies sind unterschiedliche Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist ebenfalls in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definiere die Zielsprache und die Terminologie, die unverändert bleiben soll. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten bewahren und zugleich die umgebende Prosa an die Leser anpassen.
Die Veröffentlichungsankündigung hält fest, dass Small 3 weder mit Reinforcement Learning noch mit synthetischen Daten trainiert wurde, und unterscheidet vortrainierte und auf Anweisungen abgestimmte Checkpoints. Sie beschreibt das Modell als weiter anpassbare Grundlage und nicht als hybriden Checkpoint mit den späteren Reasoning-Steuerungen von Small 4. Dieser Eintrag ist die Ausgabe Instruct 2501 zur Befolgung einer Dialogaufgabe.
Dialog- und strukturierte Aufgaben
Stelle für einen Assistenten im Supportstil die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Fordere die Handlung an, die die Frage beantwortet, und die Bedingung, unter der sie gilt. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt sie in einer unstrukturierten Erklärung zu vermischen.
Gib für Klassifikation die zulässigen Kategorien und ihre Unterschiede vor. Benenne für Extraktion die Felder, erwarteten Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht kopierte Kennung und eine kurze Zusammenfassung der gewünschten Handlung enthalten. JSON ordnet das Ergebnis, während Feldentwurf und Interpretationsregeln Teil der vorgegebenen Aufgabe bleiben.
Füge für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe hinzu. Frage, welcher Pfad durch den Code das Ergebnis bestimmt. Definiere für eine mathematische Erklärung Variablen und Annahmen und benenne den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können eine Methode, Erklärung und das endgültige Artefakt zurückgeben, ohne anzunehmen, dass das Modell selbst den Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten zugeschnittenen Systemprompt und eine relativ niedrige Temperatur wie 0,15. Definiere mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das tatsächliche Problem oder Quellenmaterial enthält. Halte zitierte Anweisungen innerhalb eines Dokuments von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Lege für einen Alltagsassistenten fest, ob das Ergebnis eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung sein soll. Wenn eine Antwort maschinell eingelesen wird, fordere den Datensatz getrennt von optionaler Prosa an. Bewahre in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Operation aus und gibt das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; anschließend kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt einen Dialog mit früherem Werkzeugeinsatz und einer anschließenden neuen Frage. Dadurch kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreibe den Zweck und die Pflichtwerte jeder Funktion klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis an den Dialog zurückgeben; eine Textverarbeitungsfunktion kann eine umgewandelte Passage für die nächste Antwort liefern. Halte die Werkzeugauswahl auf den aktuellen Prozess bezogen und bewahre die Verbindung zwischen vorgeschlagener Operation und ihrem Ergebnis.
Der Hersteller beschreibt außerdem Fine-Tuning zur fachlichen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; das Bereitstellen eines Dokuments in einem Dialog ist dagegen Quellenkonditionierung für diese Aufgabe. Liefere das Domänenmaterial und die Antwortanforderungen, die der jeweilige Assistent benötigt, statt eine bereits durchgeführte Anpassung anzunehmen.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Die in Small 3.1 eingeführte visuelle Fähigkeit und der Kontext von 128k gehören zur späteren Veröffentlichung; auch die hybriden Modi von Small 4 sollten nicht hierher übertragen werden. Bei einem Bild, einer Audioaufnahme oder einem Video muss der relevante Inhalt vor dieser Textaufgabe durch eine andere Komponente vorbereitet werden.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine separaten maximalen Ausgabekapazitäten. Halte die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche Endartefakt ist die Antwort, der JSON-Datensatz oder vorgeschlagene Code, dessen Bedeutung und Format der ursprünglichen schriftlichen Aufgabe entsprechen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K Token Ausgabe · Ausgabetoken $0.00016 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Token Ausgabe · Ausgabetoken $0.00016 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-small-24b-instruct-2501
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 ist ein Textmodell mit 24 Milliarden Parametern für Dialoganweisungen, strukturierte Extraktion und werkzeuggestützte Anwendungen. Es bietet einen vom Hersteller angegebenen Kontext von 32k, mehrsprachige Antworten, Systemprompt-Unterstützung, JSON und native Funktionsaufrufe in einer eigenständigen reinen Textveröffentlichung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3 Instruct 2501 ist die auf Anweisungen abgestimmte Veröffentlichung von Mistral Small 3 mit 24 Milliarden Parametern. Sie ist aus dem separat benannten Modell Small 24B Base 2501 feinabgestimmt. Der Hersteller positioniert sie für reaktionsschnelle Dialogunterstützung, Funktionsaufrufe und fachspezifische Anpassung mit Text als Eingabe und erzeugtem Ergebnis.
Kernfunktionen und Unterschiede beim Training
Die Modellkarte dokumentiert mehrsprachige Unterstützung, Dialog- und Reasoning-Fähigkeiten, native Funktionsaufrufe, JSON-Ausgabe und Systemprompt-Befolgung. Ihr Kontextfenster beträgt 32k, und sie verwendet einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Die Kontextangabe betrifft den für die Aufgabe bewahrten Text, während die Vokabularangabe die Tokenisierung beschreibt; dies sind unterschiedliche Spezifikationen.
Der Hersteller nennt Sprachen wie Englisch, Französisch, Deutsch, Spanisch, Italienisch, Chinesisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch und Polnisch; Russisch ist ebenfalls in den Sprachmetadaten der veröffentlichten Modellkarte enthalten. Definiere die Zielsprache und die Terminologie, die unverändert bleiben soll. Eine übersetzte Erklärung kann Kennungen, Namen und Einheiten bewahren und zugleich die umgebende Prosa an die Leser anpassen.
Die Veröffentlichungsankündigung hält fest, dass Small 3 weder mit Reinforcement Learning noch mit synthetischen Daten trainiert wurde, und unterscheidet vortrainierte und auf Anweisungen abgestimmte Checkpoints. Sie beschreibt das Modell als weiter anpassbare Grundlage und nicht als hybriden Checkpoint mit den späteren Reasoning-Steuerungen von Small 4. Dieser Eintrag ist die Ausgabe Instruct 2501 zur Befolgung einer Dialogaufgabe.
Dialog- und strukturierte Aufgaben
Stelle für einen Assistenten im Supportstil die Nutzerfrage, relevantes Referenzmaterial und die Antwortregeln bereit. Fordere die Handlung an, die die Frage beantwortet, und die Bedingung, unter der sie gilt. Eine praktische Ausgabe kann eine knappe Antwort von extrahierten Feldern trennen, die die Anwendung für den nächsten Schritt benötigt, statt sie in einer unstrukturierten Erklärung zu vermischen.
Gib für Klassifikation die zulässigen Kategorien und ihre Unterschiede vor. Benenne für Extraktion die Felder, erwarteten Typen und die Darstellung fehlender Informationen. Ein Datensatz könnte die Problemkategorie, eine aus der Nachricht kopierte Kennung und eine kurze Zusammenfassung der gewünschten Handlung enthalten. JSON ordnet das Ergebnis, während Feldentwurf und Interpretationsregeln Teil der vorgegebenen Aufgabe bleiben.
Füge für eine Codeerklärung die Funktion, relevante Deklarationen und eine konkrete Eingabe hinzu. Frage, welcher Pfad durch den Code das Ergebnis bestimmt. Definiere für eine mathematische Erklärung Variablen und Annahmen und benenne den herzuleitenden Ausdruck oder die zu belegende Behauptung. Diese textbasierten Aufgaben können eine Methode, Erklärung und das endgültige Artefakt zurückgeben, ohne anzunehmen, dass das Modell selbst den Code oder eine externe Berechnung ausführt.
Systemanweisungen und empfohlene Einstellungen
Die Modellkarte empfiehlt einen auf den vorgesehenen Assistenten zugeschnittenen Systemprompt und eine relativ niedrige Temperatur wie 0,15. Definiere mit der Systemanweisung Rolle, Stil und Antwortregeln, während die Nutzernachricht das tatsächliche Problem oder Quellenmaterial enthält. Halte zitierte Anweisungen innerhalb eines Dokuments von der Anweisung der Anwendung getrennt, was mit diesem Dokument zu tun ist.
Lege für einen Alltagsassistenten fest, ob das Ergebnis eine kurze Antwort, ein strukturierter Datensatz oder eine längere Erklärung sein soll. Wenn eine Antwort maschinell eingelesen wird, fordere den Datensatz getrennt von optionaler Prosa an. Bewahre in einem wiederholten Dokumentablauf die Quellenkennung neben jedem Ergebnis, damit die Anwendung dem Nutzer das richtige Material zurückgeben kann.
Funktionsaufrufe und Spezialisierung
Das Modell kann eine beschriebene Funktion auswählen und ihre Argumente erzeugen. Die Anwendung führt die Operation aus und gibt das Ergebnis mit dem zugehörigen Werkzeugaufruf zurück; anschließend kann die nächste Antwort diese Informationen nutzen. Das Beispiel der Modellkarte zeigt einen Dialog mit früherem Werkzeugeinsatz und einer anschließenden neuen Frage. Dadurch kann der Assistent Informationen von verbundenen Werkzeugen anfordern, ohne einen vorgeschlagenen Aufruf als abgeschlossene Abfrage zu behandeln.
Beschreibe den Zweck und die Pflichtwerte jeder Funktion klar. Eine Abfrageaufgabe kann die benötigten Informationen benennen und das tatsächliche Werkzeugergebnis an den Dialog zurückgeben; eine Textverarbeitungsfunktion kann eine umgewandelte Passage für die nächste Antwort liefern. Halte die Werkzeugauswahl auf den aktuellen Prozess bezogen und bewahre die Verbindung zwischen vorgeschlagener Operation und ihrem Ergebnis.
Der Hersteller beschreibt außerdem Fine-Tuning zur fachlichen Spezialisierung. Dieser Prozess verändert ein Modell für eine definierte Domäne; das Bereitstellen eines Dokuments in einem Dialog ist dagegen Quellenkonditionierung für diese Aufgabe. Liefere das Domänenmaterial und die Antwortanforderungen, die der jeweilige Assistent benötigt, statt eine bereits durchgeführte Anpassung anzunehmen.
Kontext und inhaltliche Grenzen
Small 3 2501 ist ein reines Textmodell mit einem Kontext von 32k. Die in Small 3.1 eingeführte visuelle Fähigkeit und der Kontext von 128k gehören zur späteren Veröffentlichung; auch die hybriden Modi von Small 4 sollten nicht hierher übertragen werden. Bei einem Bild, einer Audioaufnahme oder einem Video muss der relevante Inhalt vor dieser Textaufgabe durch eine andere Komponente vorbereitet werden.
Die Generierungseinstellungen mit 256 und 512 Tokens in der Modellkarte sind Nutzungsbeispiele und keine separaten maximalen Ausgabekapazitäten. Halte die genaue Identität Instruct 2501, den Tokenizer und das gewünschte Ergebnis ausdrücklich fest. Das nützliche Endartefakt ist die Antwort, der JSON-Datensatz oder vorgeschlagene Code, dessen Bedeutung und Format der ursprünglichen schriftlichen Aufgabe entsprechen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K Token Ausgabe · Ausgabetoken $0.00016 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Token Ausgabe · Ausgabetoken $0.00016 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-small-24b-instruct-2501
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.