Mistral Small 3.1 24B Instruct 2503 parte de Small 3 2501, agrega comprensión visual y amplía el soporte de contexto largo a 128k tokens. Tiene 24,000 millones de parámetros y se ajusta para instrucciones a partir de la versión Small 3.1 Base con nombre independiente. El modelo acepta texto e imágenes y produce texto, como una explicación, código o un registro estructurado.
Capacidades principales
La visión permite al modelo analizar material visible junto con la pregunta del usuario. Una imagen documental puede proporcionar el campo o la declaración que se debe revisar, un diagrama puede aportar la relación por explicar y una gráfica puede ofrecer los datos de una comparación. Mantén legibles las etiquetas, las unidades y el contenido circundante relevante para que la pregunta se refiera a evidencia realmente presente en la imagen.
Su desarrollador enumera compatibilidad multilingüe con decenas de idiomas, entre ellos ruso, inglés, francés, alemán, griego, hindi, indonesio, italiano, japonés, coreano, malayo, nepalí, polaco, portugués, rumano, serbio, español, sueco, turco, ucraniano, vietnamita, árabe, bengalí, chino y farsi. Define el idioma final, el lector y la terminología de una respuesta multilingüe. Los nombres, las etiquetas citadas, los identificadores de variables y las unidades pueden conservarse sin cambios mientras se adapta la prosa circundante.
La ficha también describe capacidades conversacionales y de razonamiento, llamadas nativas a funciones, salida JSON y seguimiento de prompts de sistema. Su tokenizador es Tekken, con un vocabulario etiquetado como 131k. Estas son funciones de la versión identificada y ajustada para instrucciones; su edición Base cumple una función distinta, y las versiones posteriores Small 3.2 y Small 4 conservan sus propios cambios y modos.
Preparación documental, de programación y matemática
Para una tarea sobre documentos largos, identifica los documentos y formula una pregunta definida. Una comparación puede solicitar una matriz de requisitos con la declaración, su sección fuente y cualquier desacuerdo entre documentos. Un resumen puede solicitar solo el material relevante para un cambio identificado. El contexto largo mantiene juntas esas fuentes, mientras que la respuesta final puede permanecer concisa.
Para una explicación de código, proporciona la función y la entrada cuyo comportamiento se debe seguir. Incluye las funciones auxiliares o declaraciones relevantes y pregunta cómo cambia el estado antes de devolver el valor. Para una modificación propuesta, indica el requisito, la interfaz pública que debe conservarse y la salida esperada. Solicita el código revisado por separado de su explicación y ejemplos.
Para una tarea matemática, define los símbolos y las suposiciones sobre el dominio antes de pedir una derivación. Especifica si el resultado final debe ser exacto, redondeado o una demostración de una afirmación. Si la condición aparece en una imagen, mantén claras la fórmula y las etiquetas asociadas y pide al modelo conservar esa notación en su respuesta. Estas preparaciones convierten el enfoque documentado del modelo en programación y razonamiento matemático en un artefacto que se puede revisar.
Formato de instrucciones y uso recomendado
Su desarrollador publica una plantilla de conversación V7-Tekken que distingue los roles de sistema, usuario y asistente, y recomienda usar la implementación correspondiente del tokenizador como fuente de referencia. Una instrucción de sistema debe definir el rol del asistente y las reglas de respuesta, mientras que el mensaje del usuario contiene la tarea real y el material fuente. Dar el formato correcto a la conversación es distinto de colocar etiquetas parecidas a roles dentro de un documento citado.
La ficha recomienda una temperatura relativamente baja, como 0.15, y un prompt de sistema adaptado al caso de uso. Define los campos o secciones de salida y las condiciones que deben conservarse al reescribir. Para extracción repetida, solicita JSON con nombres y tipos especificados y una representación para los valores ausentes de la fuente. Se puede devolver un párrafo explicativo por separado cuando una persona necesite revisar la interpretación.
Flujo de llamadas a funciones
El modelo puede seleccionar una función de las herramientas descritas por la aplicación y generar sus argumentos. La aplicación ejecuta la función, devuelve el resultado con la llamada a herramienta correspondiente y el modelo usa ese resultado en una respuesta posterior. El ejemplo de su desarrollador muestra este ciclo conversacional, incluido el uso previo de herramientas y una nueva pregunta del usuario. Por lo tanto, una consulta propuesta es distinta de los datos que realmente devuelve la consulta.
Un asistente práctico puede primero extraer una pregunta de un documento y después usar una función de referencia proporcionada para obtener una condición faltante. Describe la función con claridad, incluye sus argumentos requeridos y mantén el resultado devuelto asociado con la operación de origen. JSON organiza un resultado de texto; una llamada a función solicita una operación conectada en lugar de ejecutar código o leer una base de datos silenciosamente.
Límites sustantivos
La capacidad visual documentada lee imágenes; no las genera. Las indicaciones para el asistente de la ficha publicada también distinguen este modelo de la transcripción de audio y video, por lo que una pregunta hablada o en video necesita que su contenido relevante se proporcione mediante un paso separado y apropiado de preparación. El acceso web y las acciones externas también provienen de herramientas conectadas, no del modelo de texto e imágenes por sí solo.
El contexto de 128k se refiere a la entrada de la tarea y la conversación generada, mientras que el ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo. No se especifica una capacidad máxima estricta e independiente de longitud de respuesta en las fuentes consultadas. Conserva la edición exacta Instruct 2503, su formato de conversación y el artefacto solicitado de explicación, registro o código.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 parte de Small 3 2501, agrega comprensión visual y amplía el soporte de contexto largo a 128k tokens. Tiene 24,000 millones de parámetros y se ajusta para instrucciones a partir de la versión Small 3.1 Base con nombre independiente. El modelo acepta texto e imágenes y produce texto, como una explicación, código o un registro estructurado.\n\nCapacidades principales\n\nLa visión permite al modelo analizar material visible junto con la pregunta del usuario. Una imagen documental puede proporcionar el campo o la declaración que se debe revisar, un diagrama puede aportar la relación por explicar y una gráfica puede ofrecer los datos de una comparación. Mantén legibles las etiquetas, las unidades y el contenido circundante relevante para que la pregunta se refiera a evidencia realmente presente en la imagen.\n\nSu desarrollador enumera compatibilidad multilingüe con decenas de idiomas, entre ellos ruso, inglés, francés, alemán, griego, hindi, indonesio, italiano, japonés, coreano, malayo, nepalí, polaco, portugués, rumano, serbio, español, sueco, turco, ucraniano, vietnamita, árabe, bengalí, chino y farsi. Define el idioma final, el lector y la terminología de una respuesta multilingüe. Los nombres, las etiquetas citadas, los identificadores de variables y las unidades pueden conservarse sin cambios mientras se adapta la prosa circundante.\n\nLa ficha también describe capacidades conversacionales y de razonamiento, llamadas nativas a funciones, salida JSON y seguimiento de prompts de sistema. Su tokenizador es Tekken, con un vocabulario etiquetado como 131k. Estas son funciones de la versión identificada y ajustada para instrucciones; su edición Base cumple una función distinta, y las versiones posteriores Small 3.2 y Small 4 conservan sus propios cambios y modos.\n\nPreparación documental, de programación y matemática\n\nPara una tarea sobre documentos largos, identifica los documentos y formula una pregunta definida. Una comparación puede solicitar una matriz de requisitos con la declaración, su sección fuente y cualquier desacuerdo entre documentos. Un resumen puede solicitar solo el material relevante para un cambio identificado. El contexto largo mantiene juntas esas fuentes, mientras que la respuesta final puede permanecer concisa.\n\nPara una explicación de código, proporciona la función y la entrada cuyo comportamiento se debe seguir. Incluye las funciones auxiliares o declaraciones relevantes y pregunta cómo cambia el estado antes de devolver el valor. Para una modificación propuesta, indica el requisito, la interfaz pública que debe conservarse y la salida esperada. Solicita el código revisado por separado de su explicación y ejemplos.\n\nPara una tarea matemática, define los símbolos y las suposiciones sobre el dominio antes de pedir una derivación. Especifica si el resultado final debe ser exacto, redondeado o una demostración de una afirmación. Si la condición aparece en una imagen, mantén claras la fórmula y las etiquetas asociadas y pide al modelo conservar esa notación en su respuesta. Estas preparaciones convierten el enfoque documentado del modelo en programación y razonamiento matemático en un artefacto que se puede revisar.\n\nFormato de instrucciones y uso recomendado\n\nSu desarrollador publica una plantilla de conversación V7-Tekken que distingue los roles de sistema, usuario y asistente, y recomienda usar la implementación correspondiente del tokenizador como fuente de referencia. Una instrucción de sistema debe definir el rol del asistente y las reglas de respuesta, mientras que el mensaje del usuario contiene la tarea real y el material fuente. Dar el formato correcto a la conversación es distinto de colocar etiquetas parecidas a roles dentro de un documento citado.\n\nLa ficha recomienda una temperatura relativamente baja, como 0.15, y un prompt de sistema adaptado al caso de uso. Define los campos o secciones de salida y las condiciones que deben conservarse al reescribir. Para extracción repetida, solicita JSON con nombres y tipos especificados y una representación para los valores ausentes de la fuente. Se puede devolver un párrafo explicativo por separado cuando una persona necesite revisar la interpretación.\n\nFlujo de llamadas a funciones\n\nEl modelo puede seleccionar una función de las herramientas descritas por la aplicación y generar sus argumentos. La aplicación ejecuta la función, devuelve el resultado con la llamada a herramienta correspondiente y el modelo usa ese resultado en una respuesta posterior. El ejemplo de su desarrollador muestra este ciclo conversacional, incluido el uso previo de herramientas y una nueva pregunta del usuario. Por lo tanto, una consulta propuesta es distinta de los datos que realmente devuelve la consulta.\n\nUn asistente práctico puede primero extraer una pregunta de un documento y después usar una función de referencia proporcionada para obtener una condición faltante. Describe la función con claridad, incluye sus argumentos requeridos y mantén el resultado devuelto asociado con la operación de origen. JSON organiza un resultado de texto; una llamada a función solicita una operación conectada en lugar de ejecutar código o leer una base de datos silenciosamente.\n\nLímites sustantivos\n\nLa capacidad visual documentada lee imágenes; no las genera. Las indicaciones para el asistente de la ficha publicada también distinguen este modelo de la transcripción de audio y video, por lo que una pregunta hablada o en video necesita que su contenido relevante se proporcione mediante un paso separado y apropiado de preparación. El acceso web y las acciones externas también provienen de herramientas conectadas, no del modelo de texto e imágenes por sí solo.\n\nEl contexto de 128k se refiere a la entrada de la tarea y la conversación generada, mientras que el ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo. No se especifica una capacidad máxima estricta e independiente de longitud de respuesta en las fuentes consultadas. Conserva la edición exacta Instruct 2503, su formato de conversación y el artefacto solicitado de explicación, registro o código.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 agrega comprensión de imágenes y un contexto de 128k según su desarrollador a la línea Small 3. Combina texto multilingüe, programación y razonamiento matemático con instrucciones de sistema, JSON y llamadas nativas a funciones en una versión independiente ajustada para instrucciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Small 3.1 24B Instruct 2503 parte de Small 3 2501, agrega comprensión visual y amplía el soporte de contexto largo a 128k tokens. Tiene 24,000 millones de parámetros y se ajusta para instrucciones a partir de la versión Small 3.1 Base con nombre independiente. El modelo acepta texto e imágenes y produce texto, como una explicación, código o un registro estructurado.
Capacidades principales
La visión permite al modelo analizar material visible junto con la pregunta del usuario. Una imagen documental puede proporcionar el campo o la declaración que se debe revisar, un diagrama puede aportar la relación por explicar y una gráfica puede ofrecer los datos de una comparación. Mantén legibles las etiquetas, las unidades y el contenido circundante relevante para que la pregunta se refiera a evidencia realmente presente en la imagen.
Su desarrollador enumera compatibilidad multilingüe con decenas de idiomas, entre ellos ruso, inglés, francés, alemán, griego, hindi, indonesio, italiano, japonés, coreano, malayo, nepalí, polaco, portugués, rumano, serbio, español, sueco, turco, ucraniano, vietnamita, árabe, bengalí, chino y farsi. Define el idioma final, el lector y la terminología de una respuesta multilingüe. Los nombres, las etiquetas citadas, los identificadores de variables y las unidades pueden conservarse sin cambios mientras se adapta la prosa circundante.
La ficha también describe capacidades conversacionales y de razonamiento, llamadas nativas a funciones, salida JSON y seguimiento de prompts de sistema. Su tokenizador es Tekken, con un vocabulario etiquetado como 131k. Estas son funciones de la versión identificada y ajustada para instrucciones; su edición Base cumple una función distinta, y las versiones posteriores Small 3.2 y Small 4 conservan sus propios cambios y modos.
Preparación documental, de programación y matemática
Para una tarea sobre documentos largos, identifica los documentos y formula una pregunta definida. Una comparación puede solicitar una matriz de requisitos con la declaración, su sección fuente y cualquier desacuerdo entre documentos. Un resumen puede solicitar solo el material relevante para un cambio identificado. El contexto largo mantiene juntas esas fuentes, mientras que la respuesta final puede permanecer concisa.
Para una explicación de código, proporciona la función y la entrada cuyo comportamiento se debe seguir. Incluye las funciones auxiliares o declaraciones relevantes y pregunta cómo cambia el estado antes de devolver el valor. Para una modificación propuesta, indica el requisito, la interfaz pública que debe conservarse y la salida esperada. Solicita el código revisado por separado de su explicación y ejemplos.
Para una tarea matemática, define los símbolos y las suposiciones sobre el dominio antes de pedir una derivación. Especifica si el resultado final debe ser exacto, redondeado o una demostración de una afirmación. Si la condición aparece en una imagen, mantén claras la fórmula y las etiquetas asociadas y pide al modelo conservar esa notación en su respuesta. Estas preparaciones convierten el enfoque documentado del modelo en programación y razonamiento matemático en un artefacto que se puede revisar.
Formato de instrucciones y uso recomendado
Su desarrollador publica una plantilla de conversación V7-Tekken que distingue los roles de sistema, usuario y asistente, y recomienda usar la implementación correspondiente del tokenizador como fuente de referencia. Una instrucción de sistema debe definir el rol del asistente y las reglas de respuesta, mientras que el mensaje del usuario contiene la tarea real y el material fuente. Dar el formato correcto a la conversación es distinto de colocar etiquetas parecidas a roles dentro de un documento citado.
La ficha recomienda una temperatura relativamente baja, como 0.15, y un prompt de sistema adaptado al caso de uso. Define los campos o secciones de salida y las condiciones que deben conservarse al reescribir. Para extracción repetida, solicita JSON con nombres y tipos especificados y una representación para los valores ausentes de la fuente. Se puede devolver un párrafo explicativo por separado cuando una persona necesite revisar la interpretación.
Flujo de llamadas a funciones
El modelo puede seleccionar una función de las herramientas descritas por la aplicación y generar sus argumentos. La aplicación ejecuta la función, devuelve el resultado con la llamada a herramienta correspondiente y el modelo usa ese resultado en una respuesta posterior. El ejemplo de su desarrollador muestra este ciclo conversacional, incluido el uso previo de herramientas y una nueva pregunta del usuario. Por lo tanto, una consulta propuesta es distinta de los datos que realmente devuelve la consulta.
Un asistente práctico puede primero extraer una pregunta de un documento y después usar una función de referencia proporcionada para obtener una condición faltante. Describe la función con claridad, incluye sus argumentos requeridos y mantén el resultado devuelto asociado con la operación de origen. JSON organiza un resultado de texto; una llamada a función solicita una operación conectada en lugar de ejecutar código o leer una base de datos silenciosamente.
Límites sustantivos
La capacidad visual documentada lee imágenes; no las genera. Las indicaciones para el asistente de la ficha publicada también distinguen este modelo de la transcripción de audio y video, por lo que una pregunta hablada o en video necesita que su contenido relevante se proporcione mediante un paso separado y apropiado de preparación. El acceso web y las acciones externas también provienen de herramientas conectadas, no del modelo de texto e imágenes por sí solo.
El contexto de 128k se refiere a la entrada de la tarea y la conversación generada, mientras que el ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo. No se especifica una capacidad máxima estricta e independiente de longitud de respuesta en las fuentes consultadas. Conserva la edición exacta Instruct 2503, su formato de conversación y el artefacto solicitado de explicación, registro o código.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-small-3.1-24b-instruct | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0011 / 1K tokens Salida · Tokens de salida $0.00111 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0011 / 1K tokens Salida · Tokens de salida $0.00111 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-3.1-24b-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-3.1-24b-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-3.1-24b-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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mistralai/mistral-small-3.1-24b-instruct
Usa las rutas de método indicadas arriba.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 agrega comprensión de imágenes y un contexto de 128k según su desarrollador a la línea Small 3. Combina texto multilingüe, programación y razonamiento matemático con instrucciones de sistema, JSON y llamadas nativas a funciones en una versión independiente ajustada para instrucciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Small 3.1 24B Instruct 2503 parte de Small 3 2501, agrega comprensión visual y amplía el soporte de contexto largo a 128k tokens. Tiene 24,000 millones de parámetros y se ajusta para instrucciones a partir de la versión Small 3.1 Base con nombre independiente. El modelo acepta texto e imágenes y produce texto, como una explicación, código o un registro estructurado.
Capacidades principales
La visión permite al modelo analizar material visible junto con la pregunta del usuario. Una imagen documental puede proporcionar el campo o la declaración que se debe revisar, un diagrama puede aportar la relación por explicar y una gráfica puede ofrecer los datos de una comparación. Mantén legibles las etiquetas, las unidades y el contenido circundante relevante para que la pregunta se refiera a evidencia realmente presente en la imagen.
Su desarrollador enumera compatibilidad multilingüe con decenas de idiomas, entre ellos ruso, inglés, francés, alemán, griego, hindi, indonesio, italiano, japonés, coreano, malayo, nepalí, polaco, portugués, rumano, serbio, español, sueco, turco, ucraniano, vietnamita, árabe, bengalí, chino y farsi. Define el idioma final, el lector y la terminología de una respuesta multilingüe. Los nombres, las etiquetas citadas, los identificadores de variables y las unidades pueden conservarse sin cambios mientras se adapta la prosa circundante.
La ficha también describe capacidades conversacionales y de razonamiento, llamadas nativas a funciones, salida JSON y seguimiento de prompts de sistema. Su tokenizador es Tekken, con un vocabulario etiquetado como 131k. Estas son funciones de la versión identificada y ajustada para instrucciones; su edición Base cumple una función distinta, y las versiones posteriores Small 3.2 y Small 4 conservan sus propios cambios y modos.
Preparación documental, de programación y matemática
Para una tarea sobre documentos largos, identifica los documentos y formula una pregunta definida. Una comparación puede solicitar una matriz de requisitos con la declaración, su sección fuente y cualquier desacuerdo entre documentos. Un resumen puede solicitar solo el material relevante para un cambio identificado. El contexto largo mantiene juntas esas fuentes, mientras que la respuesta final puede permanecer concisa.
Para una explicación de código, proporciona la función y la entrada cuyo comportamiento se debe seguir. Incluye las funciones auxiliares o declaraciones relevantes y pregunta cómo cambia el estado antes de devolver el valor. Para una modificación propuesta, indica el requisito, la interfaz pública que debe conservarse y la salida esperada. Solicita el código revisado por separado de su explicación y ejemplos.
Para una tarea matemática, define los símbolos y las suposiciones sobre el dominio antes de pedir una derivación. Especifica si el resultado final debe ser exacto, redondeado o una demostración de una afirmación. Si la condición aparece en una imagen, mantén claras la fórmula y las etiquetas asociadas y pide al modelo conservar esa notación en su respuesta. Estas preparaciones convierten el enfoque documentado del modelo en programación y razonamiento matemático en un artefacto que se puede revisar.
Formato de instrucciones y uso recomendado
Su desarrollador publica una plantilla de conversación V7-Tekken que distingue los roles de sistema, usuario y asistente, y recomienda usar la implementación correspondiente del tokenizador como fuente de referencia. Una instrucción de sistema debe definir el rol del asistente y las reglas de respuesta, mientras que el mensaje del usuario contiene la tarea real y el material fuente. Dar el formato correcto a la conversación es distinto de colocar etiquetas parecidas a roles dentro de un documento citado.
La ficha recomienda una temperatura relativamente baja, como 0.15, y un prompt de sistema adaptado al caso de uso. Define los campos o secciones de salida y las condiciones que deben conservarse al reescribir. Para extracción repetida, solicita JSON con nombres y tipos especificados y una representación para los valores ausentes de la fuente. Se puede devolver un párrafo explicativo por separado cuando una persona necesite revisar la interpretación.
Flujo de llamadas a funciones
El modelo puede seleccionar una función de las herramientas descritas por la aplicación y generar sus argumentos. La aplicación ejecuta la función, devuelve el resultado con la llamada a herramienta correspondiente y el modelo usa ese resultado en una respuesta posterior. El ejemplo de su desarrollador muestra este ciclo conversacional, incluido el uso previo de herramientas y una nueva pregunta del usuario. Por lo tanto, una consulta propuesta es distinta de los datos que realmente devuelve la consulta.
Un asistente práctico puede primero extraer una pregunta de un documento y después usar una función de referencia proporcionada para obtener una condición faltante. Describe la función con claridad, incluye sus argumentos requeridos y mantén el resultado devuelto asociado con la operación de origen. JSON organiza un resultado de texto; una llamada a función solicita una operación conectada en lugar de ejecutar código o leer una base de datos silenciosamente.
Límites sustantivos
La capacidad visual documentada lee imágenes; no las genera. Las indicaciones para el asistente de la ficha publicada también distinguen este modelo de la transcripción de audio y video, por lo que una pregunta hablada o en video necesita que su contenido relevante se proporcione mediante un paso separado y apropiado de preparación. El acceso web y las acciones externas también provienen de herramientas conectadas, no del modelo de texto e imágenes por sí solo.
El contexto de 128k se refiere a la entrada de la tarea y la conversación generada, mientras que el ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo. No se especifica una capacidad máxima estricta e independiente de longitud de respuesta en las fuentes consultadas. Conserva la edición exacta Instruct 2503, su formato de conversación y el artefacto solicitado de explicación, registro o código.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-small-3.1-24b-instruct | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0011 / 1K tokens Salida · Tokens de salida $0.00111 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0011 / 1K tokens Salida · Tokens de salida $0.00111 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-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-3.1-24b-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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mistralai/mistral-small-3.1-24b-instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.