Ministral 3 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El punto de control publicado está posentrenado para tareas de chat e instrucciones con precisión FP8. Combina un componente lingüístico con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de una imagen o un archivo de audio.
Arquitectura y funciones principales
El fabricante enumera un modelo lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Su ventana de contexto se describe como 256k, y las notas de uso publicadas utilizan una longitud configurada por defecto de 262.144. Estos datos describen esta edición de tamaño 8B; los miembros más pequeño 3B y más grande 14B de la familia conservan sus propios tamaños de componentes y configuraciones.
La visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura puede acompañarse del objetivo del usuario y una solicitud de identificar el control pertinente. Pide la observación que respalda cada conclusión cuando la respuesta dependa de detalles visuales, y conserva los encabezados, las etiquetas y las unidades necesarios para interpretar un recorte.
La ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica seguimiento de instrucciones del sistema, llamadas nativas a funciones y salida JSON. Define explícitamente el idioma final, el papel y los requisitos de salida, en lugar de dejar que el modelo deduzca el entregable previsto de una entrada extensa.
Tareas documentales, de conversación y de agentes
Los casos de uso del fabricante incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que se debe devolver. Una solicitud de extracción puede indicar las etiquetas de los campos, los tipos esperados y el tratamiento de los valores ausentes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada a la fuente visible.
Para una conversación en curso, conserva la respuesta previa pertinente y formula una pregunta de seguimiento delimitada. Un usuario puede pedir primero un resumen documental y después preguntar qué afirmación respalda una conclusión. Esto cambia la salida requerida de una visión general a una explicación vinculada a fuentes, conservando el material original y la finalidad del diálogo.
Para la edición multilingüe, proporciona el pasaje original, el lector previsto y una lista terminológica. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generar contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.
En una tarea de agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar los argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén el resultado de la herramienta separado de la llamada propuesta para que la respuesta escrita posterior utilice la información realmente devuelta por la operación.
Preparación y ajustes recomendados
El fabricante recomienda una instrucción del sistema que describa el entorno, el caso de uso y cómo se deben utilizar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones pertinentes para la pregunta actual, con argumentos requeridos claramente nombrados, en lugar de presentar una colección amplia de operaciones inconexas.
Para el uso cotidiano y en producción, la ficha recomienda una temperatura inferior a 0.1, con temperaturas superiores disponibles para exploración creativa. Trátalo como una recomendación para el flujo de instrucciones, no como un control independiente de modo de razonamiento. La familia tiene puntos de control Base, Instruct y Reasoning distintos; esta entrada es la edición Instruct 2512, no la versión Reasoning independiente del mismo tamaño.
Para las imágenes, el fabricante recomienda proporciones próximas a 1:1 y evitar entradas muy estrechas o muy anchas. Recorta cuando sea necesario conservando las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas inconexas, identifica la parte que se debe inspeccionar y el resultado que se debe devolver. Una imagen legible y enfocada es más útil que pedir al modelo que adivine qué detalle pequeño importa en una página extensa.
Límites del contexto y de la edición
Planifica el texto, las imágenes, la conversación y la respuesta deseada en función del contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima estricta e independiente de respuesta.
El punto de control FP8 Instruct, la versión Base preentrenada y la versión Reasoning son ediciones separadas. El fabricante también describe la especialización y el ajuste fino como casos de uso. Conserva el punto de control nombrado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso al repositorio, la ejecución de funciones u otras acciones proporcionadas por la aplicación que rodea al modelo.
", "aboutText": "Ministral 3 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El punto de control publicado está posentrenado para tareas de chat e instrucciones con precisión FP8. Combina un componente lingüístico con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de una imagen o un archivo de audio.\n\nArquitectura y funciones principales\n\nEl fabricante enumera un modelo lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Su ventana de contexto se describe como 256k, y las notas de uso publicadas utilizan una longitud configurada por defecto de 262.144. Estos datos describen esta edición de tamaño 8B; los miembros más pequeño 3B y más grande 14B de la familia conservan sus propios tamaños de componentes y configuraciones.\n\nLa visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura puede acompañarse del objetivo del usuario y una solicitud de identificar el control pertinente. Pide la observación que respalda cada conclusión cuando la respuesta dependa de detalles visuales, y conserva los encabezados, las etiquetas y las unidades necesarios para interpretar un recorte.\n\nLa ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica seguimiento de instrucciones del sistema, llamadas nativas a funciones y salida JSON. Define explícitamente el idioma final, el papel y los requisitos de salida, en lugar de dejar que el modelo deduzca el entregable previsto de una entrada extensa.\n\nTareas documentales, de conversación y de agentes\n\nLos casos de uso del fabricante incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que se debe devolver. Una solicitud de extracción puede indicar las etiquetas de los campos, los tipos esperados y el tratamiento de los valores ausentes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada a la fuente visible.\n\nPara una conversación en curso, conserva la respuesta previa pertinente y formula una pregunta de seguimiento delimitada. Un usuario puede pedir primero un resumen documental y después preguntar qué afirmación respalda una conclusión. Esto cambia la salida requerida de una visión general a una explicación vinculada a fuentes, conservando el material original y la finalidad del diálogo.\n\nPara la edición multilingüe, proporciona el pasaje original, el lector previsto y una lista terminológica. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generar contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.\n\nEn una tarea de agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar los argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén el resultado de la herramienta separado de la llamada propuesta para que la respuesta escrita posterior utilice la información realmente devuelta por la operación.\n\nPreparación y ajustes recomendados\n\nEl fabricante recomienda una instrucción del sistema que describa el entorno, el caso de uso y cómo se deben utilizar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones pertinentes para la pregunta actual, con argumentos requeridos claramente nombrados, en lugar de presentar una colección amplia de operaciones inconexas.\n\nPara el uso cotidiano y en producción, la ficha recomienda una temperatura inferior a 0.1, con temperaturas superiores disponibles para exploración creativa. Trátalo como una recomendación para el flujo de instrucciones, no como un control independiente de modo de razonamiento. La familia tiene puntos de control Base, Instruct y Reasoning distintos; esta entrada es la edición Instruct 2512, no la versión Reasoning independiente del mismo tamaño.\n\nPara las imágenes, el fabricante recomienda proporciones próximas a 1:1 y evitar entradas muy estrechas o muy anchas. Recorta cuando sea necesario conservando las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas inconexas, identifica la parte que se debe inspeccionar y el resultado que se debe devolver. Una imagen legible y enfocada es más útil que pedir al modelo que adivine qué detalle pequeño importa en una página extensa.\n\nLímites del contexto y de la edición\n\nPlanifica el texto, las imágenes, la conversación y la respuesta deseada en función del contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima estricta e independiente de respuesta.\n\nEl punto de control FP8 Instruct, la versión Base preentrenada y la versión Reasoning son ediciones separadas. El fabricante también describe la especialización y el ajuste fino como casos de uso. Conserva el punto de control nombrado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso al repositorio, la ejecución de funciones u otras acciones proporcionadas por la aplicación que rodea al modelo.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 es un modelo multilingüe de instrucciones con entradas de texto e imagen, un componente lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones. Admite un contexto de 256k según el fabricante, instrucciones del sistema, JSON y llamadas nativas a funciones para asistentes y flujos documentales.
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 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El punto de control publicado está posentrenado para tareas de chat e instrucciones con precisión FP8. Combina un componente lingüístico con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de una imagen o un archivo de audio.
Arquitectura y funciones principales
El fabricante enumera un modelo lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Su ventana de contexto se describe como 256k, y las notas de uso publicadas utilizan una longitud configurada por defecto de 262.144. Estos datos describen esta edición de tamaño 8B; los miembros más pequeño 3B y más grande 14B de la familia conservan sus propios tamaños de componentes y configuraciones.
La visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura puede acompañarse del objetivo del usuario y una solicitud de identificar el control pertinente. Pide la observación que respalda cada conclusión cuando la respuesta dependa de detalles visuales, y conserva los encabezados, las etiquetas y las unidades necesarios para interpretar un recorte.
La ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica seguimiento de instrucciones del sistema, llamadas nativas a funciones y salida JSON. Define explícitamente el idioma final, el papel y los requisitos de salida, en lugar de dejar que el modelo deduzca el entregable previsto de una entrada extensa.
Tareas documentales, de conversación y de agentes
Los casos de uso del fabricante incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que se debe devolver. Una solicitud de extracción puede indicar las etiquetas de los campos, los tipos esperados y el tratamiento de los valores ausentes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada a la fuente visible.
Para una conversación en curso, conserva la respuesta previa pertinente y formula una pregunta de seguimiento delimitada. Un usuario puede pedir primero un resumen documental y después preguntar qué afirmación respalda una conclusión. Esto cambia la salida requerida de una visión general a una explicación vinculada a fuentes, conservando el material original y la finalidad del diálogo.
Para la edición multilingüe, proporciona el pasaje original, el lector previsto y una lista terminológica. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generar contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.
En una tarea de agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar los argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén el resultado de la herramienta separado de la llamada propuesta para que la respuesta escrita posterior utilice la información realmente devuelta por la operación.
Preparación y ajustes recomendados
El fabricante recomienda una instrucción del sistema que describa el entorno, el caso de uso y cómo se deben utilizar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones pertinentes para la pregunta actual, con argumentos requeridos claramente nombrados, en lugar de presentar una colección amplia de operaciones inconexas.
Para el uso cotidiano y en producción, la ficha recomienda una temperatura inferior a 0.1, con temperaturas superiores disponibles para exploración creativa. Trátalo como una recomendación para el flujo de instrucciones, no como un control independiente de modo de razonamiento. La familia tiene puntos de control Base, Instruct y Reasoning distintos; esta entrada es la edición Instruct 2512, no la versión Reasoning independiente del mismo tamaño.
Para las imágenes, el fabricante recomienda proporciones próximas a 1:1 y evitar entradas muy estrechas o muy anchas. Recorta cuando sea necesario conservando las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas inconexas, identifica la parte que se debe inspeccionar y el resultado que se debe devolver. Una imagen legible y enfocada es más útil que pedir al modelo que adivine qué detalle pequeño importa en una página extensa.
Límites del contexto y de la edición
Planifica el texto, las imágenes, la conversación y la respuesta deseada en función del contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima estricta e independiente de respuesta.
El punto de control FP8 Instruct, la versión Base preentrenada y la versión Reasoning son ediciones separadas. El fabricante también describe la especialización y el ajuste fino como casos de uso. Conserva el punto de control nombrado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso al repositorio, la ejecución de funciones u otras acciones proporcionadas por la aplicación que rodea al modelo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-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-8b-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-8b-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-8b-2512
Usa las rutas de método indicadas arriba.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 es un modelo multilingüe de instrucciones con entradas de texto e imagen, un componente lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones. Admite un contexto de 256k según el fabricante, instrucciones del sistema, JSON y llamadas nativas a funciones para asistentes y flujos documentales.
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 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El punto de control publicado está posentrenado para tareas de chat e instrucciones con precisión FP8. Combina un componente lingüístico con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de una imagen o un archivo de audio.
Arquitectura y funciones principales
El fabricante enumera un modelo lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Su ventana de contexto se describe como 256k, y las notas de uso publicadas utilizan una longitud configurada por defecto de 262.144. Estos datos describen esta edición de tamaño 8B; los miembros más pequeño 3B y más grande 14B de la familia conservan sus propios tamaños de componentes y configuraciones.
La visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura puede acompañarse del objetivo del usuario y una solicitud de identificar el control pertinente. Pide la observación que respalda cada conclusión cuando la respuesta dependa de detalles visuales, y conserva los encabezados, las etiquetas y las unidades necesarios para interpretar un recorte.
La ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica seguimiento de instrucciones del sistema, llamadas nativas a funciones y salida JSON. Define explícitamente el idioma final, el papel y los requisitos de salida, en lugar de dejar que el modelo deduzca el entregable previsto de una entrada extensa.
Tareas documentales, de conversación y de agentes
Los casos de uso del fabricante incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que se debe devolver. Una solicitud de extracción puede indicar las etiquetas de los campos, los tipos esperados y el tratamiento de los valores ausentes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada a la fuente visible.
Para una conversación en curso, conserva la respuesta previa pertinente y formula una pregunta de seguimiento delimitada. Un usuario puede pedir primero un resumen documental y después preguntar qué afirmación respalda una conclusión. Esto cambia la salida requerida de una visión general a una explicación vinculada a fuentes, conservando el material original y la finalidad del diálogo.
Para la edición multilingüe, proporciona el pasaje original, el lector previsto y una lista terminológica. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generar contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.
En una tarea de agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar los argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén el resultado de la herramienta separado de la llamada propuesta para que la respuesta escrita posterior utilice la información realmente devuelta por la operación.
Preparación y ajustes recomendados
El fabricante recomienda una instrucción del sistema que describa el entorno, el caso de uso y cómo se deben utilizar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones pertinentes para la pregunta actual, con argumentos requeridos claramente nombrados, en lugar de presentar una colección amplia de operaciones inconexas.
Para el uso cotidiano y en producción, la ficha recomienda una temperatura inferior a 0.1, con temperaturas superiores disponibles para exploración creativa. Trátalo como una recomendación para el flujo de instrucciones, no como un control independiente de modo de razonamiento. La familia tiene puntos de control Base, Instruct y Reasoning distintos; esta entrada es la edición Instruct 2512, no la versión Reasoning independiente del mismo tamaño.
Para las imágenes, el fabricante recomienda proporciones próximas a 1:1 y evitar entradas muy estrechas o muy anchas. Recorta cuando sea necesario conservando las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas inconexas, identifica la parte que se debe inspeccionar y el resultado que se debe devolver. Una imagen legible y enfocada es más útil que pedir al modelo que adivine qué detalle pequeño importa en una página extensa.
Límites del contexto y de la edición
Planifica el texto, las imágenes, la conversación y la respuesta deseada en función del contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima estricta e independiente de respuesta.
El punto de control FP8 Instruct, la versión Base preentrenada y la versión Reasoning son ediciones separadas. El fabricante también describe la especialización y el ajuste fino como casos de uso. Conserva el punto de control nombrado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso al repositorio, la ejecución de funciones u otras acciones proporcionadas por la aplicación que rodea al modelo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-2512
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.