Mistral Small 3 Instruct 2501 es la versión de Mistral Small 3 de 24 mil millones de parámetros ajustada para seguir instrucciones. Se obtiene mediante ajuste fino del modelo Small 24B Base 2501, nombrado por separado. El fabricante lo orienta a asistencia conversacional ágil, llamadas a funciones y adaptación a materias específicas, con texto tanto en la entrada como en el resultado generado.
Funciones principales y distinción del entrenamiento
La ficha del modelo documenta compatibilidad multilingüe, capacidades conversacionales y de razonamiento, llamadas nativas a funciones, salida JSON y seguimiento de prompts del sistema. Su ventana de contexto es de 32k y utiliza un tokenizador Tekken con un vocabulario indicado como 131k. La cifra de contexto se refiere al texto conservado para la tarea, mientras que la del vocabulario describe la tokenización; son especificaciones diferentes.
El fabricante enumera idiomas como inglés, francés, alemán, español, italiano, chino, japonés, coreano, portugués, neerlandés y polaco, y el ruso también está presente en los metadatos lingüísticos de la ficha publicada. Define el idioma final y cualquier terminología que deba permanecer sin cambios. Una explicación traducida puede conservar identificadores, nombres y unidades mientras adapta al lector la prosa circundante.
El anuncio de lanzamiento indica que Small 3 no se entrena con aprendizaje por refuerzo ni datos sintéticos y distingue los puntos de control preentrenados de los ajustados para instrucciones. Describe el modelo como una base que puede personalizarse más, no como un punto de control híbrido con los controles de razonamiento posteriores de Small 4. Esta entrada es la edición Instruct 2501 para seguir una tarea conversacional.
Tareas conversacionales y estructuradas
Para un asistente de soporte, proporciona la pregunta del usuario, las referencias pertinentes y las reglas de respuesta. Pide la acción que responde a la pregunta y la condición en la que se aplica. Una salida práctica puede separar una respuesta concisa de los campos extraídos que necesita la aplicación para el siguiente paso, en lugar de mezclarlos en una explicación sin estructura.
Para clasificar, proporciona las etiquetas permitidas y las distinciones entre ellas. Para extraer datos, indica los campos, los tipos esperados y la representación de información ausente. Un registro puede contener la categoría del problema, un identificador copiado del mensaje y un resumen breve de la acción solicitada. JSON organiza el resultado, mientras que el diseño de los campos y las reglas de interpretación siguen formando parte de la tarea proporcionada.
Para explicar código, incluye la función, las declaraciones pertinentes y una entrada concreta. Pregunta qué ruta del código determina el resultado. Para una explicación matemática, define variables y suposiciones e identifica la expresión o afirmación que se debe establecer. Estas tareas textuales pueden devolver un método, una explicación y el resultado final sin suponer que el propio modelo ejecuta el código o un cálculo externo.
Instrucciones del sistema y ajustes recomendados
La ficha recomienda un prompt del sistema adaptado al asistente previsto y una temperatura relativamente baja, como 0.15. Utiliza la instrucción del sistema para definir el papel, el estilo y las reglas de respuesta, mientras que el mensaje del usuario contiene el problema real o las fuentes. Mantén las instrucciones citadas dentro de un documento separadas de las instrucciones de la aplicación sobre qué hacer con ese documento.
Para un asistente cotidiano, especifica si el resultado debe ser una respuesta breve, un registro estructurado o una explicación más larga. Si la respuesta se va a analizar mediante un programa, solicita el registro por separado de la prosa opcional. En un flujo documental repetido, conserva el identificador de origen junto a cada resultado para que la aplicación pueda devolver al usuario el material correcto.
Llamadas a funciones y especialización
El modelo puede seleccionar una función descrita y producir sus argumentos. La aplicación ejecuta la operación y devuelve el resultado con la llamada a herramienta correspondiente, tras lo cual la siguiente respuesta puede utilizar esa información. El ejemplo de la ficha muestra una conversación con uso previo de herramientas seguida de una pregunta nueva. Esto ofrece al asistente una forma de solicitar información a herramientas conectadas sin tratar una llamada propuesta como una consulta completada.
Describe con claridad la finalidad y los valores requeridos de cada función. Una tarea de consulta puede indicar la información necesaria y devolver a la conversación el resultado real de la herramienta; una función de procesamiento de texto puede proporcionar un pasaje transformado para la siguiente respuesta. Mantén el conjunto de herramientas relacionado con el proceso actual y conserva el vínculo entre la operación propuesta y su resultado.
El fabricante también describe el ajuste fino para especialización temática. Ese proceso cambia un modelo para un dominio definido; proporcionar un documento en una conversación es, en cambio, condicionar esa tarea a una fuente. Aporta el material del dominio y los requisitos de respuesta que necesita el asistente concreto, en lugar de suponer que ya se ha realizado una personalización.
Límites del contexto y sustantivos
Small 3 2501 es un modelo exclusivamente textual con un contexto de 32k. La capacidad visual y el contexto de 128k introducidos en Small 3.1 pertenecen a esa versión posterior, y los modos híbridos de Small 4 tampoco deben trasladarse aquí. Una imagen, grabación de audio o vídeo debe tener su contenido pertinente preparado mediante otro componente antes de esta tarea textual.
Los ajustes de generación de 256 y 512 tokens de la ficha son ejemplos de uso, no capacidades máximas independientes de salida. Mantén explícitos la identidad Instruct 2501 exacta, el tokenizador y el resultado solicitado. El entregable final útil es la respuesta, el registro JSON o el código propuesto cuyo significado y formato coinciden con la tarea escrita original.
", "aboutText": "Mistral Small 3 Instruct 2501 es la versión de Mistral Small 3 de 24 mil millones de parámetros ajustada para seguir instrucciones. Se obtiene mediante ajuste fino del modelo Small 24B Base 2501, nombrado por separado. El fabricante lo orienta a asistencia conversacional ágil, llamadas a funciones y adaptación a materias específicas, con texto tanto en la entrada como en el resultado generado.\n\nFunciones principales y distinción del entrenamiento\n\nLa ficha del modelo documenta compatibilidad multilingüe, capacidades conversacionales y de razonamiento, llamadas nativas a funciones, salida JSON y seguimiento de prompts del sistema. Su ventana de contexto es de 32k y utiliza un tokenizador Tekken con un vocabulario indicado como 131k. La cifra de contexto se refiere al texto conservado para la tarea, mientras que la del vocabulario describe la tokenización; son especificaciones diferentes.\n\nEl fabricante enumera idiomas como inglés, francés, alemán, español, italiano, chino, japonés, coreano, portugués, neerlandés y polaco, y el ruso también está presente en los metadatos lingüísticos de la ficha publicada. Define el idioma final y cualquier terminología que deba permanecer sin cambios. Una explicación traducida puede conservar identificadores, nombres y unidades mientras adapta al lector la prosa circundante.\n\nEl anuncio de lanzamiento indica que Small 3 no se entrena con aprendizaje por refuerzo ni datos sintéticos y distingue los puntos de control preentrenados de los ajustados para instrucciones. Describe el modelo como una base que puede personalizarse más, no como un punto de control híbrido con los controles de razonamiento posteriores de Small 4. Esta entrada es la edición Instruct 2501 para seguir una tarea conversacional.\n\nTareas conversacionales y estructuradas\n\nPara un asistente de soporte, proporciona la pregunta del usuario, las referencias pertinentes y las reglas de respuesta. Pide la acción que responde a la pregunta y la condición en la que se aplica. Una salida práctica puede separar una respuesta concisa de los campos extraídos que necesita la aplicación para el siguiente paso, en lugar de mezclarlos en una explicación sin estructura.\n\nPara clasificar, proporciona las etiquetas permitidas y las distinciones entre ellas. Para extraer datos, indica los campos, los tipos esperados y la representación de información ausente. Un registro puede contener la categoría del problema, un identificador copiado del mensaje y un resumen breve de la acción solicitada. JSON organiza el resultado, mientras que el diseño de los campos y las reglas de interpretación siguen formando parte de la tarea proporcionada.\n\nPara explicar código, incluye la función, las declaraciones pertinentes y una entrada concreta. Pregunta qué ruta del código determina el resultado. Para una explicación matemática, define variables y suposiciones e identifica la expresión o afirmación que se debe establecer. Estas tareas textuales pueden devolver un método, una explicación y el resultado final sin suponer que el propio modelo ejecuta el código o un cálculo externo.\n\nInstrucciones del sistema y ajustes recomendados\n\nLa ficha recomienda un prompt del sistema adaptado al asistente previsto y una temperatura relativamente baja, como 0.15. Utiliza la instrucción del sistema para definir el papel, el estilo y las reglas de respuesta, mientras que el mensaje del usuario contiene el problema real o las fuentes. Mantén las instrucciones citadas dentro de un documento separadas de las instrucciones de la aplicación sobre qué hacer con ese documento.\n\nPara un asistente cotidiano, especifica si el resultado debe ser una respuesta breve, un registro estructurado o una explicación más larga. Si la respuesta se va a analizar mediante un programa, solicita el registro por separado de la prosa opcional. En un flujo documental repetido, conserva el identificador de origen junto a cada resultado para que la aplicación pueda devolver al usuario el material correcto.\n\nLlamadas a funciones y especialización\n\nEl modelo puede seleccionar una función descrita y producir sus argumentos. La aplicación ejecuta la operación y devuelve el resultado con la llamada a herramienta correspondiente, tras lo cual la siguiente respuesta puede utilizar esa información. El ejemplo de la ficha muestra una conversación con uso previo de herramientas seguida de una pregunta nueva. Esto ofrece al asistente una forma de solicitar información a herramientas conectadas sin tratar una llamada propuesta como una consulta completada.\n\nDescribe con claridad la finalidad y los valores requeridos de cada función. Una tarea de consulta puede indicar la información necesaria y devolver a la conversación el resultado real de la herramienta; una función de procesamiento de texto puede proporcionar un pasaje transformado para la siguiente respuesta. Mantén el conjunto de herramientas relacionado con el proceso actual y conserva el vínculo entre la operación propuesta y su resultado.\n\nEl fabricante también describe el ajuste fino para especialización temática. Ese proceso cambia un modelo para un dominio definido; proporcionar un documento en una conversación es, en cambio, condicionar esa tarea a una fuente. Aporta el material del dominio y los requisitos de respuesta que necesita el asistente concreto, en lugar de suponer que ya se ha realizado una personalización.\n\nLímites del contexto y sustantivos\n\nSmall 3 2501 es un modelo exclusivamente textual con un contexto de 32k. La capacidad visual y el contexto de 128k introducidos en Small 3.1 pertenecen a esa versión posterior, y los modos híbridos de Small 4 tampoco deben trasladarse aquí. Una imagen, grabación de audio o vídeo debe tener su contenido pertinente preparado mediante otro componente antes de esta tarea textual.\n\nLos ajustes de generación de 256 y 512 tokens de la ficha son ejemplos de uso, no capacidades máximas independientes de salida. Mantén explícitos la identidad Instruct 2501 exacta, el tokenizador y el resultado solicitado. El entregable final útil es la respuesta, el registro JSON o el código propuesto cuyo significado y formato coinciden con la tarea escrita original.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 es un modelo de texto de 24 mil millones de parámetros para instrucciones conversacionales, extracción estructurada y aplicaciones asistidas por herramientas. Proporciona un contexto de 32k según el fabricante, respuestas multilingües, compatibilidad con prompts del sistema, JSON y llamadas nativas a funciones en una versión diferenciada exclusivamente textual.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Small 3 Instruct 2501 es la versión de Mistral Small 3 de 24 mil millones de parámetros ajustada para seguir instrucciones. Se obtiene mediante ajuste fino del modelo Small 24B Base 2501, nombrado por separado. El fabricante lo orienta a asistencia conversacional ágil, llamadas a funciones y adaptación a materias específicas, con texto tanto en la entrada como en el resultado generado.
Funciones principales y distinción del entrenamiento
La ficha del modelo documenta compatibilidad multilingüe, capacidades conversacionales y de razonamiento, llamadas nativas a funciones, salida JSON y seguimiento de prompts del sistema. Su ventana de contexto es de 32k y utiliza un tokenizador Tekken con un vocabulario indicado como 131k. La cifra de contexto se refiere al texto conservado para la tarea, mientras que la del vocabulario describe la tokenización; son especificaciones diferentes.
El fabricante enumera idiomas como inglés, francés, alemán, español, italiano, chino, japonés, coreano, portugués, neerlandés y polaco, y el ruso también está presente en los metadatos lingüísticos de la ficha publicada. Define el idioma final y cualquier terminología que deba permanecer sin cambios. Una explicación traducida puede conservar identificadores, nombres y unidades mientras adapta al lector la prosa circundante.
El anuncio de lanzamiento indica que Small 3 no se entrena con aprendizaje por refuerzo ni datos sintéticos y distingue los puntos de control preentrenados de los ajustados para instrucciones. Describe el modelo como una base que puede personalizarse más, no como un punto de control híbrido con los controles de razonamiento posteriores de Small 4. Esta entrada es la edición Instruct 2501 para seguir una tarea conversacional.
Tareas conversacionales y estructuradas
Para un asistente de soporte, proporciona la pregunta del usuario, las referencias pertinentes y las reglas de respuesta. Pide la acción que responde a la pregunta y la condición en la que se aplica. Una salida práctica puede separar una respuesta concisa de los campos extraídos que necesita la aplicación para el siguiente paso, en lugar de mezclarlos en una explicación sin estructura.
Para clasificar, proporciona las etiquetas permitidas y las distinciones entre ellas. Para extraer datos, indica los campos, los tipos esperados y la representación de información ausente. Un registro puede contener la categoría del problema, un identificador copiado del mensaje y un resumen breve de la acción solicitada. JSON organiza el resultado, mientras que el diseño de los campos y las reglas de interpretación siguen formando parte de la tarea proporcionada.
Para explicar código, incluye la función, las declaraciones pertinentes y una entrada concreta. Pregunta qué ruta del código determina el resultado. Para una explicación matemática, define variables y suposiciones e identifica la expresión o afirmación que se debe establecer. Estas tareas textuales pueden devolver un método, una explicación y el resultado final sin suponer que el propio modelo ejecuta el código o un cálculo externo.
Instrucciones del sistema y ajustes recomendados
La ficha recomienda un prompt del sistema adaptado al asistente previsto y una temperatura relativamente baja, como 0.15. Utiliza la instrucción del sistema para definir el papel, el estilo y las reglas de respuesta, mientras que el mensaje del usuario contiene el problema real o las fuentes. Mantén las instrucciones citadas dentro de un documento separadas de las instrucciones de la aplicación sobre qué hacer con ese documento.
Para un asistente cotidiano, especifica si el resultado debe ser una respuesta breve, un registro estructurado o una explicación más larga. Si la respuesta se va a analizar mediante un programa, solicita el registro por separado de la prosa opcional. En un flujo documental repetido, conserva el identificador de origen junto a cada resultado para que la aplicación pueda devolver al usuario el material correcto.
Llamadas a funciones y especialización
El modelo puede seleccionar una función descrita y producir sus argumentos. La aplicación ejecuta la operación y devuelve el resultado con la llamada a herramienta correspondiente, tras lo cual la siguiente respuesta puede utilizar esa información. El ejemplo de la ficha muestra una conversación con uso previo de herramientas seguida de una pregunta nueva. Esto ofrece al asistente una forma de solicitar información a herramientas conectadas sin tratar una llamada propuesta como una consulta completada.
Describe con claridad la finalidad y los valores requeridos de cada función. Una tarea de consulta puede indicar la información necesaria y devolver a la conversación el resultado real de la herramienta; una función de procesamiento de texto puede proporcionar un pasaje transformado para la siguiente respuesta. Mantén el conjunto de herramientas relacionado con el proceso actual y conserva el vínculo entre la operación propuesta y su resultado.
El fabricante también describe el ajuste fino para especialización temática. Ese proceso cambia un modelo para un dominio definido; proporcionar un documento en una conversación es, en cambio, condicionar esa tarea a una fuente. Aporta el material del dominio y los requisitos de respuesta que necesita el asistente concreto, en lugar de suponer que ya se ha realizado una personalización.
Límites del contexto y sustantivos
Small 3 2501 es un modelo exclusivamente textual con un contexto de 32k. La capacidad visual y el contexto de 128k introducidos en Small 3.1 pertenecen a esa versión posterior, y los modos híbridos de Small 4 tampoco deben trasladarse aquí. Una imagen, grabación de audio o vídeo debe tener su contenido pertinente preparado mediante otro componente antes de esta tarea textual.
Los ajustes de generación de 256 y 512 tokens de la ficha son ejemplos de uso, no capacidades máximas independientes de salida. Mantén explícitos la identidad Instruct 2501 exacta, el tokenizador y el resultado solicitado. El entregable final útil es la respuesta, el registro JSON o el código propuesto cuyo significado y formato coinciden con la tarea escrita original.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.00016 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.00016 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-24b-instruct-2501',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/mistral-small-24b-instruct-2501
Usa las rutas de método indicadas arriba.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 es un modelo de texto de 24 mil millones de parámetros para instrucciones conversacionales, extracción estructurada y aplicaciones asistidas por herramientas. Proporciona un contexto de 32k según el fabricante, respuestas multilingües, compatibilidad con prompts del sistema, JSON y llamadas nativas a funciones en una versión diferenciada exclusivamente textual.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Small 3 Instruct 2501 es la versión de Mistral Small 3 de 24 mil millones de parámetros ajustada para seguir instrucciones. Se obtiene mediante ajuste fino del modelo Small 24B Base 2501, nombrado por separado. El fabricante lo orienta a asistencia conversacional ágil, llamadas a funciones y adaptación a materias específicas, con texto tanto en la entrada como en el resultado generado.
Funciones principales y distinción del entrenamiento
La ficha del modelo documenta compatibilidad multilingüe, capacidades conversacionales y de razonamiento, llamadas nativas a funciones, salida JSON y seguimiento de prompts del sistema. Su ventana de contexto es de 32k y utiliza un tokenizador Tekken con un vocabulario indicado como 131k. La cifra de contexto se refiere al texto conservado para la tarea, mientras que la del vocabulario describe la tokenización; son especificaciones diferentes.
El fabricante enumera idiomas como inglés, francés, alemán, español, italiano, chino, japonés, coreano, portugués, neerlandés y polaco, y el ruso también está presente en los metadatos lingüísticos de la ficha publicada. Define el idioma final y cualquier terminología que deba permanecer sin cambios. Una explicación traducida puede conservar identificadores, nombres y unidades mientras adapta al lector la prosa circundante.
El anuncio de lanzamiento indica que Small 3 no se entrena con aprendizaje por refuerzo ni datos sintéticos y distingue los puntos de control preentrenados de los ajustados para instrucciones. Describe el modelo como una base que puede personalizarse más, no como un punto de control híbrido con los controles de razonamiento posteriores de Small 4. Esta entrada es la edición Instruct 2501 para seguir una tarea conversacional.
Tareas conversacionales y estructuradas
Para un asistente de soporte, proporciona la pregunta del usuario, las referencias pertinentes y las reglas de respuesta. Pide la acción que responde a la pregunta y la condición en la que se aplica. Una salida práctica puede separar una respuesta concisa de los campos extraídos que necesita la aplicación para el siguiente paso, en lugar de mezclarlos en una explicación sin estructura.
Para clasificar, proporciona las etiquetas permitidas y las distinciones entre ellas. Para extraer datos, indica los campos, los tipos esperados y la representación de información ausente. Un registro puede contener la categoría del problema, un identificador copiado del mensaje y un resumen breve de la acción solicitada. JSON organiza el resultado, mientras que el diseño de los campos y las reglas de interpretación siguen formando parte de la tarea proporcionada.
Para explicar código, incluye la función, las declaraciones pertinentes y una entrada concreta. Pregunta qué ruta del código determina el resultado. Para una explicación matemática, define variables y suposiciones e identifica la expresión o afirmación que se debe establecer. Estas tareas textuales pueden devolver un método, una explicación y el resultado final sin suponer que el propio modelo ejecuta el código o un cálculo externo.
Instrucciones del sistema y ajustes recomendados
La ficha recomienda un prompt del sistema adaptado al asistente previsto y una temperatura relativamente baja, como 0.15. Utiliza la instrucción del sistema para definir el papel, el estilo y las reglas de respuesta, mientras que el mensaje del usuario contiene el problema real o las fuentes. Mantén las instrucciones citadas dentro de un documento separadas de las instrucciones de la aplicación sobre qué hacer con ese documento.
Para un asistente cotidiano, especifica si el resultado debe ser una respuesta breve, un registro estructurado o una explicación más larga. Si la respuesta se va a analizar mediante un programa, solicita el registro por separado de la prosa opcional. En un flujo documental repetido, conserva el identificador de origen junto a cada resultado para que la aplicación pueda devolver al usuario el material correcto.
Llamadas a funciones y especialización
El modelo puede seleccionar una función descrita y producir sus argumentos. La aplicación ejecuta la operación y devuelve el resultado con la llamada a herramienta correspondiente, tras lo cual la siguiente respuesta puede utilizar esa información. El ejemplo de la ficha muestra una conversación con uso previo de herramientas seguida de una pregunta nueva. Esto ofrece al asistente una forma de solicitar información a herramientas conectadas sin tratar una llamada propuesta como una consulta completada.
Describe con claridad la finalidad y los valores requeridos de cada función. Una tarea de consulta puede indicar la información necesaria y devolver a la conversación el resultado real de la herramienta; una función de procesamiento de texto puede proporcionar un pasaje transformado para la siguiente respuesta. Mantén el conjunto de herramientas relacionado con el proceso actual y conserva el vínculo entre la operación propuesta y su resultado.
El fabricante también describe el ajuste fino para especialización temática. Ese proceso cambia un modelo para un dominio definido; proporcionar un documento en una conversación es, en cambio, condicionar esa tarea a una fuente. Aporta el material del dominio y los requisitos de respuesta que necesita el asistente concreto, en lugar de suponer que ya se ha realizado una personalización.
Límites del contexto y sustantivos
Small 3 2501 es un modelo exclusivamente textual con un contexto de 32k. La capacidad visual y el contexto de 128k introducidos en Small 3.1 pertenecen a esa versión posterior, y los modos híbridos de Small 4 tampoco deben trasladarse aquí. Una imagen, grabación de audio o vídeo debe tener su contenido pertinente preparado mediante otro componente antes de esta tarea textual.
Los ajustes de generación de 256 y 512 tokens de la ficha son ejemplos de uso, no capacidades máximas independientes de salida. Mantén explícitos la identidad Instruct 2501 exacta, el tokenizador y el resultado solicitado. El entregable final útil es la respuesta, el registro JSON o el código propuesto cuyo significado y formato coinciden con la tarea escrita original.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.00016 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.00016 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', '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/mistral-small-24b-instruct-2501
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.