Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Vereinigung der Familien Instruct, Magistral für Reasoning und Devstral für Programmierung. Es verarbeitet Text und Bilder und gibt Text zurück; Funktionsaufrufe und JSON-Ausgabe stehen für werkzeuggestützte Anwendungen bereit.
Architektur und zentrale Funktionen
Die Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert pro Token 6,5 Milliarden. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktive, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die Zahl aktiver Parameter und Experten beschreibt die Organisation des Modells; sie ist von der Menge des Text- oder Bildinhalts in einer Aufgabe getrennt.
Das Modell bietet Anweisungs- und Reasoning-Funktionen im selben Checkpoint. Der Hersteller nennt außerdem visuelle Fähigkeiten, Systemprompt-Befolgung und mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden; die Antwort wird als Text zurückgegeben.
Eine visuelle Aufgabe kann eine Dokumentseite bereitstellen und die für eine benannte Bedingung relevanten Werte anfordern. Halte Bezeichnungen und Einheiten lesbar und lege fest, ob das Ergebnis den Originalwortlaut bewahren, zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Nutzerziel verbinden und das relevante sichtbare Bedienelement sowie die Belege für einen vorgeschlagenen nächsten Schritt anfordern.
Anweisungs- oder Reasoning-Modus wählen
Die veröffentlichte Modellkarte dokumentiert den Reasoning-Aufwand none für eine unmittelbare anweisungsbasierte Antwort und high für Schlussfolgern; high wird für komplexe Prompts empfohlen. Die Wahl erfolgt pro Anfrage innerhalb desselben Modells Small 4. Eine gewöhnliche Klassifikation oder kurze Neufassung kann einen anderen Antwortvertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausführliche Erklärung benötigt.
Der Hersteller empfiehlt temperature 0.7 für hohen Reasoning-Aufwand. Für none gibt er aufgabenabhängige Temperaturen zwischen 0.0 und 0.7 an. Diese Einstellungen beschreiben die dokumentierten Modi und machen aus dem Reasoning-Aufwand keine Garantie für ein korrektes Ergebnis. Definiere Annahmen, Ausgabeform und relevantes Quellenmaterial, bevor du wählst, wie viel Schlussfolgern die Aufgabe benötigt.
Stelle für eine ausgearbeitete Problemlösung die vollständige Bedingung bereit und fordere die wichtigen begründeten Schritte mit anschließendem endgültigem Ausdruck an. Gib für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe vor; fordere die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen an. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Berechnungswerkzeug und visuelles Schlussfolgern und zeigen, wie Text und visuelle Belege in diese unterschiedlichen Aufgaben einfließen können.
Programmierung, Dokumente und Werkzeuge
Das Modell ist für Codebasis-Erkundung und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Ein Auftrag an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stelle den relevanten Quellcode und Fehlerbelege bereit. Das Modell kann die nächste Operation oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldung bereitstellt.
Benenne für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und offene Frage trennen. Die Dienstkarte des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und Fragen zu Dokumenten; Letztere verwenden Dokumentverarbeitung und OCR zur Vorbereitung von Text und Struktur vor der Sprachmodellanalyse. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten ihre eigene Eingabevorbereitung bewahren.
Funktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erzeugt Argumente; die Anwendung führt die Operation aus und gibt ihr Ergebnis für die anschließende Antwort zurück. Dieselbe Logik gilt für Abfragen, Berechnungen und Programmieroperationen. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Handlung anfordert; beide sollten nicht als austauschbare Ergebnisse behandelt werden.
Die Dienstkarte nennt außerdem vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Gib die Änderung und das zu bewahrende Material vor. Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Einreichung von Arbeit und keinen zusätzlichen Reasoning-Modus betrifft.
Grenzen von Kontext und Ausgabe
Plane die schriftliche Aufgabe, visuelles Material, Dialog und gewünschte Antwort um den dokumentierten Kontext von 256k herum. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262.144 Tokens, während sein Generierungsbeispiel mit 1.024 Tokens keine separate maximale Ausgabekapazität ist. Die gelesenen Quellen geben keine unabhängige harte Antwortlängengrenze an, die anstelle der gewählten Aufgabenlänge eingesetzt werden könnte.
Small 4 besitzt seine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die eigenständigen Ausgaben Instruct und Reasoning von Ministral 3 übernehmen. Der Hersteller veröffentlicht außerdem eigenständige quantisierte Artefakte und Artefakte für spekulatives Decoding; dies sind separate Bereitstellungsartefakte und keine unterschiedlichen Inhaltsmodalitäten. Bewahre die benannte Veröffentlichung Small 4 und den für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis angeforderten Modus.
", "aboutText": "Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Vereinigung der Familien Instruct, Magistral für Reasoning und Devstral für Programmierung. Es verarbeitet Text und Bilder und gibt Text zurück; Funktionsaufrufe und JSON-Ausgabe stehen für werkzeuggestützte Anwendungen bereit.\n\nArchitektur und zentrale Funktionen\n\nDie Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert pro Token 6,5 Milliarden. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktive, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die Zahl aktiver Parameter und Experten beschreibt die Organisation des Modells; sie ist von der Menge des Text- oder Bildinhalts in einer Aufgabe getrennt.\n\nDas Modell bietet Anweisungs- und Reasoning-Funktionen im selben Checkpoint. Der Hersteller nennt außerdem visuelle Fähigkeiten, Systemprompt-Befolgung und mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden; die Antwort wird als Text zurückgegeben.\n\nEine visuelle Aufgabe kann eine Dokumentseite bereitstellen und die für eine benannte Bedingung relevanten Werte anfordern. Halte Bezeichnungen und Einheiten lesbar und lege fest, ob das Ergebnis den Originalwortlaut bewahren, zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Nutzerziel verbinden und das relevante sichtbare Bedienelement sowie die Belege für einen vorgeschlagenen nächsten Schritt anfordern.\n\nAnweisungs- oder Reasoning-Modus wählen\n\nDie veröffentlichte Modellkarte dokumentiert den Reasoning-Aufwand none für eine unmittelbare anweisungsbasierte Antwort und high für Schlussfolgern; high wird für komplexe Prompts empfohlen. Die Wahl erfolgt pro Anfrage innerhalb desselben Modells Small 4. Eine gewöhnliche Klassifikation oder kurze Neufassung kann einen anderen Antwortvertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausführliche Erklärung benötigt.\n\nDer Hersteller empfiehlt temperature 0.7 für hohen Reasoning-Aufwand. Für none gibt er aufgabenabhängige Temperaturen zwischen 0.0 und 0.7 an. Diese Einstellungen beschreiben die dokumentierten Modi und machen aus dem Reasoning-Aufwand keine Garantie für ein korrektes Ergebnis. Definiere Annahmen, Ausgabeform und relevantes Quellenmaterial, bevor du wählst, wie viel Schlussfolgern die Aufgabe benötigt.\n\nStelle für eine ausgearbeitete Problemlösung die vollständige Bedingung bereit und fordere die wichtigen begründeten Schritte mit anschließendem endgültigem Ausdruck an. Gib für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe vor; fordere die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen an. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Berechnungswerkzeug und visuelles Schlussfolgern und zeigen, wie Text und visuelle Belege in diese unterschiedlichen Aufgaben einfließen können.\n\nProgrammierung, Dokumente und Werkzeuge\n\nDas Modell ist für Codebasis-Erkundung und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Ein Auftrag an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stelle den relevanten Quellcode und Fehlerbelege bereit. Das Modell kann die nächste Operation oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldung bereitstellt.\n\nBenenne für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und offene Frage trennen. Die Dienstkarte des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und Fragen zu Dokumenten; Letztere verwenden Dokumentverarbeitung und OCR zur Vorbereitung von Text und Struktur vor der Sprachmodellanalyse. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten ihre eigene Eingabevorbereitung bewahren.\n\nFunktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erzeugt Argumente; die Anwendung führt die Operation aus und gibt ihr Ergebnis für die anschließende Antwort zurück. Dieselbe Logik gilt für Abfragen, Berechnungen und Programmieroperationen. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Handlung anfordert; beide sollten nicht als austauschbare Ergebnisse behandelt werden.\n\nDie Dienstkarte nennt außerdem vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Gib die Änderung und das zu bewahrende Material vor. Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Einreichung von Arbeit und keinen zusätzlichen Reasoning-Modus betrifft.\n\nGrenzen von Kontext und Ausgabe\n\nPlane die schriftliche Aufgabe, visuelles Material, Dialog und gewünschte Antwort um den dokumentierten Kontext von 256k herum. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262.144 Tokens, während sein Generierungsbeispiel mit 1.024 Tokens keine separate maximale Ausgabekapazität ist. Die gelesenen Quellen geben keine unabhängige harte Antwortlängengrenze an, die anstelle der gewählten Aufgabenlänge eingesetzt werden könnte.\n\nSmall 4 besitzt seine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die eigenständigen Ausgaben Instruct und Reasoning von Ministral 3 übernehmen. Der Hersteller veröffentlicht außerdem eigenständige quantisierte Artefakte und Artefakte für spekulatives Decoding; dies sind separate Bereitstellungsartefakte und keine unterschiedlichen Inhaltsmodalitäten. Bewahre die benannte Veröffentlichung Small 4 und den für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis angeforderten Modus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 ist ein hybrides Text- und Bildmodell mit Anweisungs-, Reasoning- und Programmierfähigkeiten. Seine Mixture-of-Experts-Veröffentlichung mit 119 Milliarden Parametern aktiviert 6,5 Milliarden Parameter pro Token und unterstützt einen vom Hersteller angegebenen Kontext von 256k, wählbaren Reasoning-Aufwand, JSON und Funktionsaufrufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Vereinigung der Familien Instruct, Magistral für Reasoning und Devstral für Programmierung. Es verarbeitet Text und Bilder und gibt Text zurück; Funktionsaufrufe und JSON-Ausgabe stehen für werkzeuggestützte Anwendungen bereit.
Architektur und zentrale Funktionen
Die Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert pro Token 6,5 Milliarden. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktive, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die Zahl aktiver Parameter und Experten beschreibt die Organisation des Modells; sie ist von der Menge des Text- oder Bildinhalts in einer Aufgabe getrennt.
Das Modell bietet Anweisungs- und Reasoning-Funktionen im selben Checkpoint. Der Hersteller nennt außerdem visuelle Fähigkeiten, Systemprompt-Befolgung und mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden; die Antwort wird als Text zurückgegeben.
Eine visuelle Aufgabe kann eine Dokumentseite bereitstellen und die für eine benannte Bedingung relevanten Werte anfordern. Halte Bezeichnungen und Einheiten lesbar und lege fest, ob das Ergebnis den Originalwortlaut bewahren, zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Nutzerziel verbinden und das relevante sichtbare Bedienelement sowie die Belege für einen vorgeschlagenen nächsten Schritt anfordern.
Anweisungs- oder Reasoning-Modus wählen
Die veröffentlichte Modellkarte dokumentiert den Reasoning-Aufwand none für eine unmittelbare anweisungsbasierte Antwort und high für Schlussfolgern; high wird für komplexe Prompts empfohlen. Die Wahl erfolgt pro Anfrage innerhalb desselben Modells Small 4. Eine gewöhnliche Klassifikation oder kurze Neufassung kann einen anderen Antwortvertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausführliche Erklärung benötigt.
Der Hersteller empfiehlt temperature 0.7 für hohen Reasoning-Aufwand. Für none gibt er aufgabenabhängige Temperaturen zwischen 0.0 und 0.7 an. Diese Einstellungen beschreiben die dokumentierten Modi und machen aus dem Reasoning-Aufwand keine Garantie für ein korrektes Ergebnis. Definiere Annahmen, Ausgabeform und relevantes Quellenmaterial, bevor du wählst, wie viel Schlussfolgern die Aufgabe benötigt.
Stelle für eine ausgearbeitete Problemlösung die vollständige Bedingung bereit und fordere die wichtigen begründeten Schritte mit anschließendem endgültigem Ausdruck an. Gib für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe vor; fordere die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen an. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Berechnungswerkzeug und visuelles Schlussfolgern und zeigen, wie Text und visuelle Belege in diese unterschiedlichen Aufgaben einfließen können.
Programmierung, Dokumente und Werkzeuge
Das Modell ist für Codebasis-Erkundung und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Ein Auftrag an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stelle den relevanten Quellcode und Fehlerbelege bereit. Das Modell kann die nächste Operation oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldung bereitstellt.
Benenne für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und offene Frage trennen. Die Dienstkarte des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und Fragen zu Dokumenten; Letztere verwenden Dokumentverarbeitung und OCR zur Vorbereitung von Text und Struktur vor der Sprachmodellanalyse. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten ihre eigene Eingabevorbereitung bewahren.
Funktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erzeugt Argumente; die Anwendung führt die Operation aus und gibt ihr Ergebnis für die anschließende Antwort zurück. Dieselbe Logik gilt für Abfragen, Berechnungen und Programmieroperationen. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Handlung anfordert; beide sollten nicht als austauschbare Ergebnisse behandelt werden.
Die Dienstkarte nennt außerdem vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Gib die Änderung und das zu bewahrende Material vor. Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Einreichung von Arbeit und keinen zusätzlichen Reasoning-Modus betrifft.
Grenzen von Kontext und Ausgabe
Plane die schriftliche Aufgabe, visuelles Material, Dialog und gewünschte Antwort um den dokumentierten Kontext von 256k herum. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262.144 Tokens, während sein Generierungsbeispiel mit 1.024 Tokens keine separate maximale Ausgabekapazität ist. Die gelesenen Quellen geben keine unabhängige harte Antwortlängengrenze an, die anstelle der gewählten Aufgabenlänge eingesetzt werden könnte.
Small 4 besitzt seine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die eigenständigen Ausgaben Instruct und Reasoning von Ministral 3 übernehmen. Der Hersteller veröffentlicht außerdem eigenständige quantisierte Artefakte und Artefakte für spekulatives Decoding; dies sind separate Bereitstellungsartefakte und keine unterschiedlichen Inhaltsmodalitäten. Bewahre die benannte Veröffentlichung Small 4 und den für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis angeforderten Modus.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-2603 | 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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0.00003 / 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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0.00003 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-2603", "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-2603',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-2603',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-2603
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-2603Mistral Small 4 ist ein hybrides Text- und Bildmodell mit Anweisungs-, Reasoning- und Programmierfähigkeiten. Seine Mixture-of-Experts-Veröffentlichung mit 119 Milliarden Parametern aktiviert 6,5 Milliarden Parameter pro Token und unterstützt einen vom Hersteller angegebenen Kontext von 256k, wählbaren Reasoning-Aufwand, JSON und Funktionsaufrufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Vereinigung der Familien Instruct, Magistral für Reasoning und Devstral für Programmierung. Es verarbeitet Text und Bilder und gibt Text zurück; Funktionsaufrufe und JSON-Ausgabe stehen für werkzeuggestützte Anwendungen bereit.
Architektur und zentrale Funktionen
Die Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert pro Token 6,5 Milliarden. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktive, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die Zahl aktiver Parameter und Experten beschreibt die Organisation des Modells; sie ist von der Menge des Text- oder Bildinhalts in einer Aufgabe getrennt.
Das Modell bietet Anweisungs- und Reasoning-Funktionen im selben Checkpoint. Der Hersteller nennt außerdem visuelle Fähigkeiten, Systemprompt-Befolgung und mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden; die Antwort wird als Text zurückgegeben.
Eine visuelle Aufgabe kann eine Dokumentseite bereitstellen und die für eine benannte Bedingung relevanten Werte anfordern. Halte Bezeichnungen und Einheiten lesbar und lege fest, ob das Ergebnis den Originalwortlaut bewahren, zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Nutzerziel verbinden und das relevante sichtbare Bedienelement sowie die Belege für einen vorgeschlagenen nächsten Schritt anfordern.
Anweisungs- oder Reasoning-Modus wählen
Die veröffentlichte Modellkarte dokumentiert den Reasoning-Aufwand none für eine unmittelbare anweisungsbasierte Antwort und high für Schlussfolgern; high wird für komplexe Prompts empfohlen. Die Wahl erfolgt pro Anfrage innerhalb desselben Modells Small 4. Eine gewöhnliche Klassifikation oder kurze Neufassung kann einen anderen Antwortvertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausführliche Erklärung benötigt.
Der Hersteller empfiehlt temperature 0.7 für hohen Reasoning-Aufwand. Für none gibt er aufgabenabhängige Temperaturen zwischen 0.0 und 0.7 an. Diese Einstellungen beschreiben die dokumentierten Modi und machen aus dem Reasoning-Aufwand keine Garantie für ein korrektes Ergebnis. Definiere Annahmen, Ausgabeform und relevantes Quellenmaterial, bevor du wählst, wie viel Schlussfolgern die Aufgabe benötigt.
Stelle für eine ausgearbeitete Problemlösung die vollständige Bedingung bereit und fordere die wichtigen begründeten Schritte mit anschließendem endgültigem Ausdruck an. Gib für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe vor; fordere die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen an. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Berechnungswerkzeug und visuelles Schlussfolgern und zeigen, wie Text und visuelle Belege in diese unterschiedlichen Aufgaben einfließen können.
Programmierung, Dokumente und Werkzeuge
Das Modell ist für Codebasis-Erkundung und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Ein Auftrag an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stelle den relevanten Quellcode und Fehlerbelege bereit. Das Modell kann die nächste Operation oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldung bereitstellt.
Benenne für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und offene Frage trennen. Die Dienstkarte des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und Fragen zu Dokumenten; Letztere verwenden Dokumentverarbeitung und OCR zur Vorbereitung von Text und Struktur vor der Sprachmodellanalyse. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten ihre eigene Eingabevorbereitung bewahren.
Funktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erzeugt Argumente; die Anwendung führt die Operation aus und gibt ihr Ergebnis für die anschließende Antwort zurück. Dieselbe Logik gilt für Abfragen, Berechnungen und Programmieroperationen. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Handlung anfordert; beide sollten nicht als austauschbare Ergebnisse behandelt werden.
Die Dienstkarte nennt außerdem vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Gib die Änderung und das zu bewahrende Material vor. Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Einreichung von Arbeit und keinen zusätzlichen Reasoning-Modus betrifft.
Grenzen von Kontext und Ausgabe
Plane die schriftliche Aufgabe, visuelles Material, Dialog und gewünschte Antwort um den dokumentierten Kontext von 256k herum. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262.144 Tokens, während sein Generierungsbeispiel mit 1.024 Tokens keine separate maximale Ausgabekapazität ist. Die gelesenen Quellen geben keine unabhängige harte Antwortlängengrenze an, die anstelle der gewählten Aufgabenlänge eingesetzt werden könnte.
Small 4 besitzt seine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die eigenständigen Ausgaben Instruct und Reasoning von Ministral 3 übernehmen. Der Hersteller veröffentlicht außerdem eigenständige quantisierte Artefakte und Artefakte für spekulatives Decoding; dies sind separate Bereitstellungsartefakte und keine unterschiedlichen Inhaltsmodalitäten. Bewahre die benannte Veröffentlichung Small 4 und den für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis angeforderten Modus.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-2603 | 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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0.00003 / 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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0.00003 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2603', '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-2603', '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-2603
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.