Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté aux instructions de la famille Ministral 3 de Mistral AI. Le point de contrôle publié est post-entraîné pour le dialogue et les tâches d’instruction en précision FP8. Il associe un composant linguistique à un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.
Architecture et fonctions clés
Le concepteur indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard. Sa fenêtre de contexte est décrite comme 256 k tokens, avec une longueur configurée par défaut de 262 144 dans les notes d’utilisation. Ces propriétés concernent cette édition 8B ; les membres 3B et 14B conservent leurs propres tailles de composants et configurations.
La vision étend l’entrée au-delà d’une conversation écrite. Une image documentaire peut être associée à une question sur un champ, un paragraphe ou une relation visible. Une capture peut être accompagnée de l’objectif de l’utilisateur et d’une demande d’identification de la commande pertinente. Demandez l’observation soutenant chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, libellés et unités nécessaires à l’interprétation d’un recadrage.
La fiche décrit le travail multilingue dans des 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. Elle indique aussi le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable attendu d’un grand volume d’entrées.
Documents, conversations et tâches d’agents
Les usages du concepteur comprennent les interfaces de dialogue, assistants quotidiens, descriptions d’images et de documents, traductions, générations de contenu et agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une extraction peut nommer les libellés des champs, les types attendus et le traitement des valeurs absentes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une courte explication liée à la source visible.
Dans une conversation en cours, conservez la réponse antérieure pertinente et posez une question complémentaire ciblée. Un utilisateur peut demander d’abord une synthèse documentaire puis quel énoncé étaye une conclusion. La sortie demandée passe ainsi d’une vue générale à une explication reliée à la source, tout en conservant le contenu original et la finalité du dialogue.
Pour une révision multilingue, fournissez le passage original, le lecteur cible et une liste terminologique. Demandez une version révisée conservant les noms, conditions et unités, suivie si utile d’une brève explication des changements. Pour créer du contenu, précisez le public et les faits à inclure avant de demander un court brouillon ou une autre formulation.
Dans une tâche d’agent, l’application fournit les outils et leurs paramètres. Le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur image à un outil de calcul. Distinguez le résultat réel de l’appel proposé pour que la réponse écrite suivante exploite les informations réellement renvoyées par l’opération.
Préparation et réglages recommandés
Le concepteur recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au nécessaire. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle avec des arguments requis clairement nommés, au lieu d’une vaste collection d’opérations sans rapport.
Pour les usages courants et de production, la fiche recommande une température inférieure à 0,1, avec des valeurs plus élevées pour l’exploration créative. Cette recommandation concerne le processus d’instruction et ne constitue pas un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée concerne Instruct 2512, pas la version Reasoning de même taille.
Pour les images, le concepteur recommande des proportions proches de 1:1 et d’éviter les entrées très étroites ou très larges. Recadrez au besoin tout en préservant les libellés et le contexte requis. Si une page contient plusieurs zones sans rapport, indiquez la partie à examiner et le résultat attendu. Une image lisible et ciblée est plus utile qu’une demande où le modèle doit deviner le détail minuscule important dans une grande page.
Contexte et périmètre de l’édition
Organisez texte, images, conversation et réponse souhaitée en fonction du contexte configuré. Les notes autorisent explicitement une réduction de la longueur configurée lorsque moins de contexte est nécessaire ; la fenêtre complète n’invite donc pas à remplir chaque requête de toutes les ressources disponibles. L’exemple de génération de 512 tokens n’est qu’un réglage illustratif, et les sources consultées n’établissent pas de longueur maximale stricte de réponse distincte.
Le point de contrôle Instruct FP8, la version Base préentraînée et la version Reasoning sont des éditions séparées. Le concepteur décrit aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son tokenizer pour préparer la conversation, et distinguez la génération textuelle de l’accès au dépôt, de l’exécution de fonctions et des autres actions fournies par l’application.
", "aboutText": "Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté aux instructions de la famille Ministral 3 de Mistral AI. Le point de contrôle publié est post-entraîné pour le dialogue et les tâches d’instruction en précision FP8. Il associe un composant linguistique à un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.\n\nArchitecture et fonctions clés\n\nLe concepteur indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard. Sa fenêtre de contexte est décrite comme 256 k tokens, avec une longueur configurée par défaut de 262 144 dans les notes d’utilisation. Ces propriétés concernent cette édition 8B ; les membres 3B et 14B conservent leurs propres tailles de composants et configurations.\n\nLa vision étend l’entrée au-delà d’une conversation écrite. Une image documentaire peut être associée à une question sur un champ, un paragraphe ou une relation visible. Une capture peut être accompagnée de l’objectif de l’utilisateur et d’une demande d’identification de la commande pertinente. Demandez l’observation soutenant chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, libellés et unités nécessaires à l’interprétation d’un recadrage.\n\nLa fiche décrit le travail multilingue dans des 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. Elle indique aussi le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable attendu d’un grand volume d’entrées.\n\nDocuments, conversations et tâches d’agents\n\nLes usages du concepteur comprennent les interfaces de dialogue, assistants quotidiens, descriptions d’images et de documents, traductions, générations de contenu et agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une extraction peut nommer les libellés des champs, les types attendus et le traitement des valeurs absentes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une courte explication liée à la source visible.\n\nDans une conversation en cours, conservez la réponse antérieure pertinente et posez une question complémentaire ciblée. Un utilisateur peut demander d’abord une synthèse documentaire puis quel énoncé étaye une conclusion. La sortie demandée passe ainsi d’une vue générale à une explication reliée à la source, tout en conservant le contenu original et la finalité du dialogue.\n\nPour une révision multilingue, fournissez le passage original, le lecteur cible et une liste terminologique. Demandez une version révisée conservant les noms, conditions et unités, suivie si utile d’une brève explication des changements. Pour créer du contenu, précisez le public et les faits à inclure avant de demander un court brouillon ou une autre formulation.\n\nDans une tâche d’agent, l’application fournit les outils et leurs paramètres. Le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur image à un outil de calcul. Distinguez le résultat réel de l’appel proposé pour que la réponse écrite suivante exploite les informations réellement renvoyées par l’opération.\n\nPréparation et réglages recommandés\n\nLe concepteur recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au nécessaire. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle avec des arguments requis clairement nommés, au lieu d’une vaste collection d’opérations sans rapport.\n\nPour les usages courants et de production, la fiche recommande une température inférieure à 0,1, avec des valeurs plus élevées pour l’exploration créative. Cette recommandation concerne le processus d’instruction et ne constitue pas un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée concerne Instruct 2512, pas la version Reasoning de même taille.\n\nPour les images, le concepteur recommande des proportions proches de 1:1 et d’éviter les entrées très étroites ou très larges. Recadrez au besoin tout en préservant les libellés et le contexte requis. Si une page contient plusieurs zones sans rapport, indiquez la partie à examiner et le résultat attendu. Une image lisible et ciblée est plus utile qu’une demande où le modèle doit deviner le détail minuscule important dans une grande page.\n\nContexte et périmètre de l’édition\n\nOrganisez texte, images, conversation et réponse souhaitée en fonction du contexte configuré. Les notes autorisent explicitement une réduction de la longueur configurée lorsque moins de contexte est nécessaire ; la fenêtre complète n’invite donc pas à remplir chaque requête de toutes les ressources disponibles. L’exemple de génération de 512 tokens n’est qu’un réglage illustratif, et les sources consultées n’établissent pas de longueur maximale stricte de réponse distincte.\n\nLe point de contrôle Instruct FP8, la version Base préentraînée et la version Reasoning sont des éditions séparées. Le concepteur décrit aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son tokenizer pour préparer la conversation, et distinguez la génération textuelle de l’accès au dépôt, de l’exécution de fonctions et des autres actions fournies par l’application.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 est un modèle multilingue d’instruction acceptant texte et images, avec un composant linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard. Il prend en charge un contexte annoncé de 256 k tokens, les instructions système, JSON et les appels de fonctions natifs pour les assistants et les documents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté aux instructions de la famille Ministral 3 de Mistral AI. Le point de contrôle publié est post-entraîné pour le dialogue et les tâches d’instruction en précision FP8. Il associe un composant linguistique à un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.
Architecture et fonctions clés
Le concepteur indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard. Sa fenêtre de contexte est décrite comme 256 k tokens, avec une longueur configurée par défaut de 262 144 dans les notes d’utilisation. Ces propriétés concernent cette édition 8B ; les membres 3B et 14B conservent leurs propres tailles de composants et configurations.
La vision étend l’entrée au-delà d’une conversation écrite. Une image documentaire peut être associée à une question sur un champ, un paragraphe ou une relation visible. Une capture peut être accompagnée de l’objectif de l’utilisateur et d’une demande d’identification de la commande pertinente. Demandez l’observation soutenant chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, libellés et unités nécessaires à l’interprétation d’un recadrage.
La fiche décrit le travail multilingue dans des 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. Elle indique aussi le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable attendu d’un grand volume d’entrées.
Documents, conversations et tâches d’agents
Les usages du concepteur comprennent les interfaces de dialogue, assistants quotidiens, descriptions d’images et de documents, traductions, générations de contenu et agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une extraction peut nommer les libellés des champs, les types attendus et le traitement des valeurs absentes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une courte explication liée à la source visible.
Dans une conversation en cours, conservez la réponse antérieure pertinente et posez une question complémentaire ciblée. Un utilisateur peut demander d’abord une synthèse documentaire puis quel énoncé étaye une conclusion. La sortie demandée passe ainsi d’une vue générale à une explication reliée à la source, tout en conservant le contenu original et la finalité du dialogue.
Pour une révision multilingue, fournissez le passage original, le lecteur cible et une liste terminologique. Demandez une version révisée conservant les noms, conditions et unités, suivie si utile d’une brève explication des changements. Pour créer du contenu, précisez le public et les faits à inclure avant de demander un court brouillon ou une autre formulation.
Dans une tâche d’agent, l’application fournit les outils et leurs paramètres. Le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur image à un outil de calcul. Distinguez le résultat réel de l’appel proposé pour que la réponse écrite suivante exploite les informations réellement renvoyées par l’opération.
Préparation et réglages recommandés
Le concepteur recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au nécessaire. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle avec des arguments requis clairement nommés, au lieu d’une vaste collection d’opérations sans rapport.
Pour les usages courants et de production, la fiche recommande une température inférieure à 0,1, avec des valeurs plus élevées pour l’exploration créative. Cette recommandation concerne le processus d’instruction et ne constitue pas un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée concerne Instruct 2512, pas la version Reasoning de même taille.
Pour les images, le concepteur recommande des proportions proches de 1:1 et d’éviter les entrées très étroites ou très larges. Recadrez au besoin tout en préservant les libellés et le contexte requis. Si une page contient plusieurs zones sans rapport, indiquez la partie à examiner et le résultat attendu. Une image lisible et ciblée est plus utile qu’une demande où le modèle doit deviner le détail minuscule important dans une grande page.
Contexte et périmètre de l’édition
Organisez texte, images, conversation et réponse souhaitée en fonction du contexte configuré. Les notes autorisent explicitement une réduction de la longueur configurée lorsque moins de contexte est nécessaire ; la fenêtre complète n’invite donc pas à remplir chaque requête de toutes les ressources disponibles. L’exemple de génération de 512 tokens n’est qu’un réglage illustratif, et les sources consultées n’établissent pas de longueur maximale stricte de réponse distincte.
Le point de contrôle Instruct FP8, la version Base préentraînée et la version Reasoning sont des éditions séparées. Le concepteur décrit aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son tokenizer pour préparer la conversation, et distinguez la génération textuelle de l’accès au dépôt, de l’exécution de fonctions et des autres actions fournies par l’application.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/ministral-8b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/ministral-8b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-8b-2512
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 est un modèle multilingue d’instruction acceptant texte et images, avec un composant linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard. Il prend en charge un contexte annoncé de 256 k tokens, les instructions système, JSON et les appels de fonctions natifs pour les assistants et les documents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté aux instructions de la famille Ministral 3 de Mistral AI. Le point de contrôle publié est post-entraîné pour le dialogue et les tâches d’instruction en précision FP8. Il associe un composant linguistique à un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.
Architecture et fonctions clés
Le concepteur indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard. Sa fenêtre de contexte est décrite comme 256 k tokens, avec une longueur configurée par défaut de 262 144 dans les notes d’utilisation. Ces propriétés concernent cette édition 8B ; les membres 3B et 14B conservent leurs propres tailles de composants et configurations.
La vision étend l’entrée au-delà d’une conversation écrite. Une image documentaire peut être associée à une question sur un champ, un paragraphe ou une relation visible. Une capture peut être accompagnée de l’objectif de l’utilisateur et d’une demande d’identification de la commande pertinente. Demandez l’observation soutenant chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, libellés et unités nécessaires à l’interprétation d’un recadrage.
La fiche décrit le travail multilingue dans des 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. Elle indique aussi le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable attendu d’un grand volume d’entrées.
Documents, conversations et tâches d’agents
Les usages du concepteur comprennent les interfaces de dialogue, assistants quotidiens, descriptions d’images et de documents, traductions, générations de contenu et agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une extraction peut nommer les libellés des champs, les types attendus et le traitement des valeurs absentes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une courte explication liée à la source visible.
Dans une conversation en cours, conservez la réponse antérieure pertinente et posez une question complémentaire ciblée. Un utilisateur peut demander d’abord une synthèse documentaire puis quel énoncé étaye une conclusion. La sortie demandée passe ainsi d’une vue générale à une explication reliée à la source, tout en conservant le contenu original et la finalité du dialogue.
Pour une révision multilingue, fournissez le passage original, le lecteur cible et une liste terminologique. Demandez une version révisée conservant les noms, conditions et unités, suivie si utile d’une brève explication des changements. Pour créer du contenu, précisez le public et les faits à inclure avant de demander un court brouillon ou une autre formulation.
Dans une tâche d’agent, l’application fournit les outils et leurs paramètres. Le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur image à un outil de calcul. Distinguez le résultat réel de l’appel proposé pour que la réponse écrite suivante exploite les informations réellement renvoyées par l’opération.
Préparation et réglages recommandés
Le concepteur recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au nécessaire. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle avec des arguments requis clairement nommés, au lieu d’une vaste collection d’opérations sans rapport.
Pour les usages courants et de production, la fiche recommande une température inférieure à 0,1, avec des valeurs plus élevées pour l’exploration créative. Cette recommandation concerne le processus d’instruction et ne constitue pas un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée concerne Instruct 2512, pas la version Reasoning de même taille.
Pour les images, le concepteur recommande des proportions proches de 1:1 et d’éviter les entrées très étroites ou très larges. Recadrez au besoin tout en préservant les libellés et le contexte requis. Si une page contient plusieurs zones sans rapport, indiquez la partie à examiner et le résultat attendu. Une image lisible et ciblée est plus utile qu’une demande où le modèle doit deviner le détail minuscule important dans une grande page.
Contexte et périmètre de l’édition
Organisez texte, images, conversation et réponse souhaitée en fonction du contexte configuré. Les notes autorisent explicitement une réduction de la longueur configurée lorsque moins de contexte est nécessaire ; la fenêtre complète n’invite donc pas à remplir chaque requête de toutes les ressources disponibles. L’exemple de génération de 512 tokens n’est qu’un réglage illustratif, et les sources consultées n’établissent pas de longueur maximale stricte de réponse distincte.
Le point de contrôle Instruct FP8, la version Base préentraînée et la version Reasoning sont des éditions séparées. Le concepteur décrit aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son tokenizer pour préparer la conversation, et distinguez la génération textuelle de l’accès au dépôt, de l’exécution de fonctions et des autres actions fournies par l’application.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-8b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-8b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-8b-2512
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.