Mistral Small 3.2 24B Instruct 2506 ist eine gezielte Aktualisierung von Mistral Small 3.1 24B Instruct 2503. Der Hersteller nennt drei konkrete Änderungen: eine genauere Befolgung präziser Anweisungen, eine Verringerung repetitiver oder unkontrolliert fortgesetzter Antworten und eine robustere Vorlage für Funktionsaufrufe. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell, das Text erzeugt, und ist keine neue Ausgabe für Audio- oder Bilderzeugung.
Änderungen und übernommene Eigenschaften
Die Modellkarte zu 3.2 hält ausdrücklich fest, dass die zentralen Funktionen denen der benannten Veröffentlichung Small 3.1 entsprechen. Dazu gehören visuelle Fähigkeiten, mehrsprachige Arbeit, Systemprompt-Unterstützung, native Funktionsaufrufe, JSON-Ausgabe und ein Kontextfenster von 128k. Die referenzierte Modellkarte zu 3.1 beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verknüpfung stützt die Übernahme dieser Funktionen in 3.2 unter Beibehaltung der Aktualisierung 2506 als eigenständiger Ausgabe.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen erfüllen muss. Gib das Quellenmaterial vor, liste die Ausgaberegeln auf und benenne das zurückzugebende Artefakt. Eine Dokumentextraktion kann bestimmte Felder, Originalkennungen, eine definierte Darstellung fehlender Werte und keinerlei Prosa außerhalb des Datensatzes verlangen. Eine Schreibaufgabe kann eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen und dabei vorgegebene Bedingungen unverändert halten.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und ergänzt keinen neuen Reasoning-Modus. Definiere für eine lange Antwort die erforderlichen Abschnitte und den Zweck jedes Abschnitts, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeuggestützter Dialoge; verwende Dialog- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Die übernommene visuelle Fähigkeit erlaubt die Kombination einer Textfrage mit einem Bild. Stelle eine lesbare Seite, ein Diagramm oder eine schematische Darstellung bereit und benenne das benötigte Detail. Bewahre für einen Diagrammvergleich Achsen, Einheiten und Legende und fordere die Beobachtung an, die jede Schlussfolgerung stützt. Erhalte bei einem Dokumentfeld die Beschriftung und den umgebenden Kontext, damit der zurückgegebene Wert korrekt interpretiert werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengalisch und weitere vom Hersteller genannte Sprachen. Gib die Zielsprache und die Terminologie vor, die unverändert bleiben soll. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten bewahren und zugleich die umgebende Erklärung an die Leser anpassen.
Fordere für eine praktische visuelle Extraktion die Dokumentkennung, Feldbezeichnung, den extrahierten Text und den Bildbereich an, der ihn stützt. Eine Erklärung kann separat folgen, wenn Leser eine Interpretation benötigen. So werden Transkription, strukturierte Felder und Schlussfolgerung des Modells nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte zu 3.2 empfiehlt einen auf den Anwendungsfall zugeschnittenen Systemprompt und eine relativ niedrige Temperatur wie 0,15. Lege Rolle des Assistenten, Antwortregeln und Umgang mit Quellenmaterial ausdrücklich fest. Platziere das tatsächliche Dokument oder den Code bei der Nutzeraufgabe und bewahre die Grenze zwischen Anweisungen zur Antwort und innerhalb der Quelle zitierten Anweisungen.
Funktionsaufrufe benötigen Werkzeugbeschreibungen und Pflichtargumente von der Anwendung. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und gibt ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele umfassen visuelles Schlussfolgern, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann das Modell daher um die Auswahl einer beschriebenen Operation bitten und die tatsächliche Abfrage samt Ergebnis der umgebenden Anwendung überlassen.
Stelle für einen Programmierauftrag die relevante Funktion, die problemaufdeckende Eingabe und das gewünschte Verhalten bereit. Fordere eine vorgeschlagene Korrektur unter Beibehaltung der Originalschnittstelle an und danach Beispiele, die das beabsichtigte Verhalten unterscheiden. Definiere für eine mathematische Aufgabe Variablen und Annahmen und fordere die wichtigen begründeten Schritte sowie einen separaten endgültigen Ausdruck an. Dies sind Anwendungen der übernommenen Programmier- und Reasoning-Fähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein separater Schritt.
Grenzen von Kontext und Ausgabe
Nutze das Fenster von 128k für Quellpassagen, Bilder, Dialog und erwartete Antwort gemeinsam. Ein Vergleich umfangreicher Dokumente kann zusammengehörige Abschnitte bewahren und zugleich eine kurze Befundmatrix zurückgeben. Ein großes konfiguriertes Bildbudget oder ein Generierungswert aus einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist eine Anweisungsaktualisierung mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Reasoning-Veröffentlichung Small 4. Die Herstellerkarte gibt keine separate harte Obergrenze für Ausgabetokens dieses Eintrags an. Bewahre seine genaue Identität 2506 und Formatierung und definiere den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
", "aboutText": "Mistral Small 3.2 24B Instruct 2506 ist eine gezielte Aktualisierung von Mistral Small 3.1 24B Instruct 2503. Der Hersteller nennt drei konkrete Änderungen: eine genauere Befolgung präziser Anweisungen, eine Verringerung repetitiver oder unkontrolliert fortgesetzter Antworten und eine robustere Vorlage für Funktionsaufrufe. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell, das Text erzeugt, und ist keine neue Ausgabe für Audio- oder Bilderzeugung.\n\nÄnderungen und übernommene Eigenschaften\n\nDie Modellkarte zu 3.2 hält ausdrücklich fest, dass die zentralen Funktionen denen der benannten Veröffentlichung Small 3.1 entsprechen. Dazu gehören visuelle Fähigkeiten, mehrsprachige Arbeit, Systemprompt-Unterstützung, native Funktionsaufrufe, JSON-Ausgabe und ein Kontextfenster von 128k. Die referenzierte Modellkarte zu 3.1 beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verknüpfung stützt die Übernahme dieser Funktionen in 3.2 unter Beibehaltung der Aktualisierung 2506 als eigenständiger Ausgabe.\n\nDer Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen erfüllen muss. Gib das Quellenmaterial vor, liste die Ausgaberegeln auf und benenne das zurückzugebende Artefakt. Eine Dokumentextraktion kann bestimmte Felder, Originalkennungen, eine definierte Darstellung fehlender Werte und keinerlei Prosa außerhalb des Datensatzes verlangen. Eine Schreibaufgabe kann eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen und dabei vorgegebene Bedingungen unverändert halten.\n\nDie Änderung bei Wiederholungen betrifft das Generierungsverhalten und ergänzt keinen neuen Reasoning-Modus. Definiere für eine lange Antwort die erforderlichen Abschnitte und den Zweck jedes Abschnitts, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeuggestützter Dialoge; verwende Dialog- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.\n\nVisuelle und mehrsprachige Aufgaben\n\nDie übernommene visuelle Fähigkeit erlaubt die Kombination einer Textfrage mit einem Bild. Stelle eine lesbare Seite, ein Diagramm oder eine schematische Darstellung bereit und benenne das benötigte Detail. Bewahre für einen Diagrammvergleich Achsen, Einheiten und Legende und fordere die Beobachtung an, die jede Schlussfolgerung stützt. Erhalte bei einem Dokumentfeld die Beschriftung und den umgebenden Kontext, damit der zurückgegebene Wert korrekt interpretiert werden kann.\n\nDie dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengalisch und weitere vom Hersteller genannte Sprachen. Gib die Zielsprache und die Terminologie vor, die unverändert bleiben soll. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten bewahren und zugleich die umgebende Erklärung an die Leser anpassen.\n\nFordere für eine praktische visuelle Extraktion die Dokumentkennung, Feldbezeichnung, den extrahierten Text und den Bildbereich an, der ihn stützt. Eine Erklärung kann separat folgen, wenn Leser eine Interpretation benötigen. So werden Transkription, strukturierte Felder und Schlussfolgerung des Modells nicht zu einem ununterscheidbaren Ergebnis.\n\nSystemanweisungen und Werkzeuge\n\nDie Modellkarte zu 3.2 empfiehlt einen auf den Anwendungsfall zugeschnittenen Systemprompt und eine relativ niedrige Temperatur wie 0,15. Lege Rolle des Assistenten, Antwortregeln und Umgang mit Quellenmaterial ausdrücklich fest. Platziere das tatsächliche Dokument oder den Code bei der Nutzeraufgabe und bewahre die Grenze zwischen Anweisungen zur Antwort und innerhalb der Quelle zitierten Anweisungen.\n\nFunktionsaufrufe benötigen Werkzeugbeschreibungen und Pflichtargumente von der Anwendung. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und gibt ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele umfassen visuelles Schlussfolgern, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann das Modell daher um die Auswahl einer beschriebenen Operation bitten und die tatsächliche Abfrage samt Ergebnis der umgebenden Anwendung überlassen.\n\nStelle für einen Programmierauftrag die relevante Funktion, die problemaufdeckende Eingabe und das gewünschte Verhalten bereit. Fordere eine vorgeschlagene Korrektur unter Beibehaltung der Originalschnittstelle an und danach Beispiele, die das beabsichtigte Verhalten unterscheiden. Definiere für eine mathematische Aufgabe Variablen und Annahmen und fordere die wichtigen begründeten Schritte sowie einen separaten endgültigen Ausdruck an. Dies sind Anwendungen der übernommenen Programmier- und Reasoning-Fähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein separater Schritt.\n\nGrenzen von Kontext und Ausgabe\n\nNutze das Fenster von 128k für Quellpassagen, Bilder, Dialog und erwartete Antwort gemeinsam. Ein Vergleich umfangreicher Dokumente kann zusammengehörige Abschnitte bewahren und zugleich eine kurze Befundmatrix zurückgeben. Ein großes konfiguriertes Bildbudget oder ein Generierungswert aus einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.\n\nSmall 3.2 ist eine Anweisungsaktualisierung mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Reasoning-Veröffentlichung Small 4. Die Herstellerkarte gibt keine separate harte Obergrenze für Ausgabetokens dieses Eintrags an. Bewahre seine genaue Identität 2506 und Formatierung und definiere den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract exactly the requested fields\n\nRead this note: 'Service case C-52. Customer: Dana Lee. Device: Lamp Mini. Reported problem: switches off after ten minutes.' Return exactly four labelled lines, in this order: Case ID, Device, Problem, Purchase date. Use unknown for missing information. Omit the customer's name and all introductory or closing prose.Exactly four labelled lines containing source-derived values or unknown, in the requested order.Purchase date is unknown, Dana Lee is omitted, and there are no extra lines.mistralai/mistral-small-3.2-24b-instructMistral Small 3.2 24B Instruct ist ein Text- und Bildmodell für Anweisungsaufgaben mit einem vom Hersteller angegebenen Kontext von 128k. Seine Aktualisierung 2506 verbessert gezielt die präzise Anweisungsbefolgung, reduziert Wiederholungen und stärkt die Vorlage für Funktionsaufrufe, während die Kernfunktionen von Small 3.1 erhalten bleiben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.2 24B Instruct 2506 ist eine gezielte Aktualisierung von Mistral Small 3.1 24B Instruct 2503. Der Hersteller nennt drei konkrete Änderungen: eine genauere Befolgung präziser Anweisungen, eine Verringerung repetitiver oder unkontrolliert fortgesetzter Antworten und eine robustere Vorlage für Funktionsaufrufe. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell, das Text erzeugt, und ist keine neue Ausgabe für Audio- oder Bilderzeugung.
Änderungen und übernommene Eigenschaften
Die Modellkarte zu 3.2 hält ausdrücklich fest, dass die zentralen Funktionen denen der benannten Veröffentlichung Small 3.1 entsprechen. Dazu gehören visuelle Fähigkeiten, mehrsprachige Arbeit, Systemprompt-Unterstützung, native Funktionsaufrufe, JSON-Ausgabe und ein Kontextfenster von 128k. Die referenzierte Modellkarte zu 3.1 beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verknüpfung stützt die Übernahme dieser Funktionen in 3.2 unter Beibehaltung der Aktualisierung 2506 als eigenständiger Ausgabe.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen erfüllen muss. Gib das Quellenmaterial vor, liste die Ausgaberegeln auf und benenne das zurückzugebende Artefakt. Eine Dokumentextraktion kann bestimmte Felder, Originalkennungen, eine definierte Darstellung fehlender Werte und keinerlei Prosa außerhalb des Datensatzes verlangen. Eine Schreibaufgabe kann eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen und dabei vorgegebene Bedingungen unverändert halten.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und ergänzt keinen neuen Reasoning-Modus. Definiere für eine lange Antwort die erforderlichen Abschnitte und den Zweck jedes Abschnitts, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeuggestützter Dialoge; verwende Dialog- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Die übernommene visuelle Fähigkeit erlaubt die Kombination einer Textfrage mit einem Bild. Stelle eine lesbare Seite, ein Diagramm oder eine schematische Darstellung bereit und benenne das benötigte Detail. Bewahre für einen Diagrammvergleich Achsen, Einheiten und Legende und fordere die Beobachtung an, die jede Schlussfolgerung stützt. Erhalte bei einem Dokumentfeld die Beschriftung und den umgebenden Kontext, damit der zurückgegebene Wert korrekt interpretiert werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengalisch und weitere vom Hersteller genannte Sprachen. Gib die Zielsprache und die Terminologie vor, die unverändert bleiben soll. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten bewahren und zugleich die umgebende Erklärung an die Leser anpassen.
Fordere für eine praktische visuelle Extraktion die Dokumentkennung, Feldbezeichnung, den extrahierten Text und den Bildbereich an, der ihn stützt. Eine Erklärung kann separat folgen, wenn Leser eine Interpretation benötigen. So werden Transkription, strukturierte Felder und Schlussfolgerung des Modells nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte zu 3.2 empfiehlt einen auf den Anwendungsfall zugeschnittenen Systemprompt und eine relativ niedrige Temperatur wie 0,15. Lege Rolle des Assistenten, Antwortregeln und Umgang mit Quellenmaterial ausdrücklich fest. Platziere das tatsächliche Dokument oder den Code bei der Nutzeraufgabe und bewahre die Grenze zwischen Anweisungen zur Antwort und innerhalb der Quelle zitierten Anweisungen.
Funktionsaufrufe benötigen Werkzeugbeschreibungen und Pflichtargumente von der Anwendung. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und gibt ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele umfassen visuelles Schlussfolgern, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann das Modell daher um die Auswahl einer beschriebenen Operation bitten und die tatsächliche Abfrage samt Ergebnis der umgebenden Anwendung überlassen.
Stelle für einen Programmierauftrag die relevante Funktion, die problemaufdeckende Eingabe und das gewünschte Verhalten bereit. Fordere eine vorgeschlagene Korrektur unter Beibehaltung der Originalschnittstelle an und danach Beispiele, die das beabsichtigte Verhalten unterscheiden. Definiere für eine mathematische Aufgabe Variablen und Annahmen und fordere die wichtigen begründeten Schritte sowie einen separaten endgültigen Ausdruck an. Dies sind Anwendungen der übernommenen Programmier- und Reasoning-Fähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein separater Schritt.
Grenzen von Kontext und Ausgabe
Nutze das Fenster von 128k für Quellpassagen, Bilder, Dialog und erwartete Antwort gemeinsam. Ein Vergleich umfangreicher Dokumente kann zusammengehörige Abschnitte bewahren und zugleich eine kurze Befundmatrix zurückgeben. Ein großes konfiguriertes Bildbudget oder ein Generierungswert aus einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist eine Anweisungsaktualisierung mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Reasoning-Veröffentlichung Small 4. Die Herstellerkarte gibt keine separate harte Obergrenze für Ausgabetokens dieses Eintrags an. Bewahre seine genaue Identität 2506 und Formatierung und definiere den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.2-24b-instruct | 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0006 / 1K Token Eingabe · Cache-Lesen $0.00002 / 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0006 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-3.2-24b-instruct", "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-3.2-24b-instruct',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-3.2-24b-instruct',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-3.2-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-small-3.2-24b-instructMistral Small 3.2 24B Instruct ist ein Text- und Bildmodell für Anweisungsaufgaben mit einem vom Hersteller angegebenen Kontext von 128k. Seine Aktualisierung 2506 verbessert gezielt die präzise Anweisungsbefolgung, reduziert Wiederholungen und stärkt die Vorlage für Funktionsaufrufe, während die Kernfunktionen von Small 3.1 erhalten bleiben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Small 3.2 24B Instruct 2506 ist eine gezielte Aktualisierung von Mistral Small 3.1 24B Instruct 2503. Der Hersteller nennt drei konkrete Änderungen: eine genauere Befolgung präziser Anweisungen, eine Verringerung repetitiver oder unkontrolliert fortgesetzter Antworten und eine robustere Vorlage für Funktionsaufrufe. Das Modell bleibt ein auf Anweisungen abgestimmtes Text- und Bildmodell, das Text erzeugt, und ist keine neue Ausgabe für Audio- oder Bilderzeugung.
Änderungen und übernommene Eigenschaften
Die Modellkarte zu 3.2 hält ausdrücklich fest, dass die zentralen Funktionen denen der benannten Veröffentlichung Small 3.1 entsprechen. Dazu gehören visuelle Fähigkeiten, mehrsprachige Arbeit, Systemprompt-Unterstützung, native Funktionsaufrufe, JSON-Ausgabe und ein Kontextfenster von 128k. Die referenzierte Modellkarte zu 3.1 beschreibt ein Modell mit 24 Milliarden Parametern und einen Tekken-Tokenizer mit einem als 131k bezeichneten Vokabular. Diese dokumentierte Verknüpfung stützt die Übernahme dieser Funktionen in 3.2 unter Beibehaltung der Aktualisierung 2506 als eigenständiger Ausgabe.
Der Schwerpunkt auf Anweisungsbefolgung ist wichtig, wenn das Ergebnis mehrere genaue Anforderungen erfüllen muss. Gib das Quellenmaterial vor, liste die Ausgaberegeln auf und benenne das zurückzugebende Artefakt. Eine Dokumentextraktion kann bestimmte Felder, Originalkennungen, eine definierte Darstellung fehlender Werte und keinerlei Prosa außerhalb des Datensatzes verlangen. Eine Schreibaufgabe kann eine bestimmte Zielgruppe und Abschnittsreihenfolge verlangen und dabei vorgegebene Bedingungen unverändert halten.
Die Änderung bei Wiederholungen betrifft das Generierungsverhalten und ergänzt keinen neuen Reasoning-Modus. Definiere für eine lange Antwort die erforderlichen Abschnitte und den Zweck jedes Abschnitts, damit die Anfrage einen klaren Endpunkt hat. Die Änderung der Funktionsvorlage betrifft die Darstellung werkzeuggestützter Dialoge; verwende Dialog- und Tokenizer-Einstellungen der passenden Ausgabe, statt ein älteres Formatierungsbeispiel als austauschbar zu behandeln.
Visuelle und mehrsprachige Aufgaben
Die übernommene visuelle Fähigkeit erlaubt die Kombination einer Textfrage mit einem Bild. Stelle eine lesbare Seite, ein Diagramm oder eine schematische Darstellung bereit und benenne das benötigte Detail. Bewahre für einen Diagrammvergleich Achsen, Einheiten und Legende und fordere die Beobachtung an, die jede Schlussfolgerung stützt. Erhalte bei einem Dokumentfeld die Beschriftung und den umgebenden Kontext, damit der zurückgegebene Wert korrekt interpretiert werden kann.
Die dokumentierte Sprachabdeckung umfasst Russisch, Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch, Farsi, Hindi, Bengalisch und weitere vom Hersteller genannte Sprachen. Gib die Zielsprache und die Terminologie vor, die unverändert bleiben soll. Eine zweisprachige Dokumentaufgabe kann Kennungen und Einheiten bewahren und zugleich die umgebende Erklärung an die Leser anpassen.
Fordere für eine praktische visuelle Extraktion die Dokumentkennung, Feldbezeichnung, den extrahierten Text und den Bildbereich an, der ihn stützt. Eine Erklärung kann separat folgen, wenn Leser eine Interpretation benötigen. So werden Transkription, strukturierte Felder und Schlussfolgerung des Modells nicht zu einem ununterscheidbaren Ergebnis.
Systemanweisungen und Werkzeuge
Die Modellkarte zu 3.2 empfiehlt einen auf den Anwendungsfall zugeschnittenen Systemprompt und eine relativ niedrige Temperatur wie 0,15. Lege Rolle des Assistenten, Antwortregeln und Umgang mit Quellenmaterial ausdrücklich fest. Platziere das tatsächliche Dokument oder den Code bei der Nutzeraufgabe und bewahre die Grenze zwischen Anweisungen zur Antwort und innerhalb der Quelle zitierten Anweisungen.
Funktionsaufrufe benötigen Werkzeugbeschreibungen und Pflichtargumente von der Anwendung. Das Modell bereitet einen Aufruf vor, die Anwendung führt die Funktion aus und gibt ihr Ergebnis zurück, und die nächste Antwort verwendet diese Informationen. Die veröffentlichten Beispiele umfassen visuelles Schlussfolgern, Werkzeugaufrufe und reine Textanweisungen. Eine Abfrageaufgabe kann das Modell daher um die Auswahl einer beschriebenen Operation bitten und die tatsächliche Abfrage samt Ergebnis der umgebenden Anwendung überlassen.
Stelle für einen Programmierauftrag die relevante Funktion, die problemaufdeckende Eingabe und das gewünschte Verhalten bereit. Fordere eine vorgeschlagene Korrektur unter Beibehaltung der Originalschnittstelle an und danach Beispiele, die das beabsichtigte Verhalten unterscheiden. Definiere für eine mathematische Aufgabe Variablen und Annahmen und fordere die wichtigen begründeten Schritte sowie einen separaten endgültigen Ausdruck an. Dies sind Anwendungen der übernommenen Programmier- und Reasoning-Fähigkeiten; die Ausführung vorgeschlagenen Codes bleibt ein separater Schritt.
Grenzen von Kontext und Ausgabe
Nutze das Fenster von 128k für Quellpassagen, Bilder, Dialog und erwartete Antwort gemeinsam. Ein Vergleich umfangreicher Dokumente kann zusammengehörige Abschnitte bewahren und zugleich eine kurze Befundmatrix zurückgeben. Ein großes konfiguriertes Bildbudget oder ein Generierungswert aus einem Bereitstellungsbeispiel ist keine unabhängig angegebene maximale Modellkapazität.
Small 3.2 ist eine Anweisungsaktualisierung mit dokumentierter visueller Eingabe und weder das reine Textmodell Small 3 2501 noch die hybride Reasoning-Veröffentlichung Small 4. Die Herstellerkarte gibt keine separate harte Obergrenze für Ausgabetokens dieses Eintrags an. Bewahre seine genaue Identität 2506 und Formatierung und definiere den strukturierten Datensatz, die Erklärung oder den Codevorschlag, den der nächste Schritt benötigt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-small-3.2-24b-instruct | 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0006 / 1K Token Eingabe · Cache-Lesen $0.00002 / 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0006 / 1K Token Eingabe · Cache-Lesen $0.00002 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-small-3.2-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.2-24b-instruct', '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-3.2-24b-instruct', '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-3.2-24b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract exactly the requested fields\n\nRead this note: 'Service case C-52. Customer: Dana Lee. Device: Lamp Mini. Reported problem: switches off after ten minutes.' Return exactly four labelled lines, in this order: Case ID, Device, Problem, Purchase date. Use unknown for missing information. Omit the customer's name and all introductory or closing prose.Exactly four labelled lines containing source-derived values or unknown, in the requested order.Purchase date is unknown, Dana Lee is omitted, and there are no extra lines.