Devstral Small 1.1 es la edición fija y exclusivamente textual de Mistral AI para agentes de ingeniería de software. Está ajustado a partir de Mistral Small 3.1, eliminando el codificador de visión para centrar el modelo en exploración de repositorios, herramientas y cambios de código en varios archivos. La versión tiene 24 mil millones de parámetros y una ventana de contexto de hasta 128K tokens. Su salida consiste en texto, código o instrucciones para las funciones que ofrece la aplicación del agente.
La versión 1.1 mantiene la arquitectura de la versión Small anterior y amplía su funcionamiento con prompts y entornos de programación. El fabricante describe una mejor generalización entre distintas estructuras de agentes y añade compatibilidad con el formato de llamadas a funciones de Mistral junto a los formatos basados en XML. Son formas de expresar e interpretar las interacciones del agente; las herramientas proporcionadas y el entorno de ejecución determinan qué acciones sobre el repositorio están disponibles.
Entre las propiedades principales del modelo figuran el tamaño de 24B, los pesos bajo Apache 2.0 y el tokenizador Tekken con un vocabulario de aproximadamente 131K entradas. La edición fija 1.1 se identifica con su propio nombre de versión y conserva su contexto de 128K. El material textual del proyecto puede incluir archivos fuente, requisitos de la tarea, acciones anteriores y resultados devueltos por búsquedas o comandos. Esto permite fundamentar el siguiente cambio propuesto en lo que el agente haya aprendido del proyecto.
Un flujo práctico comienza con un objetivo de ingeniería específico. Pide al agente que localice la ruta que procesa una solicitud, identifique las funciones pertinentes y proponga cambios coordinados en los archivos implicados. Proporciona el comportamiento esperado, los requisitos de compatibilidad y ejemplos que distingan un resultado correcto. Para un defecto, incluye el error observado y la entrada que lo reproduce. Para una refactorización, identifica las interfaces y el comportamiento que deben permanecer estables. El resultado útil es el parche propuesto junto con una explicación de sus dependencias y las comprobaciones necesarias para validarlo.
El modelo también admite respuestas estructuradas y preguntas sobre documentos. Una revisión de código puede devolver campos separados para componentes afectados, cambios propuestos y comprobaciones posteriores. Una tarea sobre documentación técnica puede identificar los requisitos pertinentes para la implementación. La continuación de prefijo permite fijar el inicio de una respuesta, mientras que los flujos asíncronos por lotes pueden abordar tareas independientes de análisis de código. Estas funciones complementan la especialización principal en repositorios y herramientas.
En un agente con Ailoot API, proporciona las descripciones de herramientas y los esquemas de sus argumentos junto con la tarea. Devstral puede seleccionar una función y preparar sus argumentos; la aplicación ejecuta la función, devuelve su salida y mantiene la conversación. El modelo no obtiene por sí mismo acceso a archivos ni ejecuta el código que sugiere. Utiliza los resultados devueltos por las herramientas para perfeccionar los cambios propuestos y termina con el artefacto de código, la explicación y las pruebas aportadas por el entorno. La identidad Small 1.1 sigue siendo distinta de las ediciones Devstral posteriores y de las versiones Mistral Small de propósito general.
", "aboutText": "Devstral Small 1.1 es la edición fija y exclusivamente textual de Mistral AI para agentes de ingeniería de software. Está ajustado a partir de Mistral Small 3.1, eliminando el codificador de visión para centrar el modelo en exploración de repositorios, herramientas y cambios de código en varios archivos. La versión tiene 24 mil millones de parámetros y una ventana de contexto de hasta 128K tokens. Su salida consiste en texto, código o instrucciones para las funciones que ofrece la aplicación del agente.\n\nLa versión 1.1 mantiene la arquitectura de la versión Small anterior y amplía su funcionamiento con prompts y entornos de programación. El fabricante describe una mejor generalización entre distintas estructuras de agentes y añade compatibilidad con el formato de llamadas a funciones de Mistral junto a los formatos basados en XML. Son formas de expresar e interpretar las interacciones del agente; las herramientas proporcionadas y el entorno de ejecución determinan qué acciones sobre el repositorio están disponibles.\n\nEntre las propiedades principales del modelo figuran el tamaño de 24B, los pesos bajo Apache 2.0 y el tokenizador Tekken con un vocabulario de aproximadamente 131K entradas. La edición fija 1.1 se identifica con su propio nombre de versión y conserva su contexto de 128K. El material textual del proyecto puede incluir archivos fuente, requisitos de la tarea, acciones anteriores y resultados devueltos por búsquedas o comandos. Esto permite fundamentar el siguiente cambio propuesto en lo que el agente haya aprendido del proyecto.\n\nUn flujo práctico comienza con un objetivo de ingeniería específico. Pide al agente que localice la ruta que procesa una solicitud, identifique las funciones pertinentes y proponga cambios coordinados en los archivos implicados. Proporciona el comportamiento esperado, los requisitos de compatibilidad y ejemplos que distingan un resultado correcto. Para un defecto, incluye el error observado y la entrada que lo reproduce. Para una refactorización, identifica las interfaces y el comportamiento que deben permanecer estables. El resultado útil es el parche propuesto junto con una explicación de sus dependencias y las comprobaciones necesarias para validarlo.\n\nEl modelo también admite respuestas estructuradas y preguntas sobre documentos. Una revisión de código puede devolver campos separados para componentes afectados, cambios propuestos y comprobaciones posteriores. Una tarea sobre documentación técnica puede identificar los requisitos pertinentes para la implementación. La continuación de prefijo permite fijar el inicio de una respuesta, mientras que los flujos asíncronos por lotes pueden abordar tareas independientes de análisis de código. Estas funciones complementan la especialización principal en repositorios y herramientas.\n\nEn un agente con Ailoot API, proporciona las descripciones de herramientas y los esquemas de sus argumentos junto con la tarea. Devstral puede seleccionar una función y preparar sus argumentos; la aplicación ejecuta la función, devuelve su salida y mantiene la conversación. El modelo no obtiene por sí mismo acceso a archivos ni ejecuta el código que sugiere. Utiliza los resultados devueltos por las herramientas para perfeccionar los cambios propuestos y termina con el artefacto de código, la explicación y las pruebas aportadas por el entorno. La identidad Small 1.1 sigue siendo distinta de las ediciones Devstral posteriores y de las versiones Mistral Small de propósito general.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.devstral-small-2507Devstral Small 1.1 es el modelo textual de 24B de Mistral AI para agentes de programación que exploran repositorios y preparan cambios coordinados en varios archivos. La versión 1.1 amplía la compatibilidad con prompts y admite llamadas a funciones y formatos de agentes basados en XML, con una ventana de contexto de 128K.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Devstral Small 1.1 es la edición fija y exclusivamente textual de Mistral AI para agentes de ingeniería de software. Está ajustado a partir de Mistral Small 3.1, eliminando el codificador de visión para centrar el modelo en exploración de repositorios, herramientas y cambios de código en varios archivos. La versión tiene 24 mil millones de parámetros y una ventana de contexto de hasta 128K tokens. Su salida consiste en texto, código o instrucciones para las funciones que ofrece la aplicación del agente.
La versión 1.1 mantiene la arquitectura de la versión Small anterior y amplía su funcionamiento con prompts y entornos de programación. El fabricante describe una mejor generalización entre distintas estructuras de agentes y añade compatibilidad con el formato de llamadas a funciones de Mistral junto a los formatos basados en XML. Son formas de expresar e interpretar las interacciones del agente; las herramientas proporcionadas y el entorno de ejecución determinan qué acciones sobre el repositorio están disponibles.
Entre las propiedades principales del modelo figuran el tamaño de 24B, los pesos bajo Apache 2.0 y el tokenizador Tekken con un vocabulario de aproximadamente 131K entradas. La edición fija 1.1 se identifica con su propio nombre de versión y conserva su contexto de 128K. El material textual del proyecto puede incluir archivos fuente, requisitos de la tarea, acciones anteriores y resultados devueltos por búsquedas o comandos. Esto permite fundamentar el siguiente cambio propuesto en lo que el agente haya aprendido del proyecto.
Un flujo práctico comienza con un objetivo de ingeniería específico. Pide al agente que localice la ruta que procesa una solicitud, identifique las funciones pertinentes y proponga cambios coordinados en los archivos implicados. Proporciona el comportamiento esperado, los requisitos de compatibilidad y ejemplos que distingan un resultado correcto. Para un defecto, incluye el error observado y la entrada que lo reproduce. Para una refactorización, identifica las interfaces y el comportamiento que deben permanecer estables. El resultado útil es el parche propuesto junto con una explicación de sus dependencias y las comprobaciones necesarias para validarlo.
El modelo también admite respuestas estructuradas y preguntas sobre documentos. Una revisión de código puede devolver campos separados para componentes afectados, cambios propuestos y comprobaciones posteriores. Una tarea sobre documentación técnica puede identificar los requisitos pertinentes para la implementación. La continuación de prefijo permite fijar el inicio de una respuesta, mientras que los flujos asíncronos por lotes pueden abordar tareas independientes de análisis de código. Estas funciones complementan la especialización principal en repositorios y herramientas.
En un agente con Ailoot API, proporciona las descripciones de herramientas y los esquemas de sus argumentos junto con la tarea. Devstral puede seleccionar una función y preparar sus argumentos; la aplicación ejecuta la función, devuelve su salida y mantiene la conversación. El modelo no obtiene por sí mismo acceso a archivos ni ejecuta el código que sugiere. Utiliza los resultados devueltos por las herramientas para perfeccionar los cambios propuestos y termina con el artefacto de código, la explicación y las pruebas aportadas por el entorno. La identidad Small 1.1 sigue siendo distinta de las ediciones Devstral posteriores y de las versiones Mistral Small de propósito general.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites devstral-small-2507 | 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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00022 / 1K tokens Salida · Tokens de salida $0.00066 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2507", "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='devstral-small-2507',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='devstral-small-2507',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 las cabeceras. 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 devstral-small-2507
Usa las rutas de método indicadas arriba.
devstral-small-2507Devstral Small 1.1 es el modelo textual de 24B de Mistral AI para agentes de programación que exploran repositorios y preparan cambios coordinados en varios archivos. La versión 1.1 amplía la compatibilidad con prompts y admite llamadas a funciones y formatos de agentes basados en XML, con una ventana de contexto de 128K.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Devstral Small 1.1 es la edición fija y exclusivamente textual de Mistral AI para agentes de ingeniería de software. Está ajustado a partir de Mistral Small 3.1, eliminando el codificador de visión para centrar el modelo en exploración de repositorios, herramientas y cambios de código en varios archivos. La versión tiene 24 mil millones de parámetros y una ventana de contexto de hasta 128K tokens. Su salida consiste en texto, código o instrucciones para las funciones que ofrece la aplicación del agente.
La versión 1.1 mantiene la arquitectura de la versión Small anterior y amplía su funcionamiento con prompts y entornos de programación. El fabricante describe una mejor generalización entre distintas estructuras de agentes y añade compatibilidad con el formato de llamadas a funciones de Mistral junto a los formatos basados en XML. Son formas de expresar e interpretar las interacciones del agente; las herramientas proporcionadas y el entorno de ejecución determinan qué acciones sobre el repositorio están disponibles.
Entre las propiedades principales del modelo figuran el tamaño de 24B, los pesos bajo Apache 2.0 y el tokenizador Tekken con un vocabulario de aproximadamente 131K entradas. La edición fija 1.1 se identifica con su propio nombre de versión y conserva su contexto de 128K. El material textual del proyecto puede incluir archivos fuente, requisitos de la tarea, acciones anteriores y resultados devueltos por búsquedas o comandos. Esto permite fundamentar el siguiente cambio propuesto en lo que el agente haya aprendido del proyecto.
Un flujo práctico comienza con un objetivo de ingeniería específico. Pide al agente que localice la ruta que procesa una solicitud, identifique las funciones pertinentes y proponga cambios coordinados en los archivos implicados. Proporciona el comportamiento esperado, los requisitos de compatibilidad y ejemplos que distingan un resultado correcto. Para un defecto, incluye el error observado y la entrada que lo reproduce. Para una refactorización, identifica las interfaces y el comportamiento que deben permanecer estables. El resultado útil es el parche propuesto junto con una explicación de sus dependencias y las comprobaciones necesarias para validarlo.
El modelo también admite respuestas estructuradas y preguntas sobre documentos. Una revisión de código puede devolver campos separados para componentes afectados, cambios propuestos y comprobaciones posteriores. Una tarea sobre documentación técnica puede identificar los requisitos pertinentes para la implementación. La continuación de prefijo permite fijar el inicio de una respuesta, mientras que los flujos asíncronos por lotes pueden abordar tareas independientes de análisis de código. Estas funciones complementan la especialización principal en repositorios y herramientas.
En un agente con Ailoot API, proporciona las descripciones de herramientas y los esquemas de sus argumentos junto con la tarea. Devstral puede seleccionar una función y preparar sus argumentos; la aplicación ejecuta la función, devuelve su salida y mantiene la conversación. El modelo no obtiene por sí mismo acceso a archivos ni ejecuta el código que sugiere. Utiliza los resultados devueltos por las herramientas para perfeccionar los cambios propuestos y termina con el artefacto de código, la explicación y las pruebas aportadas por el entorno. La identidad Small 1.1 sigue siendo distinta de las ediciones Devstral posteriores y de las versiones Mistral Small de propósito general.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites devstral-small-2507 | 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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00022 / 1K tokens Salida · Tokens de salida $0.00066 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "devstral-small-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2507', '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': 'devstral-small-2507', '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 las cabeceras. 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 devstral-small-2507
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.