Ministral 3 3B Instruct 2512 es la edición más pequeña ajustada para seguir instrucciones de la familia Ministral 3 de Mistral AI. El fabricante la orienta a aplicaciones compactas basadas en instrucciones, como descripciones de imágenes, clasificación de texto, extracción de datos, traducción y contenido breve. El punto de control publicado utiliza precisión FP8 y combina el procesamiento de texto con un componente de entrada visual.
Componentes y capacidades del modelo
La ficha enumera un modelo lingüístico de 3,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Documenta una ventana de contexto de 256k, con una longitud configurada por defecto de 262.144 en las notas de uso. Las cifras de los componentes corresponden a la edición 3B, no a los miembros 8B o 14B de la familia. El modelo acepta texto e imágenes y genera texto, incluidos registros en formato JSON o propuestas de llamadas a funciones.
El fabricante describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de las instrucciones del sistema. Especifica el idioma de salida requerido y las etiquetas o los términos que deben permanecer sin cambios. Así, una explicación traducida o un registro extraído se ajustan al uso previsto de la aplicación.
Clasificación y extracción delimitadas
Para una tarea de clasificación, proporciona las etiquetas permitidas, la regla que las distingue y el mensaje que se debe clasificar. Solicita una única etiqueta seleccionada y una explicación breve basada en el mensaje proporcionado. Si las etiquetas son ambiguas, define qué información permitiría distinguirlas en vez de depender únicamente de sus nombres. Esto crea un resultado compacto que puede utilizarse de forma coherente dentro de un flujo de trabajo más amplio.
Para la extracción, enumera los campos y sus tipos e indica cómo representar la información ausente. Una solicitud puede pedir el identificador de un elemento, la condición descrita explícitamente y la acción que solicita el usuario. Exige la redacción original cuando sea importante reproducirla con exactitud, o un valor normalizado cuando la aplicación proporcione la regla de normalización. La salida JSON organiza el resultado; el diseño de los campos sigue formando parte de la tarea y no constituye un esquema universal integrado.
La ficha también menciona las descripciones de imágenes y la generación de contenido breve. Para una descripción, define el aspecto de la imagen que se debe describir y el público destinatario. Para una explicación breve, proporciona los hechos que se deben conservar y la longitud deseada. Una respuesta de soporte puede utilizar la pregunta original y las indicaciones suministradas para ofrecer un siguiente paso conciso junto con la condición que lo hace aplicable.
Preparación visual y multilingüe
Acompaña una imagen de una pregunta textual clara. Para un campo de documento, conserva la etiqueta, el valor y el contexto circundante necesarios para interpretarlo. Para describir un objeto, especifica qué característica visible importa. El fabricante recomienda proporciones de imagen próximas a 1:1 y evitar entradas muy estrechas o muy anchas; recorta cuando sea necesario sin eliminar las pruebas de las que depende la pregunta.
Para traducir, proporciona el texto original, el idioma final y cualquier lista terminológica. Solicita el pasaje traducido por separado de una posible explicación. Una tarea de clasificación multilingüe puede mantener sin cambios las etiquetas de la aplicación y explicar la etiqueta seleccionada en el idioma del lector. Son salidas definidas, no una petición de comentar de forma imprecisa un mensaje o una imagen.
Herramientas y ajustes recomendados
Las llamadas nativas a funciones permiten que una aplicación conecte la conversación con una operación descrita. El modelo prepara los argumentos de la función, la aplicación la ejecuta y su resultado se convierte en información para la siguiente respuesta. Una consulta puede proporcionar un valor ausente, o una herramienta de cálculo puede operar con valores identificados en una imagen. El propio modelo de texto no ejecuta la función por el simple hecho de producir su nombre y sus argumentos.
El fabricante recomienda una instrucción del sistema que defina el entorno y el caso de uso, incluidas las indicaciones sobre herramientas. Mantén claras sus descripciones y limita el conjunto a las operaciones pertinentes mínimas. Para un asistente de alcance limitado, una tarea explícita de extracción o consulta puede resultar más fácil de interpretar que un prompt con muchas funciones inconexas y sin regla de selección.
La ficha ofrece recomendaciones de temperatura baja: inferior a 0.1 para el uso cotidiano y en producción, y una temperatura inicial de 0.1 para la mayoría de los casos de uso en su nota independiente sobre muestreo. Se pueden explorar valores superiores para contenido creativo. Estas recomendaciones tienen alcances declarados diferentes; no garantizan que un único ajuste de muestreo haga correctos todos los valores extraídos o todas las clasificaciones.
Límites de la edición y del contexto
Ministral 3 ofrece versiones Base, Instruct y Reasoning separadas para cada tamaño de modelo. Esta entrada identifica el punto de control Instruct 2512, no un modo de razonamiento activado automáticamente ni el modelo base preentrenado. El fabricante enumera la especialización y el ajuste fino como posibles aplicaciones, mientras que la tarea actual basada en instrucciones sigue necesitando entradas, reglas y salidas claramente definidas.
Mantén el material de origen y la conversación pertinentes dentro del contexto configurado y solicita el resultado compacto que necesite el siguiente paso de la aplicación. Las notas de uso permiten reducir la longitud de contexto configurada para tareas que no necesiten la ventana completa. Un ejemplo de generación de 512 tokens y una asignación amplia de generación incluida en un ejemplo no constituyen capacidades máximas de salida documentadas de forma independiente. La generación de imágenes, la salida de audio y las acciones externas requieren otros componentes además de este modelo que devuelve texto.
", "aboutText": "Ministral 3 3B Instruct 2512 es la edición más pequeña ajustada para seguir instrucciones de la familia Ministral 3 de Mistral AI. El fabricante la orienta a aplicaciones compactas basadas en instrucciones, como descripciones de imágenes, clasificación de texto, extracción de datos, traducción y contenido breve. El punto de control publicado utiliza precisión FP8 y combina el procesamiento de texto con un componente de entrada visual.\n\nComponentes y capacidades del modelo\n\nLa ficha enumera un modelo lingüístico de 3,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Documenta una ventana de contexto de 256k, con una longitud configurada por defecto de 262.144 en las notas de uso. Las cifras de los componentes corresponden a la edición 3B, no a los miembros 8B o 14B de la familia. El modelo acepta texto e imágenes y genera texto, incluidos registros en formato JSON o propuestas de llamadas a funciones.\n\nEl fabricante describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de las instrucciones del sistema. Especifica el idioma de salida requerido y las etiquetas o los términos que deben permanecer sin cambios. Así, una explicación traducida o un registro extraído se ajustan al uso previsto de la aplicación.\n\nClasificación y extracción delimitadas\n\nPara una tarea de clasificación, proporciona las etiquetas permitidas, la regla que las distingue y el mensaje que se debe clasificar. Solicita una única etiqueta seleccionada y una explicación breve basada en el mensaje proporcionado. Si las etiquetas son ambiguas, define qué información permitiría distinguirlas en vez de depender únicamente de sus nombres. Esto crea un resultado compacto que puede utilizarse de forma coherente dentro de un flujo de trabajo más amplio.\n\nPara la extracción, enumera los campos y sus tipos e indica cómo representar la información ausente. Una solicitud puede pedir el identificador de un elemento, la condición descrita explícitamente y la acción que solicita el usuario. Exige la redacción original cuando sea importante reproducirla con exactitud, o un valor normalizado cuando la aplicación proporcione la regla de normalización. La salida JSON organiza el resultado; el diseño de los campos sigue formando parte de la tarea y no constituye un esquema universal integrado.\n\nLa ficha también menciona las descripciones de imágenes y la generación de contenido breve. Para una descripción, define el aspecto de la imagen que se debe describir y el público destinatario. Para una explicación breve, proporciona los hechos que se deben conservar y la longitud deseada. Una respuesta de soporte puede utilizar la pregunta original y las indicaciones suministradas para ofrecer un siguiente paso conciso junto con la condición que lo hace aplicable.\n\nPreparación visual y multilingüe\n\nAcompaña una imagen de una pregunta textual clara. Para un campo de documento, conserva la etiqueta, el valor y el contexto circundante necesarios para interpretarlo. Para describir un objeto, especifica qué característica visible importa. El fabricante recomienda proporciones de imagen próximas a 1:1 y evitar entradas muy estrechas o muy anchas; recorta cuando sea necesario sin eliminar las pruebas de las que depende la pregunta.\n\nPara traducir, proporciona el texto original, el idioma final y cualquier lista terminológica. Solicita el pasaje traducido por separado de una posible explicación. Una tarea de clasificación multilingüe puede mantener sin cambios las etiquetas de la aplicación y explicar la etiqueta seleccionada en el idioma del lector. Son salidas definidas, no una petición de comentar de forma imprecisa un mensaje o una imagen.\n\nHerramientas y ajustes recomendados\n\nLas llamadas nativas a funciones permiten que una aplicación conecte la conversación con una operación descrita. El modelo prepara los argumentos de la función, la aplicación la ejecuta y su resultado se convierte en información para la siguiente respuesta. Una consulta puede proporcionar un valor ausente, o una herramienta de cálculo puede operar con valores identificados en una imagen. El propio modelo de texto no ejecuta la función por el simple hecho de producir su nombre y sus argumentos.\n\nEl fabricante recomienda una instrucción del sistema que defina el entorno y el caso de uso, incluidas las indicaciones sobre herramientas. Mantén claras sus descripciones y limita el conjunto a las operaciones pertinentes mínimas. Para un asistente de alcance limitado, una tarea explícita de extracción o consulta puede resultar más fácil de interpretar que un prompt con muchas funciones inconexas y sin regla de selección.\n\nLa ficha ofrece recomendaciones de temperatura baja: inferior a 0.1 para el uso cotidiano y en producción, y una temperatura inicial de 0.1 para la mayoría de los casos de uso en su nota independiente sobre muestreo. Se pueden explorar valores superiores para contenido creativo. Estas recomendaciones tienen alcances declarados diferentes; no garantizan que un único ajuste de muestreo haga correctos todos los valores extraídos o todas las clasificaciones.\n\nLímites de la edición y del contexto\n\nMinistral 3 ofrece versiones Base, Instruct y Reasoning separadas para cada tamaño de modelo. Esta entrada identifica el punto de control Instruct 2512, no un modo de razonamiento activado automáticamente ni el modelo base preentrenado. El fabricante enumera la especialización y el ajuste fino como posibles aplicaciones, mientras que la tarea actual basada en instrucciones sigue necesitando entradas, reglas y salidas claramente definidas.\n\nMantén el material de origen y la conversación pertinentes dentro del contexto configurado y solicita el resultado compacto que necesite el siguiente paso de la aplicación. Las notas de uso permiten reducir la longitud de contexto configurada para tareas que no necesiten la ventana completa. Un ejemplo de generación de 512 tokens y una asignación amplia de generación incluida en un ejemplo no constituyen capacidades máximas de salida documentadas de forma independiente. La generación de imágenes, la salida de audio y las acciones externas requieren otros componentes además de este modelo que devuelve texto.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 es un modelo multilingüe compacto de texto e imagen para clasificación, extracción, descripciones de imágenes y contenido breve. Su componente lingüístico de 3,4 mil millones de parámetros y su codificador visual de 0,4 mil millones admiten instrucciones del sistema, JSON, llamadas a funciones y un contexto de 256k según el fabricante.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ministral 3 3B Instruct 2512 es la edición más pequeña ajustada para seguir instrucciones de la familia Ministral 3 de Mistral AI. El fabricante la orienta a aplicaciones compactas basadas en instrucciones, como descripciones de imágenes, clasificación de texto, extracción de datos, traducción y contenido breve. El punto de control publicado utiliza precisión FP8 y combina el procesamiento de texto con un componente de entrada visual.
Componentes y capacidades del modelo
La ficha enumera un modelo lingüístico de 3,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Documenta una ventana de contexto de 256k, con una longitud configurada por defecto de 262.144 en las notas de uso. Las cifras de los componentes corresponden a la edición 3B, no a los miembros 8B o 14B de la familia. El modelo acepta texto e imágenes y genera texto, incluidos registros en formato JSON o propuestas de llamadas a funciones.
El fabricante describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de las instrucciones del sistema. Especifica el idioma de salida requerido y las etiquetas o los términos que deben permanecer sin cambios. Así, una explicación traducida o un registro extraído se ajustan al uso previsto de la aplicación.
Clasificación y extracción delimitadas
Para una tarea de clasificación, proporciona las etiquetas permitidas, la regla que las distingue y el mensaje que se debe clasificar. Solicita una única etiqueta seleccionada y una explicación breve basada en el mensaje proporcionado. Si las etiquetas son ambiguas, define qué información permitiría distinguirlas en vez de depender únicamente de sus nombres. Esto crea un resultado compacto que puede utilizarse de forma coherente dentro de un flujo de trabajo más amplio.
Para la extracción, enumera los campos y sus tipos e indica cómo representar la información ausente. Una solicitud puede pedir el identificador de un elemento, la condición descrita explícitamente y la acción que solicita el usuario. Exige la redacción original cuando sea importante reproducirla con exactitud, o un valor normalizado cuando la aplicación proporcione la regla de normalización. La salida JSON organiza el resultado; el diseño de los campos sigue formando parte de la tarea y no constituye un esquema universal integrado.
La ficha también menciona las descripciones de imágenes y la generación de contenido breve. Para una descripción, define el aspecto de la imagen que se debe describir y el público destinatario. Para una explicación breve, proporciona los hechos que se deben conservar y la longitud deseada. Una respuesta de soporte puede utilizar la pregunta original y las indicaciones suministradas para ofrecer un siguiente paso conciso junto con la condición que lo hace aplicable.
Preparación visual y multilingüe
Acompaña una imagen de una pregunta textual clara. Para un campo de documento, conserva la etiqueta, el valor y el contexto circundante necesarios para interpretarlo. Para describir un objeto, especifica qué característica visible importa. El fabricante recomienda proporciones de imagen próximas a 1:1 y evitar entradas muy estrechas o muy anchas; recorta cuando sea necesario sin eliminar las pruebas de las que depende la pregunta.
Para traducir, proporciona el texto original, el idioma final y cualquier lista terminológica. Solicita el pasaje traducido por separado de una posible explicación. Una tarea de clasificación multilingüe puede mantener sin cambios las etiquetas de la aplicación y explicar la etiqueta seleccionada en el idioma del lector. Son salidas definidas, no una petición de comentar de forma imprecisa un mensaje o una imagen.
Herramientas y ajustes recomendados
Las llamadas nativas a funciones permiten que una aplicación conecte la conversación con una operación descrita. El modelo prepara los argumentos de la función, la aplicación la ejecuta y su resultado se convierte en información para la siguiente respuesta. Una consulta puede proporcionar un valor ausente, o una herramienta de cálculo puede operar con valores identificados en una imagen. El propio modelo de texto no ejecuta la función por el simple hecho de producir su nombre y sus argumentos.
El fabricante recomienda una instrucción del sistema que defina el entorno y el caso de uso, incluidas las indicaciones sobre herramientas. Mantén claras sus descripciones y limita el conjunto a las operaciones pertinentes mínimas. Para un asistente de alcance limitado, una tarea explícita de extracción o consulta puede resultar más fácil de interpretar que un prompt con muchas funciones inconexas y sin regla de selección.
La ficha ofrece recomendaciones de temperatura baja: inferior a 0.1 para el uso cotidiano y en producción, y una temperatura inicial de 0.1 para la mayoría de los casos de uso en su nota independiente sobre muestreo. Se pueden explorar valores superiores para contenido creativo. Estas recomendaciones tienen alcances declarados diferentes; no garantizan que un único ajuste de muestreo haga correctos todos los valores extraídos o todas las clasificaciones.
Límites de la edición y del contexto
Ministral 3 ofrece versiones Base, Instruct y Reasoning separadas para cada tamaño de modelo. Esta entrada identifica el punto de control Instruct 2512, no un modo de razonamiento activado automáticamente ni el modelo base preentrenado. El fabricante enumera la especialización y el ajuste fino como posibles aplicaciones, mientras que la tarea actual basada en instrucciones sigue necesitando entradas, reglas y salidas claramente definidas.
Mantén el material de origen y la conversación pertinentes dentro del contexto configurado y solicita el resultado compacto que necesite el siguiente paso de la aplicación. Las notas de uso permiten reducir la longitud de contexto configurada para tareas que no necesiten la ventana completa. Un ejemplo de generación de 512 tokens y una asignación amplia de generación incluida en un ejemplo no constituyen capacidades máximas de salida documentadas de forma independiente. La generación de imágenes, la salida de audio y las acciones externas requieren otros componentes además de este modelo que devuelve texto.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/ministral-3b-2512 | 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 $0.00066 / 1K tokens Salida · Tokens de salida $0.00066 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.00066 / 1K tokens Salida · Tokens de salida $0.00066 / 1K tokens Entrada · Lectura de caché $0.00002 / 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": "mistralai/ministral-3b-2512", "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/ministral-3b-2512',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/ministral-3b-2512',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 mistralai/ministral-3b-2512
Usa las rutas de método indicadas arriba.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 es un modelo multilingüe compacto de texto e imagen para clasificación, extracción, descripciones de imágenes y contenido breve. Su componente lingüístico de 3,4 mil millones de parámetros y su codificador visual de 0,4 mil millones admiten instrucciones del sistema, JSON, llamadas a funciones y un contexto de 256k según el fabricante.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ministral 3 3B Instruct 2512 es la edición más pequeña ajustada para seguir instrucciones de la familia Ministral 3 de Mistral AI. El fabricante la orienta a aplicaciones compactas basadas en instrucciones, como descripciones de imágenes, clasificación de texto, extracción de datos, traducción y contenido breve. El punto de control publicado utiliza precisión FP8 y combina el procesamiento de texto con un componente de entrada visual.
Componentes y capacidades del modelo
La ficha enumera un modelo lingüístico de 3,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Documenta una ventana de contexto de 256k, con una longitud configurada por defecto de 262.144 en las notas de uso. Las cifras de los componentes corresponden a la edición 3B, no a los miembros 8B o 14B de la familia. El modelo acepta texto e imágenes y genera texto, incluidos registros en formato JSON o propuestas de llamadas a funciones.
El fabricante describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de las instrucciones del sistema. Especifica el idioma de salida requerido y las etiquetas o los términos que deben permanecer sin cambios. Así, una explicación traducida o un registro extraído se ajustan al uso previsto de la aplicación.
Clasificación y extracción delimitadas
Para una tarea de clasificación, proporciona las etiquetas permitidas, la regla que las distingue y el mensaje que se debe clasificar. Solicita una única etiqueta seleccionada y una explicación breve basada en el mensaje proporcionado. Si las etiquetas son ambiguas, define qué información permitiría distinguirlas en vez de depender únicamente de sus nombres. Esto crea un resultado compacto que puede utilizarse de forma coherente dentro de un flujo de trabajo más amplio.
Para la extracción, enumera los campos y sus tipos e indica cómo representar la información ausente. Una solicitud puede pedir el identificador de un elemento, la condición descrita explícitamente y la acción que solicita el usuario. Exige la redacción original cuando sea importante reproducirla con exactitud, o un valor normalizado cuando la aplicación proporcione la regla de normalización. La salida JSON organiza el resultado; el diseño de los campos sigue formando parte de la tarea y no constituye un esquema universal integrado.
La ficha también menciona las descripciones de imágenes y la generación de contenido breve. Para una descripción, define el aspecto de la imagen que se debe describir y el público destinatario. Para una explicación breve, proporciona los hechos que se deben conservar y la longitud deseada. Una respuesta de soporte puede utilizar la pregunta original y las indicaciones suministradas para ofrecer un siguiente paso conciso junto con la condición que lo hace aplicable.
Preparación visual y multilingüe
Acompaña una imagen de una pregunta textual clara. Para un campo de documento, conserva la etiqueta, el valor y el contexto circundante necesarios para interpretarlo. Para describir un objeto, especifica qué característica visible importa. El fabricante recomienda proporciones de imagen próximas a 1:1 y evitar entradas muy estrechas o muy anchas; recorta cuando sea necesario sin eliminar las pruebas de las que depende la pregunta.
Para traducir, proporciona el texto original, el idioma final y cualquier lista terminológica. Solicita el pasaje traducido por separado de una posible explicación. Una tarea de clasificación multilingüe puede mantener sin cambios las etiquetas de la aplicación y explicar la etiqueta seleccionada en el idioma del lector. Son salidas definidas, no una petición de comentar de forma imprecisa un mensaje o una imagen.
Herramientas y ajustes recomendados
Las llamadas nativas a funciones permiten que una aplicación conecte la conversación con una operación descrita. El modelo prepara los argumentos de la función, la aplicación la ejecuta y su resultado se convierte en información para la siguiente respuesta. Una consulta puede proporcionar un valor ausente, o una herramienta de cálculo puede operar con valores identificados en una imagen. El propio modelo de texto no ejecuta la función por el simple hecho de producir su nombre y sus argumentos.
El fabricante recomienda una instrucción del sistema que defina el entorno y el caso de uso, incluidas las indicaciones sobre herramientas. Mantén claras sus descripciones y limita el conjunto a las operaciones pertinentes mínimas. Para un asistente de alcance limitado, una tarea explícita de extracción o consulta puede resultar más fácil de interpretar que un prompt con muchas funciones inconexas y sin regla de selección.
La ficha ofrece recomendaciones de temperatura baja: inferior a 0.1 para el uso cotidiano y en producción, y una temperatura inicial de 0.1 para la mayoría de los casos de uso en su nota independiente sobre muestreo. Se pueden explorar valores superiores para contenido creativo. Estas recomendaciones tienen alcances declarados diferentes; no garantizan que un único ajuste de muestreo haga correctos todos los valores extraídos o todas las clasificaciones.
Límites de la edición y del contexto
Ministral 3 ofrece versiones Base, Instruct y Reasoning separadas para cada tamaño de modelo. Esta entrada identifica el punto de control Instruct 2512, no un modo de razonamiento activado automáticamente ni el modelo base preentrenado. El fabricante enumera la especialización y el ajuste fino como posibles aplicaciones, mientras que la tarea actual basada en instrucciones sigue necesitando entradas, reglas y salidas claramente definidas.
Mantén el material de origen y la conversación pertinentes dentro del contexto configurado y solicita el resultado compacto que necesite el siguiente paso de la aplicación. Las notas de uso permiten reducir la longitud de contexto configurada para tareas que no necesiten la ventana completa. Un ejemplo de generación de 512 tokens y una asignación amplia de generación incluida en un ejemplo no constituyen capacidades máximas de salida documentadas de forma independiente. La generación de imágenes, la salida de audio y las acciones externas requieren otros componentes además de este modelo que devuelve texto.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/ministral-3b-2512 | 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 $0.00066 / 1K tokens Salida · Tokens de salida $0.00066 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.00066 / 1K tokens Salida · Tokens de salida $0.00066 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-3b-2512', '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/ministral-3b-2512', '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 mistralai/ministral-3b-2512
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.