Mistral: Mistral Small 4 (batch)

Mistral Small 4 es un modelo híbrido de texto e imagen con capacidades de instrucciones, razonamiento y programación. Su versión de mezcla de expertos de 119 mil millones de parámetros activa 6,5 mil millones por token y admite un contexto de 256k según el fabricante, esfuerzo de razonamiento seleccionable, JSON y llamadas a funciones.

Ailoot Ultra · Procesamiento por lotes POST /v1/batches mistralai/mistral-small-2603:batch

Sobre el modelo

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 4 combina seguimiento general de instrucciones, razonamiento y programación en un único modelo multimodal. El fabricante lo describe como la unificación de las familias Instruct, Magistral de razonamiento y Devstral de programación. Acepta texto e imágenes y devuelve texto, con llamadas a funciones y salida JSON disponibles para aplicaciones asistidas por herramientas.

Arquitectura y funciones principales

La versión tiene 119 mil millones de parámetros totales y activa 6,5 mil millones por token. Su arquitectura de mezcla de expertos contiene 128 expertos, con 4 activos, y el fabricante documenta una ventana de contexto de 256k. El número de parámetros activos y de expertos describe cómo se organiza el modelo; es distinto de la cantidad de texto o imágenes incluidos en una tarea.

El modelo proporciona funciones de instrucciones y razonamiento en el mismo punto de control. El fabricante también identifica visión, seguimiento de prompts del sistema y compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. Por tanto, una instrucción textual puede preguntar sobre una imagen o combinar un requisito escrito con pruebas visibles, y recibir la respuesta como texto.

Una tarea visual puede proporcionar una página documental y pedir los valores pertinentes para una condición nombrada. Mantén legibles las etiquetas y unidades e indica si el resultado debe conservar la redacción original, resumirla o compararla con otra fuente. Una tarea de interfaz puede acompañar una captura con el objetivo del usuario y solicitar el control visible pertinente y las pruebas que respaldan un siguiente paso propuesto.

Elección del modo de instrucciones o razonamiento

La ficha publicada documenta el esfuerzo de razonamiento none para una respuesta inmediata basada en instrucciones y high para razonamiento, recomendando high para prompts complejos. La elección se realiza por solicitud dentro del mismo modelo Small 4. Una clasificación ordinaria o reescritura breve puede tener un contrato de respuesta diferente de un problema matemático, visual o de programación que necesite una explicación desarrollada.

El fabricante recomienda temperature 0.7 para esfuerzo de razonamiento high. Para none, especifica temperaturas entre 0.0 y 0.7 según la tarea. Estos ajustes describen los modos documentados y no convierten el esfuerzo de razonamiento en una garantía de resultado correcto. Define las suposiciones, la forma de salida y las fuentes pertinentes antes de decidir cuánto razonamiento necesita la tarea.

Para resolver un problema, proporciona el enunciado completo y solicita los pasos importantes justificados seguidos de la expresión final. Para una tarea de código, proporciona el requisito, la función afectada y una entrada concreta; solicita la implementación propuesta por separado de la explicación y los ejemplos. Las demostraciones de uso del fabricante incluyen seguimiento de instrucciones, una herramienta de cálculo aplicada a una imagen y razonamiento visual, mostrando cómo las pruebas textuales y visuales pueden participar en estas tareas diferentes.

Programación, documentos y herramientas

El modelo está orientado a exploración de bases de código y agentes de ingeniería de software, asistentes generales, comprensión documental e investigación. Una solicitud para un agente de programación puede nombrar el módulo que cambiar, la interfaz que conservar y el comportamiento que debe resultar. Proporciona el código pertinente y las pruebas del fallo. El modelo puede proponer la siguiente operación o un cambio de código, mientras que la aplicación proporciona acceso al repositorio, ejecución y comentarios sobre los resultados.

Para extracción documental, identifica los campos requeridos y cómo representar la información ausente. Un registro útil puede separar el identificador del documento, la afirmación de origen, el requisito interpretado y la pregunta pendiente. La ficha del servicio del fabricante enumera salida estructurada personalizada y preguntas y respuestas sobre documentos; esta última utiliza procesamiento documental y OCR para preparar texto y estructura antes del análisis del modelo lingüístico. Una pregunta directa sobre una imagen y un flujo documental asistido por OCR deben conservar su propia preparación de entradas.

Las llamadas a funciones requieren herramientas descritas con claridad. El modelo selecciona una función y crea argumentos; la aplicación ejecuta la operación y devuelve su resultado para la respuesta posterior. La misma lógica se aplica si la tarea es una consulta, un cálculo o una operación de programación. El formato JSON organiza una respuesta, mientras que una llamada a herramienta solicita una acción externa; no deben tratarse como resultados intercambiables.

La ficha del servicio también enumera salidas predichas, prefijos de respuesta, procesamiento por lotes y conversaciones de agentes. Las salidas predichas son útiles cuando se debe regenerar un documento o archivo de código con un cambio limitado y el resto del contenido es conocido. Especifica la edición y el material que conservar. La continuación mediante prefijo utiliza un comienzo conocido de la respuesta, mientras que el procesamiento por lotes se refiere al envío de trabajo, no a un modo de razonamiento adicional.

Límites del contexto y de la edición

Planifica la tarea escrita, el material visual, la conversación y la respuesta deseada en función del contexto documentado de 256k. El ejemplo de uso publicado configura un contexto de 262.144 tokens, mientras que su ejemplo de generación de 1.024 tokens no constituye una capacidad máxima independiente de salida. Las fuentes consultadas no proporcionan un límite estricto independiente de longitud de respuesta que sustituya a la longitud elegida para la tarea.

Small 4 tiene su propia arquitectura de mezcla de expertos de 119 mil millones de parámetros y modos híbridos. No debe heredar la arquitectura densa de 128 mil millones de parámetros de Medium 3.5 ni las ediciones Instruct y Reasoning separadas de Ministral 3. El fabricante también publica elementos diferenciados de cuantización y decodificación especulativa; son elementos de despliegue independientes, no modalidades de contenido distintas. Conserva la versión Small 4 nombrada y el modo solicitado para la explicación, el registro estructurado o el resultado de código real.

Ailoot Ultra · Procesamiento por lotes POST /v1/batches mistralai/mistral-small-2603:batch

mistralai/mistral-small-2603:batch

Mistral /mistralai/mistral-small-2603:batch

Primeros pasos

Entradas aceptadas: Texto
Resultados: Texto

Disponible en Ailoot · entradas y métodos

Ailoot Ultra · Procesamiento por lotes POST /v1/batches

Tipos de entrada: text
Tipos de salida: text
Formato de salida: JSON de results[].response.body incluido directamente

Campo	Tipo	Requisito	Valores y límites	Predeterminado
Campo`endpoint`	Tipo`string`	RequisitoObligatorio	Valores y límites /v1/chat/completions	Predeterminado—
Campo`model`	Tipo`string`	RequisitoObligatorio	Valores y límites mistralai/mistral-small-2603:batch	Predeterminado—
Campo`requests`	Tipo`batch_item[]`	RequisitoObligatorio	Valores y límites Número mínimo de elementos: 1	Predeterminado—
Campo`requests[].custom_id`	Tipo`string`	RequisitoObligatorio	Valores y límites	Predeterminado—
Campo`requests[].body.messages`	Tipo`message[]`	RequisitoObligatorio	Valores y límites	Predeterminado—
Campo`completion_window`	Tipo`string`	RequisitoOpcional	Valores y límites 24h	Predeterminado—
Campo`provider`	Tipo`object\|null`	RequisitoOpcional	Valores y límites	Predeterminado—
Campo`requests[].body.model`	Tipo`string`	RequisitoOpcional	Valores y límites mistralai/mistral-small-2603:batch, mistralai/mistral-small-2603	Predeterminado—
Campo`provider.only`	Tipo`string[]`	RequisitoOpcional	Valores y límites mistral	Predeterminado—
Campo`provider.allow_fallbacks`	Tipo`boolean\|null`	RequisitoOpcional	Valores y límites false, null	Predeterminado—

Parámetros del método y ciclo de vida

Parámetro	Contrato
Parámetro`content_type`	Contratoapplication/json
Parámetro`required`	Contratoendpoint, model, requests
Parámetro`material_types`	Contratotext
Parámetro`representation`	Contratorequests[] en la propia solicitud; cada elemento tiene custom_id y body
Parámetro`request_endpoint_profile`	Contrato/v1/chat/completions
Parámetro`file_material`	ContratoEl cliente puede leer localmente el JSONL real en UTF-8 e incorporarlo a requests[]. No se utiliza purpose de carga, input_file_id ni ninguna referencia a archivos. Si falta el material del cliente o está vacío, la preparación se detiene antes del POST.
Parámetro`serialization_order`	Contratoendpoint, model, provider (si se proporciona), completion_window (si se proporciona), requests al final
Parámetro`optional_controls`	Contratoprovider.only, provider.allow_fallbacks, completion_window
Parámetro`schema_scope`	ContratoCuerpos de Chat Completions de texto incluidos directamente en el contenedor Batch documentado.

Ciclo de vida: asynchronous

GET /v1/batches/{operation_id} · response.id real de la respuesta de creación original; mismo usuario, clave y grupo

Planes

Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.

Modo rápido: Sin especificar Cuando se selecciona el modo rápido
Modo flex: Sin especificar Cuando se selecciona el modo flex
Esfuerzo máximo de razonamiento: Sin especificar Cuando el esfuerzo máximo de razonamiento utiliza el ajuste predeterminado (default)
Precios de caché explícita: No habilitado Cuando se solicita caché explícita

Tarifas de Ailoot

Precios por configuración

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 $0.00015 / 1K tokens Salida · Tokens de salida $0.0006 / 1K tokens Entrada · Lectura de caché $0.000015 / 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 $0.00015 / 1K tokens Salida · Tokens de salida $0.0006 / 1K tokens Entrada · Lectura de caché $0.000015 / 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 →

Solicitudes de ejemplo

Ailoot Ultra · Procesamiento por lotes

curl · ejemplo de prueba conservadoPython HTTP · JSONL real del clientePython · guarda cada resultado completado

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json
from pathlib import Path
body=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-small-2603:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')
Path("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json

import json, os
from pathlib import Path
from urllib.request import Request, urlopen

def prepare_requests(customer_path):
    path = Path(customer_path)
    if not path.is_file(): raise ValueError("Customer JSONL file is missing")
    items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]
    if not items: raise ValueError("Customer JSONL contains no requests")
    ids = set()
    for item in items:
        if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")
        cid = item["custom_id"]
        if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")
        ids.add(cid)
        if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")
        supplied_model = item["body"].get("model")
        if supplied_model is not None and supplied_model not in ['mistralai/mistral-small-2603:batch', 'mistralai/mistral-small-2603']: raise ValueError("body.model must be an exact documented caller or wire ID")
    return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-small-2603:batch", "requests":items}

if __name__ == "__main__":
    material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")
    if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")
    body = prepare_requests(material)
    key = os.environ.get("AILOOT_API_KEY", "")
    if not key: raise SystemExit("Set AILOOT_API_KEY")
    request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")
    with urlopen(request) as response:
        raw = response.read()
        Path("batch-create-response.json").write_bytes(raw)
        print(raw.decode("utf-8"))

import json
from pathlib import Path
raw = Path("batch-status-response.json").read_bytes()
response = json.loads(raw)
if response.get("status") != "completed":
    raise SystemExit("Keep the original operation; read its status without resubmitting")
results = response.get("results")
if not isinstance(results, list) or not results:
    raise SystemExit("Preserve the original response; completed results are missing")
Path("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\n" for item in results), encoding="utf-8")
# Preserve batch-status-response.json with aggregate usage and every result/error.

Recibir y guardar resultados

Ailoot Ultra · Procesamiento por lotes

JSON de results[].response.body incluido directamente

GET /v1/batches/{operation_id}

Consultar el estado de la tarea

curl · estado de la operación original

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
BATCH_OPERATION_ID="$(python3 - <<'PY_ID'
import json
from pathlib import Path
from urllib.parse import quote
response = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))
operation = response.get("id")
if not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")
print(quote(operation, safe=""))
PY_ID
)"
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json

Conserva todos los resultados completados

Conserva todas las respuestas, archivos y partes de contenido completos recibidos.

Conserva el JSON completo del estado original, cada resultado y su custom_id, y el cuerpo completo de la respuesta o del error. Guarda los results[] completados como JSONL sin filtrarlos.

Si es necesario revisar la respuesta original

Conserva el ID de la operación original. 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado se desconoce.

Campos de respuesta

Campo	Tipo
Campo`results[].custom_id`	Tipostring
Campo`results[].response.body.choices[].message.content`	Tipostring\|null
Campo`results[].error`	Tipoobject\|null
Campo`usage`	Tipoobject\|null
Campo`id`	Tipostring
Campo`model`	Tipostring
Campo`endpoint`	Tipostring
Campo`status`	Tipostring
Campo`request_counts`	Tipoobject
Campo`results[].id`	Tipostring
Campo`results[].response.status_code`	Tipointeger
Campo`results[].response.request_id`	Tipostring

Errores y siguientes pasos

Respuesta	Condición	Siguiente paso
Respuesta400 · `invalid_request_error`	CondiciónEl contenedor documentado con contenido incluido directamente no es válido, hay claves duplicadas, la identidad de un elemento no es válida o existe un conflicto con las capacidades configuradas del modelo.	Siguiente pasoCorrige los campos indicados antes de cualquier nuevo envío.
Respuesta401 · `authentication_error`	CondiciónClave API no válida.	Siguiente pasoUsa la clave Ailoot autorizada.
Respuesta403 · `permission_error`	CondiciónGrupo de Batch no disponible.	Siguiente pasoComprueba los permisos de la clave y del grupo.
Respuesta422 · `invalid_request_error`	CondiciónBatch se factura con cargo al saldo; se rechaza su creación con una suscripción.	Siguiente pasoUsa el grupo autorizado que se factura con cargo al saldo.
Respuesta422 · `price_unavailable`	CondiciónNo se puede calcular el presupuesto de la entrada de Batch.	Siguiente pasoConserva la respuesta; usa la entrada documentada para la familia.
Respuesta402 · `billing_error`	CondiciónReserva de Batch no disponible.	Siguiente pasoResuelve la admisión antes de enviar una nueva solicitud.
Respuesta503 · `price_unavailable`	CondiciónPrecio del método Batch o tarifas nativas no disponibles.	Siguiente pasoConserva la respuesta; no sustituyas los precios.
Respuesta503 · `api_error`	CondiciónLa ruta exacta del proveedor no está disponible.	Siguiente pasoConserva la respuesta para reparar la ruta.
Respuesta503 · `result_pending_check`	CondiciónEl resultado original requiere comprobación; X-Should-Retry:false.	Siguiente pasoConserva el operation_id/id original y consulta su estado; nunca repitas el POST original.
Respuesta404 · `not_found`	CondiciónLa operación de consulta de estado de Batch no existe o pertenece a otra identidad.	Siguiente pasoUsa el id original exacto y el mismo usuario, clave y grupo.

Alias

Alias del modelo

Ailoot Ultra mistralai/mistral-small-2603:batch

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

mistralai/mistral-small-2603:batch

FAQ · Mistral: Mistral Small 4 (batch)

¿Qué entradas y resultados están disponibles?: POST /v1/batches · mistralai/mistral-small-2603:batch: text → text
¿Qué campos utiliza la solicitud?: POST /v1/batches · mistralai/mistral-small-2603:batch: endpoint, model, requests, completion_window, provider
¿Qué límites se aplican?: POST /v1/batches · mistralai/mistral-small-2603:batch: requests.min_items: 1

Mistral: Mistral Small 4 (batch)