Mistral Small es la familia de propósito general de Mistral AI para seguimiento de instrucciones, trabajo documental y asistentes de programación. Sus ediciones publicadas tienen arquitecturas y límites de contexto distintos. Small 4 combina seguimiento de instrucciones, razonamiento y programación con agentes en un único modelo multimodal. Acepta texto e imágenes y produce texto, por lo que una misma tarea puede incluir un requisito escrito y pruebas visuales, como una página de documento o una captura de interfaz.
Small 4 utiliza una arquitectura de mezcla de expertos con 119 mil millones de parámetros totales y 128 expertos, de los cuales se seleccionan cuatro por token. Su ventana de contexto es de 256K tokens. La edición anterior, Small 3.2, tiene una ventana de contexto de 128K. Son propiedades específicas de cada versión: una selección de familia sigue una edición que se actualiza, mientras que un nombre de modelo fijo identifica una versión concreta.
Small 4 proporciona dos ajustes de esfuerzo de razonamiento. El ajuste de respuesta directa utiliza un razonamiento mínimo y devuelve la respuesta sin un segmento de razonamiento separado. El ajuste de esfuerzo alto añade un razonamiento más detallado antes de la respuesta final y está pensado para problemas más difíciles. Esto reúne la conversación cotidiana con el análisis matemático, la investigación y las tareas de código. En una conversación de razonamiento, conservar el mensaje anterior completo del asistente mantiene el contexto necesario para los turnos siguientes.
Las funciones del modelo para aplicaciones incluyen llamadas a funciones, salida estructurada, preguntas sobre documentos y continuación controlada de una respuesta. Las llamadas a funciones comienzan con descripciones de las herramientas disponibles y sus argumentos esperados. El modelo puede elegir una función adecuada, identificar información ausente y generar sus argumentos; la aplicación ejecuta la función y devuelve el resultado para la siguiente respuesta. El flujo de herramientas puede permitir la selección automática, exigir una herramienta, desactivar su uso o permitir varias llamadas en paralelo. Estos controles pertenecen al flujo de trabajo de la aplicación que rodea al modelo.
La salida estructurada admite tanto JSON como un esquema personalizado. Las tareas orientadas a JSON deben describir explícitamente el formato esperado, mientras que un esquema define los campos y tipos que necesita el procesamiento posterior. Las preguntas y respuestas sobre documentos combinan la extracción del texto y la disposición del documento con el análisis de un modelo lingüístico: pide una condición específica, compara secciones o reúne un conjunto definido de campos. La compatibilidad con salidas predichas resulta útil al revisar texto o código cuando ya se conoce gran parte del resultado. La continuación mediante prefijo proporciona un comienzo elegido para una respuesta; el procesamiento por lotes gestiona de forma asíncrona colecciones de solicitudes independientes.
Para un asistente mediante la API de Ailoot, define un resultado útil y el material que lo respalda. Una tarea de soporte puede combinar una consulta y una captura para producir una respuesta con observaciones extraídas. Una tarea documental puede devolver una tabla de campos y preguntas pendientes. Una tarea de programación puede explorar los archivos pertinentes, proponer ediciones coordinadas y utilizar las comprobaciones de la aplicación para perfeccionarlas. Small 4 se publica con pesos bajo Apache 2.0 para su personalización; el nombre de la familia conserva la elección general del modelo, mientras que los modos y límites concretos corresponden a la edición seleccionada.
", "aboutText": "Mistral Small es la familia de propósito general de Mistral AI para seguimiento de instrucciones, trabajo documental y asistentes de programación. Sus ediciones publicadas tienen arquitecturas y límites de contexto distintos. Small 4 combina seguimiento de instrucciones, razonamiento y programación con agentes en un único modelo multimodal. Acepta texto e imágenes y produce texto, por lo que una misma tarea puede incluir un requisito escrito y pruebas visuales, como una página de documento o una captura de interfaz.\n\nSmall 4 utiliza una arquitectura de mezcla de expertos con 119 mil millones de parámetros totales y 128 expertos, de los cuales se seleccionan cuatro por token. Su ventana de contexto es de 256K tokens. La edición anterior, Small 3.2, tiene una ventana de contexto de 128K. Son propiedades específicas de cada versión: una selección de familia sigue una edición que se actualiza, mientras que un nombre de modelo fijo identifica una versión concreta.\n\nSmall 4 proporciona dos ajustes de esfuerzo de razonamiento. El ajuste de respuesta directa utiliza un razonamiento mínimo y devuelve la respuesta sin un segmento de razonamiento separado. El ajuste de esfuerzo alto añade un razonamiento más detallado antes de la respuesta final y está pensado para problemas más difíciles. Esto reúne la conversación cotidiana con el análisis matemático, la investigación y las tareas de código. En una conversación de razonamiento, conservar el mensaje anterior completo del asistente mantiene el contexto necesario para los turnos siguientes.\n\nLas funciones del modelo para aplicaciones incluyen llamadas a funciones, salida estructurada, preguntas sobre documentos y continuación controlada de una respuesta. Las llamadas a funciones comienzan con descripciones de las herramientas disponibles y sus argumentos esperados. El modelo puede elegir una función adecuada, identificar información ausente y generar sus argumentos; la aplicación ejecuta la función y devuelve el resultado para la siguiente respuesta. El flujo de herramientas puede permitir la selección automática, exigir una herramienta, desactivar su uso o permitir varias llamadas en paralelo. Estos controles pertenecen al flujo de trabajo de la aplicación que rodea al modelo.\n\nLa salida estructurada admite tanto JSON como un esquema personalizado. Las tareas orientadas a JSON deben describir explícitamente el formato esperado, mientras que un esquema define los campos y tipos que necesita el procesamiento posterior. Las preguntas y respuestas sobre documentos combinan la extracción del texto y la disposición del documento con el análisis de un modelo lingüístico: pide una condición específica, compara secciones o reúne un conjunto definido de campos. La compatibilidad con salidas predichas resulta útil al revisar texto o código cuando ya se conoce gran parte del resultado. La continuación mediante prefijo proporciona un comienzo elegido para una respuesta; el procesamiento por lotes gestiona de forma asíncrona colecciones de solicitudes independientes.\n\nPara un asistente mediante la API de Ailoot, define un resultado útil y el material que lo respalda. Una tarea de soporte puede combinar una consulta y una captura para producir una respuesta con observaciones extraídas. Una tarea documental puede devolver una tabla de campos y preguntas pendientes. Una tarea de programación puede explorar los archivos pertinentes, proponer ediciones coordinadas y utilizar las comprobaciones de la aplicación para perfeccionarlas. Small 4 se publica con pesos bajo Apache 2.0 para su personalización; el nombre de la familia conserva la elección general del modelo, mientras que los modos y límites concretos corresponden a la edición seleccionada.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.mistral-small-latestLa familia Small de propósito general de Mistral AI permite crear asistentes y flujos de análisis documental y programación con llamadas a herramientas y respuestas estructuradas. Su edición Small 4 combina respuestas directas y razonamiento ajustable con entradas de texto e imagen.
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 es la familia de propósito general de Mistral AI para seguimiento de instrucciones, trabajo documental y asistentes de programación. Sus ediciones publicadas tienen arquitecturas y límites de contexto distintos. Small 4 combina seguimiento de instrucciones, razonamiento y programación con agentes en un único modelo multimodal. Acepta texto e imágenes y produce texto, por lo que una misma tarea puede incluir un requisito escrito y pruebas visuales, como una página de documento o una captura de interfaz.
Small 4 utiliza una arquitectura de mezcla de expertos con 119 mil millones de parámetros totales y 128 expertos, de los cuales se seleccionan cuatro por token. Su ventana de contexto es de 256K tokens. La edición anterior, Small 3.2, tiene una ventana de contexto de 128K. Son propiedades específicas de cada versión: una selección de familia sigue una edición que se actualiza, mientras que un nombre de modelo fijo identifica una versión concreta.
Small 4 proporciona dos ajustes de esfuerzo de razonamiento. El ajuste de respuesta directa utiliza un razonamiento mínimo y devuelve la respuesta sin un segmento de razonamiento separado. El ajuste de esfuerzo alto añade un razonamiento más detallado antes de la respuesta final y está pensado para problemas más difíciles. Esto reúne la conversación cotidiana con el análisis matemático, la investigación y las tareas de código. En una conversación de razonamiento, conservar el mensaje anterior completo del asistente mantiene el contexto necesario para los turnos siguientes.
Las funciones del modelo para aplicaciones incluyen llamadas a funciones, salida estructurada, preguntas sobre documentos y continuación controlada de una respuesta. Las llamadas a funciones comienzan con descripciones de las herramientas disponibles y sus argumentos esperados. El modelo puede elegir una función adecuada, identificar información ausente y generar sus argumentos; la aplicación ejecuta la función y devuelve el resultado para la siguiente respuesta. El flujo de herramientas puede permitir la selección automática, exigir una herramienta, desactivar su uso o permitir varias llamadas en paralelo. Estos controles pertenecen al flujo de trabajo de la aplicación que rodea al modelo.
La salida estructurada admite tanto JSON como un esquema personalizado. Las tareas orientadas a JSON deben describir explícitamente el formato esperado, mientras que un esquema define los campos y tipos que necesita el procesamiento posterior. Las preguntas y respuestas sobre documentos combinan la extracción del texto y la disposición del documento con el análisis de un modelo lingüístico: pide una condición específica, compara secciones o reúne un conjunto definido de campos. La compatibilidad con salidas predichas resulta útil al revisar texto o código cuando ya se conoce gran parte del resultado. La continuación mediante prefijo proporciona un comienzo elegido para una respuesta; el procesamiento por lotes gestiona de forma asíncrona colecciones de solicitudes independientes.
Para un asistente mediante la API de Ailoot, define un resultado útil y el material que lo respalda. Una tarea de soporte puede combinar una consulta y una captura para producir una respuesta con observaciones extraídas. Una tarea documental puede devolver una tabla de campos y preguntas pendientes. Una tarea de programación puede explorar los archivos pertinentes, proponer ediciones coordinadas y utilizar las comprobaciones de la aplicación para perfeccionarlas. Small 4 se publica con pesos bajo Apache 2.0 para su personalización; el nombre de la familia conserva la elección general del modelo, mientras que los modos y límites concretos corresponden a la edición seleccionada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistral-small-latest | 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 $0.0011 / 1K tokens Salida · Tokens de salida $0.0011 / 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": "mistral-small-latest", "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='mistral-small-latest',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='mistral-small-latest',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 mistral-small-latest
Usa las rutas de método indicadas arriba.
mistral-small-latestLa familia Small de propósito general de Mistral AI permite crear asistentes y flujos de análisis documental y programación con llamadas a herramientas y respuestas estructuradas. Su edición Small 4 combina respuestas directas y razonamiento ajustable con entradas de texto e imagen.
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 es la familia de propósito general de Mistral AI para seguimiento de instrucciones, trabajo documental y asistentes de programación. Sus ediciones publicadas tienen arquitecturas y límites de contexto distintos. Small 4 combina seguimiento de instrucciones, razonamiento y programación con agentes en un único modelo multimodal. Acepta texto e imágenes y produce texto, por lo que una misma tarea puede incluir un requisito escrito y pruebas visuales, como una página de documento o una captura de interfaz.
Small 4 utiliza una arquitectura de mezcla de expertos con 119 mil millones de parámetros totales y 128 expertos, de los cuales se seleccionan cuatro por token. Su ventana de contexto es de 256K tokens. La edición anterior, Small 3.2, tiene una ventana de contexto de 128K. Son propiedades específicas de cada versión: una selección de familia sigue una edición que se actualiza, mientras que un nombre de modelo fijo identifica una versión concreta.
Small 4 proporciona dos ajustes de esfuerzo de razonamiento. El ajuste de respuesta directa utiliza un razonamiento mínimo y devuelve la respuesta sin un segmento de razonamiento separado. El ajuste de esfuerzo alto añade un razonamiento más detallado antes de la respuesta final y está pensado para problemas más difíciles. Esto reúne la conversación cotidiana con el análisis matemático, la investigación y las tareas de código. En una conversación de razonamiento, conservar el mensaje anterior completo del asistente mantiene el contexto necesario para los turnos siguientes.
Las funciones del modelo para aplicaciones incluyen llamadas a funciones, salida estructurada, preguntas sobre documentos y continuación controlada de una respuesta. Las llamadas a funciones comienzan con descripciones de las herramientas disponibles y sus argumentos esperados. El modelo puede elegir una función adecuada, identificar información ausente y generar sus argumentos; la aplicación ejecuta la función y devuelve el resultado para la siguiente respuesta. El flujo de herramientas puede permitir la selección automática, exigir una herramienta, desactivar su uso o permitir varias llamadas en paralelo. Estos controles pertenecen al flujo de trabajo de la aplicación que rodea al modelo.
La salida estructurada admite tanto JSON como un esquema personalizado. Las tareas orientadas a JSON deben describir explícitamente el formato esperado, mientras que un esquema define los campos y tipos que necesita el procesamiento posterior. Las preguntas y respuestas sobre documentos combinan la extracción del texto y la disposición del documento con el análisis de un modelo lingüístico: pide una condición específica, compara secciones o reúne un conjunto definido de campos. La compatibilidad con salidas predichas resulta útil al revisar texto o código cuando ya se conoce gran parte del resultado. La continuación mediante prefijo proporciona un comienzo elegido para una respuesta; el procesamiento por lotes gestiona de forma asíncrona colecciones de solicitudes independientes.
Para un asistente mediante la API de Ailoot, define un resultado útil y el material que lo respalda. Una tarea de soporte puede combinar una consulta y una captura para producir una respuesta con observaciones extraídas. Una tarea documental puede devolver una tabla de campos y preguntas pendientes. Una tarea de programación puede explorar los archivos pertinentes, proponer ediciones coordinadas y utilizar las comprobaciones de la aplicación para perfeccionarlas. Small 4 se publica con pesos bajo Apache 2.0 para su personalización; el nombre de la familia conserva la elección general del modelo, mientras que los modos y límites concretos corresponden a la edición seleccionada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistral-small-latest | 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 $0.0011 / 1K tokens Salida · Tokens de salida $0.0011 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistral-small-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-small-latest', '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': 'mistral-small-latest', '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 mistral-small-latest
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.