Ministral 3 3B Instruct 2512 est la plus petite édition de la famille Ministral 3 de Mistral AI ajustée pour suivre des instructions. Le concepteur la destine aux applications compactes pilotées par instructions, notamment aux légendes d’images, à la classification de textes, à l’extraction de données, à la traduction et aux contenus courts. Le point de contrôle publié utilise la précision FP8 et associe le traitement du texte à un composant d’entrée visuelle.
Composants et capacités du modèle
La fiche indique un modèle linguistique de 3,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Elle décrit une fenêtre de contexte de 256 k tokens ; les notes d’utilisation donnent une longueur configurée par défaut de 262 144. Ces nombres de paramètres concernent l’édition 3B, et non les membres 8B ou 14B de la famille. Le modèle accepte du texte et des images et génère du texte, y compris des enregistrements au format JSON ou des propositions d’appels de fonctions.
Le concepteur décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne également le respect des instructions système. Précisez la langue de sortie requise et les libellés ou termes qui doivent rester inchangés. Vous alignez ainsi une explication traduite ou un enregistrement extrait sur l’usage prévu par l’application.
Classification et extraction ciblées
Pour une tâche de classification, fournissez les libellés autorisés, la règle qui les distingue et le message à classer. Demandez un seul libellé et une brève explication fondée sur le message fourni. Si les libellés sont ambigus, définissez les informations qui permettraient de les distinguer au lieu de vous fier à leur seul nom. Vous obtenez un résultat compact et utilisable de manière cohérente dans un processus plus large.
Pour l’extraction, énumérez les champs et leurs types et indiquez comment représenter les informations manquantes. Une requête peut demander un identifiant d’article, l’état explicitement décrit et l’action souhaitée par l’utilisateur. Exigez la formulation de la source lorsque les mots exacts comptent, ou une valeur normalisée si l’application fournit la règle de normalisation. La sortie JSON organise le résultat ; la conception des champs reste propre à la tâche et ne constitue pas un schéma universel intégré.
La fiche mentionne aussi les légendes d’images et la génération de contenus courts. Pour une légende, définissez l’aspect de l’image à décrire et le public. Pour une courte explication, fournissez les faits à conserver et la longueur souhaitée. Une réponse d’assistance peut partir de la question originale et des consignes fournies pour proposer une prochaine étape concise ainsi que la condition qui la rend applicable.
Préparation visuelle et multilingue
Associez une image à une question textuelle claire. Pour un champ de document, conservez le libellé, la valeur et le contexte nécessaire à leur interprétation. Pour décrire un objet, précisez la caractéristique visible qui importe. Le concepteur recommande des proportions proches de 1:1 et d’éviter les entrées très étroites ou très larges ; recadrez au besoin sans supprimer les éléments sur lesquels repose la question.
Pour une traduction, fournissez le texte original, la langue cible et toute liste terminologique. Demandez le passage traduit séparément d’une éventuelle explication. Une classification multilingue peut conserver les libellés de l’application tout en expliquant le choix dans la langue du lecteur. Ce sont des sorties définies, plutôt qu’une demande de commentaire libre sur un message ou une image.
Outils et réglages recommandés
Les appels de fonctions natifs permettent à une application de relier la conversation à une opération décrite. Le modèle prépare les arguments, l’application exécute la fonction et le résultat sert d’information pour la réponse suivante. Une recherche peut fournir une valeur manquante, ou un outil de calcul traiter des valeurs repérées dans une image. Le modèle de texte n’exécute pas lui-même la fonction en produisant simplement son nom et ses arguments.
Le concepteur recommande une instruction système définissant l’environnement et le cas d’usage, y compris les consignes relatives aux outils. Rédigez des descriptions claires et limitez les outils aux opérations nécessaires. Pour un assistant ciblé, une tâche explicite d’extraction ou de recherche peut être plus facile à interpréter qu’une consigne réunissant de nombreuses fonctions sans rapport entre elles et sans règle de sélection.
La fiche préconise une température basse : inférieure à 0,1 pour les usages courants et de production, et une température initiale de 0,1 pour la plupart des cas dans sa note distincte sur l’échantillonnage. Des valeurs supérieures peuvent être explorées pour les contenus créatifs. Ces recommandations ont des périmètres différents ; elles ne garantissent pas qu’un réglage unique rende chaque valeur extraite ou chaque classification correcte.
Édition et limites du contexte
Ministral 3 propose des versions Base, Instruct et Reasoning distinctes pour chaque taille de modèle. Cette entrée identifie le point de contrôle Instruct 2512, et non un mode de raisonnement automatiquement activé ou la version de base préentraînée. Le concepteur cite la spécialisation et l’ajustement fin parmi les applications possibles ; la tâche d’instruction en cours doit néanmoins définir clairement ses entrées, ses règles et sa sortie.
Maintenez les sources pertinentes et la conversation dans le contexte configuré et demandez le résultat compact nécessaire à l’étape suivante de l’application. Les notes d’utilisation permettent de réduire la longueur de contexte configurée lorsque la fenêtre complète est inutile. Un exemple de génération de 512 tokens et une allocation élevée dans un autre exemple ne constituent pas des capacités maximales de sortie documentées indépendamment. La génération d’images, la sortie audio et les actions externes nécessitent d’autres composants que ce modèle produisant du texte.
", "aboutText": "Ministral 3 3B Instruct 2512 est la plus petite édition de la famille Ministral 3 de Mistral AI ajustée pour suivre des instructions. Le concepteur la destine aux applications compactes pilotées par instructions, notamment aux légendes d’images, à la classification de textes, à l’extraction de données, à la traduction et aux contenus courts. Le point de contrôle publié utilise la précision FP8 et associe le traitement du texte à un composant d’entrée visuelle.\n\nComposants et capacités du modèle\n\nLa fiche indique un modèle linguistique de 3,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Elle décrit une fenêtre de contexte de 256 k tokens ; les notes d’utilisation donnent une longueur configurée par défaut de 262 144. Ces nombres de paramètres concernent l’édition 3B, et non les membres 8B ou 14B de la famille. Le modèle accepte du texte et des images et génère du texte, y compris des enregistrements au format JSON ou des propositions d’appels de fonctions.\n\nLe concepteur décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne également le respect des instructions système. Précisez la langue de sortie requise et les libellés ou termes qui doivent rester inchangés. Vous alignez ainsi une explication traduite ou un enregistrement extrait sur l’usage prévu par l’application.\n\nClassification et extraction ciblées\n\nPour une tâche de classification, fournissez les libellés autorisés, la règle qui les distingue et le message à classer. Demandez un seul libellé et une brève explication fondée sur le message fourni. Si les libellés sont ambigus, définissez les informations qui permettraient de les distinguer au lieu de vous fier à leur seul nom. Vous obtenez un résultat compact et utilisable de manière cohérente dans un processus plus large.\n\nPour l’extraction, énumérez les champs et leurs types et indiquez comment représenter les informations manquantes. Une requête peut demander un identifiant d’article, l’état explicitement décrit et l’action souhaitée par l’utilisateur. Exigez la formulation de la source lorsque les mots exacts comptent, ou une valeur normalisée si l’application fournit la règle de normalisation. La sortie JSON organise le résultat ; la conception des champs reste propre à la tâche et ne constitue pas un schéma universel intégré.\n\nLa fiche mentionne aussi les légendes d’images et la génération de contenus courts. Pour une légende, définissez l’aspect de l’image à décrire et le public. Pour une courte explication, fournissez les faits à conserver et la longueur souhaitée. Une réponse d’assistance peut partir de la question originale et des consignes fournies pour proposer une prochaine étape concise ainsi que la condition qui la rend applicable.\n\nPréparation visuelle et multilingue\n\nAssociez une image à une question textuelle claire. Pour un champ de document, conservez le libellé, la valeur et le contexte nécessaire à leur interprétation. Pour décrire un objet, précisez la caractéristique visible qui importe. Le concepteur recommande des proportions proches de 1:1 et d’éviter les entrées très étroites ou très larges ; recadrez au besoin sans supprimer les éléments sur lesquels repose la question.\n\nPour une traduction, fournissez le texte original, la langue cible et toute liste terminologique. Demandez le passage traduit séparément d’une éventuelle explication. Une classification multilingue peut conserver les libellés de l’application tout en expliquant le choix dans la langue du lecteur. Ce sont des sorties définies, plutôt qu’une demande de commentaire libre sur un message ou une image.\n\nOutils et réglages recommandés\n\nLes appels de fonctions natifs permettent à une application de relier la conversation à une opération décrite. Le modèle prépare les arguments, l’application exécute la fonction et le résultat sert d’information pour la réponse suivante. Une recherche peut fournir une valeur manquante, ou un outil de calcul traiter des valeurs repérées dans une image. Le modèle de texte n’exécute pas lui-même la fonction en produisant simplement son nom et ses arguments.\n\nLe concepteur recommande une instruction système définissant l’environnement et le cas d’usage, y compris les consignes relatives aux outils. Rédigez des descriptions claires et limitez les outils aux opérations nécessaires. Pour un assistant ciblé, une tâche explicite d’extraction ou de recherche peut être plus facile à interpréter qu’une consigne réunissant de nombreuses fonctions sans rapport entre elles et sans règle de sélection.\n\nLa fiche préconise une température basse : inférieure à 0,1 pour les usages courants et de production, et une température initiale de 0,1 pour la plupart des cas dans sa note distincte sur l’échantillonnage. Des valeurs supérieures peuvent être explorées pour les contenus créatifs. Ces recommandations ont des périmètres différents ; elles ne garantissent pas qu’un réglage unique rende chaque valeur extraite ou chaque classification correcte.\n\nÉdition et limites du contexte\n\nMinistral 3 propose des versions Base, Instruct et Reasoning distinctes pour chaque taille de modèle. Cette entrée identifie le point de contrôle Instruct 2512, et non un mode de raisonnement automatiquement activé ou la version de base préentraînée. Le concepteur cite la spécialisation et l’ajustement fin parmi les applications possibles ; la tâche d’instruction en cours doit néanmoins définir clairement ses entrées, ses règles et sa sortie.\n\nMaintenez les sources pertinentes et la conversation dans le contexte configuré et demandez le résultat compact nécessaire à l’étape suivante de l’application. Les notes d’utilisation permettent de réduire la longueur de contexte configurée lorsque la fenêtre complète est inutile. Un exemple de génération de 512 tokens et une allocation élevée dans un autre exemple ne constituent pas des capacités maximales de sortie documentées indépendamment. La génération d’images, la sortie audio et les actions externes nécessitent d’autres composants que ce modèle produisant du texte.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 est un modèle multilingue compact de traitement du texte et des images, destiné à la classification, à l’extraction, aux légendes d’images et aux contenus courts. Son composant linguistique de 3,4 milliards de paramètres et son encodeur visuel de 0,4 milliard prennent en charge les instructions système, JSON, les appels de fonctions et un contexte annoncé par le concepteur de 256 k tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 3B Instruct 2512 est la plus petite édition de la famille Ministral 3 de Mistral AI ajustée pour suivre des instructions. Le concepteur la destine aux applications compactes pilotées par instructions, notamment aux légendes d’images, à la classification de textes, à l’extraction de données, à la traduction et aux contenus courts. Le point de contrôle publié utilise la précision FP8 et associe le traitement du texte à un composant d’entrée visuelle.
Composants et capacités du modèle
La fiche indique un modèle linguistique de 3,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Elle décrit une fenêtre de contexte de 256 k tokens ; les notes d’utilisation donnent une longueur configurée par défaut de 262 144. Ces nombres de paramètres concernent l’édition 3B, et non les membres 8B ou 14B de la famille. Le modèle accepte du texte et des images et génère du texte, y compris des enregistrements au format JSON ou des propositions d’appels de fonctions.
Le concepteur décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne également le respect des instructions système. Précisez la langue de sortie requise et les libellés ou termes qui doivent rester inchangés. Vous alignez ainsi une explication traduite ou un enregistrement extrait sur l’usage prévu par l’application.
Classification et extraction ciblées
Pour une tâche de classification, fournissez les libellés autorisés, la règle qui les distingue et le message à classer. Demandez un seul libellé et une brève explication fondée sur le message fourni. Si les libellés sont ambigus, définissez les informations qui permettraient de les distinguer au lieu de vous fier à leur seul nom. Vous obtenez un résultat compact et utilisable de manière cohérente dans un processus plus large.
Pour l’extraction, énumérez les champs et leurs types et indiquez comment représenter les informations manquantes. Une requête peut demander un identifiant d’article, l’état explicitement décrit et l’action souhaitée par l’utilisateur. Exigez la formulation de la source lorsque les mots exacts comptent, ou une valeur normalisée si l’application fournit la règle de normalisation. La sortie JSON organise le résultat ; la conception des champs reste propre à la tâche et ne constitue pas un schéma universel intégré.
La fiche mentionne aussi les légendes d’images et la génération de contenus courts. Pour une légende, définissez l’aspect de l’image à décrire et le public. Pour une courte explication, fournissez les faits à conserver et la longueur souhaitée. Une réponse d’assistance peut partir de la question originale et des consignes fournies pour proposer une prochaine étape concise ainsi que la condition qui la rend applicable.
Préparation visuelle et multilingue
Associez une image à une question textuelle claire. Pour un champ de document, conservez le libellé, la valeur et le contexte nécessaire à leur interprétation. Pour décrire un objet, précisez la caractéristique visible qui importe. Le concepteur recommande des proportions proches de 1:1 et d’éviter les entrées très étroites ou très larges ; recadrez au besoin sans supprimer les éléments sur lesquels repose la question.
Pour une traduction, fournissez le texte original, la langue cible et toute liste terminologique. Demandez le passage traduit séparément d’une éventuelle explication. Une classification multilingue peut conserver les libellés de l’application tout en expliquant le choix dans la langue du lecteur. Ce sont des sorties définies, plutôt qu’une demande de commentaire libre sur un message ou une image.
Outils et réglages recommandés
Les appels de fonctions natifs permettent à une application de relier la conversation à une opération décrite. Le modèle prépare les arguments, l’application exécute la fonction et le résultat sert d’information pour la réponse suivante. Une recherche peut fournir une valeur manquante, ou un outil de calcul traiter des valeurs repérées dans une image. Le modèle de texte n’exécute pas lui-même la fonction en produisant simplement son nom et ses arguments.
Le concepteur recommande une instruction système définissant l’environnement et le cas d’usage, y compris les consignes relatives aux outils. Rédigez des descriptions claires et limitez les outils aux opérations nécessaires. Pour un assistant ciblé, une tâche explicite d’extraction ou de recherche peut être plus facile à interpréter qu’une consigne réunissant de nombreuses fonctions sans rapport entre elles et sans règle de sélection.
La fiche préconise une température basse : inférieure à 0,1 pour les usages courants et de production, et une température initiale de 0,1 pour la plupart des cas dans sa note distincte sur l’échantillonnage. Des valeurs supérieures peuvent être explorées pour les contenus créatifs. Ces recommandations ont des périmètres différents ; elles ne garantissent pas qu’un réglage unique rende chaque valeur extraite ou chaque classification correcte.
Édition et limites du contexte
Ministral 3 propose des versions Base, Instruct et Reasoning distinctes pour chaque taille de modèle. Cette entrée identifie le point de contrôle Instruct 2512, et non un mode de raisonnement automatiquement activé ou la version de base préentraînée. Le concepteur cite la spécialisation et l’ajustement fin parmi les applications possibles ; la tâche d’instruction en cours doit néanmoins définir clairement ses entrées, ses règles et sa sortie.
Maintenez les sources pertinentes et la conversation dans le contexte configuré et demandez le résultat compact nécessaire à l’étape suivante de l’application. Les notes d’utilisation permettent de réduire la longueur de contexte configurée lorsque la fenêtre complète est inutile. Un exemple de génération de 512 tokens et une allocation élevée dans un autre exemple ne constituent pas des capacités maximales de sortie documentées indépendamment. La génération d’images, la sortie audio et les actions externes nécessitent d’autres composants que ce modèle produisant du texte.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/ministral-3b-2512 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/ministral-3b-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistralai/ministral-3b-2512
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 est un modèle multilingue compact de traitement du texte et des images, destiné à la classification, à l’extraction, aux légendes d’images et aux contenus courts. Son composant linguistique de 3,4 milliards de paramètres et son encodeur visuel de 0,4 milliard prennent en charge les instructions système, JSON, les appels de fonctions et un contexte annoncé par le concepteur de 256 k tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 3B Instruct 2512 est la plus petite édition de la famille Ministral 3 de Mistral AI ajustée pour suivre des instructions. Le concepteur la destine aux applications compactes pilotées par instructions, notamment aux légendes d’images, à la classification de textes, à l’extraction de données, à la traduction et aux contenus courts. Le point de contrôle publié utilise la précision FP8 et associe le traitement du texte à un composant d’entrée visuelle.
Composants et capacités du modèle
La fiche indique un modèle linguistique de 3,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Elle décrit une fenêtre de contexte de 256 k tokens ; les notes d’utilisation donnent une longueur configurée par défaut de 262 144. Ces nombres de paramètres concernent l’édition 3B, et non les membres 8B ou 14B de la famille. Le modèle accepte du texte et des images et génère du texte, y compris des enregistrements au format JSON ou des propositions d’appels de fonctions.
Le concepteur décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne également le respect des instructions système. Précisez la langue de sortie requise et les libellés ou termes qui doivent rester inchangés. Vous alignez ainsi une explication traduite ou un enregistrement extrait sur l’usage prévu par l’application.
Classification et extraction ciblées
Pour une tâche de classification, fournissez les libellés autorisés, la règle qui les distingue et le message à classer. Demandez un seul libellé et une brève explication fondée sur le message fourni. Si les libellés sont ambigus, définissez les informations qui permettraient de les distinguer au lieu de vous fier à leur seul nom. Vous obtenez un résultat compact et utilisable de manière cohérente dans un processus plus large.
Pour l’extraction, énumérez les champs et leurs types et indiquez comment représenter les informations manquantes. Une requête peut demander un identifiant d’article, l’état explicitement décrit et l’action souhaitée par l’utilisateur. Exigez la formulation de la source lorsque les mots exacts comptent, ou une valeur normalisée si l’application fournit la règle de normalisation. La sortie JSON organise le résultat ; la conception des champs reste propre à la tâche et ne constitue pas un schéma universel intégré.
La fiche mentionne aussi les légendes d’images et la génération de contenus courts. Pour une légende, définissez l’aspect de l’image à décrire et le public. Pour une courte explication, fournissez les faits à conserver et la longueur souhaitée. Une réponse d’assistance peut partir de la question originale et des consignes fournies pour proposer une prochaine étape concise ainsi que la condition qui la rend applicable.
Préparation visuelle et multilingue
Associez une image à une question textuelle claire. Pour un champ de document, conservez le libellé, la valeur et le contexte nécessaire à leur interprétation. Pour décrire un objet, précisez la caractéristique visible qui importe. Le concepteur recommande des proportions proches de 1:1 et d’éviter les entrées très étroites ou très larges ; recadrez au besoin sans supprimer les éléments sur lesquels repose la question.
Pour une traduction, fournissez le texte original, la langue cible et toute liste terminologique. Demandez le passage traduit séparément d’une éventuelle explication. Une classification multilingue peut conserver les libellés de l’application tout en expliquant le choix dans la langue du lecteur. Ce sont des sorties définies, plutôt qu’une demande de commentaire libre sur un message ou une image.
Outils et réglages recommandés
Les appels de fonctions natifs permettent à une application de relier la conversation à une opération décrite. Le modèle prépare les arguments, l’application exécute la fonction et le résultat sert d’information pour la réponse suivante. Une recherche peut fournir une valeur manquante, ou un outil de calcul traiter des valeurs repérées dans une image. Le modèle de texte n’exécute pas lui-même la fonction en produisant simplement son nom et ses arguments.
Le concepteur recommande une instruction système définissant l’environnement et le cas d’usage, y compris les consignes relatives aux outils. Rédigez des descriptions claires et limitez les outils aux opérations nécessaires. Pour un assistant ciblé, une tâche explicite d’extraction ou de recherche peut être plus facile à interpréter qu’une consigne réunissant de nombreuses fonctions sans rapport entre elles et sans règle de sélection.
La fiche préconise une température basse : inférieure à 0,1 pour les usages courants et de production, et une température initiale de 0,1 pour la plupart des cas dans sa note distincte sur l’échantillonnage. Des valeurs supérieures peuvent être explorées pour les contenus créatifs. Ces recommandations ont des périmètres différents ; elles ne garantissent pas qu’un réglage unique rende chaque valeur extraite ou chaque classification correcte.
Édition et limites du contexte
Ministral 3 propose des versions Base, Instruct et Reasoning distinctes pour chaque taille de modèle. Cette entrée identifie le point de contrôle Instruct 2512, et non un mode de raisonnement automatiquement activé ou la version de base préentraînée. Le concepteur cite la spécialisation et l’ajustement fin parmi les applications possibles ; la tâche d’instruction en cours doit néanmoins définir clairement ses entrées, ses règles et sa sortie.
Maintenez les sources pertinentes et la conversation dans le contexte configuré et demandez le résultat compact nécessaire à l’étape suivante de l’application. Les notes d’utilisation permettent de réduire la longueur de contexte configurée lorsque la fenêtre complète est inutile. Un exemple de génération de 512 tokens et une allocation élevée dans un autre exemple ne constituent pas des capacités maximales de sortie documentées indépendamment. La génération d’images, la sortie audio et les actions externes nécessitent d’autres composants que ce modèle produisant du texte.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/ministral-3b-2512 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistralai/ministral-3b-2512
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.