Mistral Small 3 Instruct 2501 est la version de Mistral Small 3 ajustée aux instructions, dotée de 24 milliards de paramètres. Elle est ajustée à partir du modèle distinct Small 24B Base 2501. Le concepteur la destine à une assistance conversationnelle réactive, aux appels de fonctions et à l’adaptation spécialisée, avec du texte en entrée comme en sortie.
Fonctions principales et distinction d’entraînement
La fiche documente la prise en charge multilingue, la conversation et le raisonnement, les appels de fonctions natifs, la sortie JSON et le respect des prompts système. Sa fenêtre de contexte est de 32 k tokens et son tokenizer Tekken possède un vocabulaire indiqué à 131 k entrées. Le contexte concerne le texte conservé pour la tâche ; le vocabulaire décrit la tokenisation. Ce sont deux spécifications différentes.
Le concepteur cite notamment l’anglais, le français, l’allemand, l’espagnol, l’italien, le chinois, le japonais, le coréen, le portugais, le néerlandais et le polonais ; le russe apparaît aussi dans les métadonnées linguistiques de la fiche publiée. Définissez la langue finale et la terminologie à conserver. Une explication traduite peut préserver identifiants, noms et unités tout en adaptant le texte au lecteur.
L’annonce indique que Small 3 n’est entraîné ni par renforcement ni avec des données synthétiques, et distingue les points de contrôle préentraînés et ajustés aux instructions. Elle présente le modèle comme une base personnalisable plutôt qu’un point de contrôle hybride doté des contrôles de raisonnement ultérieurs de Small 4. Cette entrée concerne Instruct 2501 pour le suivi d’une tâche conversationnelle.
Tâches conversationnelles et structurées
Pour un assistant de support, fournissez la question, les références pertinentes et les règles de réponse. Demandez l’action répondant à la question et sa condition d’application. Une sortie pratique peut séparer une réponse concise des champs extraits nécessaires à l’étape suivante, au lieu de les mélanger dans une explication non structurée.
Pour une classification, fournissez les libellés autorisés et leurs distinctions. Pour une extraction, nommez les champs, types attendus et représentations des informations absentes. Un enregistrement peut contenir la catégorie du problème, un identifiant copié du message et un court résumé de l’action demandée. JSON organise le résultat ; la conception des champs et les règles d’interprétation appartiennent toujours à la tâche fournie.
Pour expliquer du code, incluez la fonction, les déclarations pertinentes et une entrée concrète. Demandez quel chemin détermine le résultat. Pour expliquer des mathématiques, définissez variables et hypothèses et identifiez l’expression ou la proposition à établir. Ces tâches textuelles peuvent renvoyer méthode, explication et livrable final sans supposer que le modèle exécute lui-même le code ou un calcul externe.
Instructions système et réglages recommandés
La fiche recommande un prompt système adapté à l’assistant et une température relativement basse, par exemple 0,15. Utilisez l’instruction système pour définir rôle, style et règles de réponse ; le message utilisateur porte le problème ou la source réelle. Distinguez les instructions citées dans un document des instructions de l’application sur le traitement de ce document.
Pour un assistant quotidien, précisez s’il faut une réponse courte, un enregistrement structuré ou une explication plus longue. Si la réponse doit être analysée par un programme, demandez l’enregistrement séparément du texte facultatif. Dans un processus documentaire répété, préservez l’identifiant source à côté de chaque résultat afin que l’application renvoie le bon contenu à l’utilisateur.
Appels de fonctions et spécialisation
Le modèle peut sélectionner une fonction décrite et produire ses arguments. L’application exécute l’opération et renvoie le résultat avec l’appel correspondant ; la réponse suivante peut alors utiliser ces informations. L’exemple de la fiche montre une conversation avec une utilisation antérieure d’outil suivie d’une nouvelle question. L’assistant peut ainsi demander des informations aux outils connectés sans considérer l’appel proposé comme une recherche achevée.
Décrivez clairement la finalité et les valeurs requises de chaque fonction. Une recherche peut nommer les informations nécessaires et renvoyer son résultat réel à la conversation ; une fonction de traitement textuel peut fournir un passage transformé pour la réponse suivante. Gardez les outils liés au processus actuel et préservez le lien entre opération proposée et résultat.
Le concepteur décrit aussi l’ajustement fin pour une spécialisation métier. Ce processus modifie le modèle pour un domaine défini ; fournir un document dans une conversation constitue plutôt un conditionnement par source pour cette tâche. Fournissez les ressources métier et exigences de réponse de l’assistant plutôt que de supposer une personnalisation déjà réalisée.
Contexte et limites de fond
Small 3 2501 est un modèle textuel doté d’un contexte de 32 k tokens. La vision et le contexte de 128 k tokens introduits avec Small 3.1 appartiennent à la version ultérieure ; les modes hybrides de Small 4 ne doivent pas non plus être transférés ici. Une image, un enregistrement audio ou une vidéo nécessite la préparation du contenu pertinent par un autre composant avant cette tâche textuelle.
Les réglages de génération de 256 et 512 tokens de la fiche sont des exemples d’usage, pas des capacités maximales de sortie distinctes. Gardez explicites l’identité Instruct 2501, le tokenizer et le résultat demandé. Le livrable final utile est la réponse, l’enregistrement JSON ou le code proposé dont le sens et le format correspondent à la tâche écrite originale.
", "aboutText": "Mistral Small 3 Instruct 2501 est la version de Mistral Small 3 ajustée aux instructions, dotée de 24 milliards de paramètres. Elle est ajustée à partir du modèle distinct Small 24B Base 2501. Le concepteur la destine à une assistance conversationnelle réactive, aux appels de fonctions et à l’adaptation spécialisée, avec du texte en entrée comme en sortie.\n\nFonctions principales et distinction d’entraînement\n\nLa fiche documente la prise en charge multilingue, la conversation et le raisonnement, les appels de fonctions natifs, la sortie JSON et le respect des prompts système. Sa fenêtre de contexte est de 32 k tokens et son tokenizer Tekken possède un vocabulaire indiqué à 131 k entrées. Le contexte concerne le texte conservé pour la tâche ; le vocabulaire décrit la tokenisation. Ce sont deux spécifications différentes.\n\nLe concepteur cite notamment l’anglais, le français, l’allemand, l’espagnol, l’italien, le chinois, le japonais, le coréen, le portugais, le néerlandais et le polonais ; le russe apparaît aussi dans les métadonnées linguistiques de la fiche publiée. Définissez la langue finale et la terminologie à conserver. Une explication traduite peut préserver identifiants, noms et unités tout en adaptant le texte au lecteur.\n\nL’annonce indique que Small 3 n’est entraîné ni par renforcement ni avec des données synthétiques, et distingue les points de contrôle préentraînés et ajustés aux instructions. Elle présente le modèle comme une base personnalisable plutôt qu’un point de contrôle hybride doté des contrôles de raisonnement ultérieurs de Small 4. Cette entrée concerne Instruct 2501 pour le suivi d’une tâche conversationnelle.\n\nTâches conversationnelles et structurées\n\nPour un assistant de support, fournissez la question, les références pertinentes et les règles de réponse. Demandez l’action répondant à la question et sa condition d’application. Une sortie pratique peut séparer une réponse concise des champs extraits nécessaires à l’étape suivante, au lieu de les mélanger dans une explication non structurée.\n\nPour une classification, fournissez les libellés autorisés et leurs distinctions. Pour une extraction, nommez les champs, types attendus et représentations des informations absentes. Un enregistrement peut contenir la catégorie du problème, un identifiant copié du message et un court résumé de l’action demandée. JSON organise le résultat ; la conception des champs et les règles d’interprétation appartiennent toujours à la tâche fournie.\n\nPour expliquer du code, incluez la fonction, les déclarations pertinentes et une entrée concrète. Demandez quel chemin détermine le résultat. Pour expliquer des mathématiques, définissez variables et hypothèses et identifiez l’expression ou la proposition à établir. Ces tâches textuelles peuvent renvoyer méthode, explication et livrable final sans supposer que le modèle exécute lui-même le code ou un calcul externe.\n\nInstructions système et réglages recommandés\n\nLa fiche recommande un prompt système adapté à l’assistant et une température relativement basse, par exemple 0,15. Utilisez l’instruction système pour définir rôle, style et règles de réponse ; le message utilisateur porte le problème ou la source réelle. Distinguez les instructions citées dans un document des instructions de l’application sur le traitement de ce document.\n\nPour un assistant quotidien, précisez s’il faut une réponse courte, un enregistrement structuré ou une explication plus longue. Si la réponse doit être analysée par un programme, demandez l’enregistrement séparément du texte facultatif. Dans un processus documentaire répété, préservez l’identifiant source à côté de chaque résultat afin que l’application renvoie le bon contenu à l’utilisateur.\n\nAppels de fonctions et spécialisation\n\nLe modèle peut sélectionner une fonction décrite et produire ses arguments. L’application exécute l’opération et renvoie le résultat avec l’appel correspondant ; la réponse suivante peut alors utiliser ces informations. L’exemple de la fiche montre une conversation avec une utilisation antérieure d’outil suivie d’une nouvelle question. L’assistant peut ainsi demander des informations aux outils connectés sans considérer l’appel proposé comme une recherche achevée.\n\nDécrivez clairement la finalité et les valeurs requises de chaque fonction. Une recherche peut nommer les informations nécessaires et renvoyer son résultat réel à la conversation ; une fonction de traitement textuel peut fournir un passage transformé pour la réponse suivante. Gardez les outils liés au processus actuel et préservez le lien entre opération proposée et résultat.\n\nLe concepteur décrit aussi l’ajustement fin pour une spécialisation métier. Ce processus modifie le modèle pour un domaine défini ; fournir un document dans une conversation constitue plutôt un conditionnement par source pour cette tâche. Fournissez les ressources métier et exigences de réponse de l’assistant plutôt que de supposer une personnalisation déjà réalisée.\n\nContexte et limites de fond\n\nSmall 3 2501 est un modèle textuel doté d’un contexte de 32 k tokens. La vision et le contexte de 128 k tokens introduits avec Small 3.1 appartiennent à la version ultérieure ; les modes hybrides de Small 4 ne doivent pas non plus être transférés ici. Une image, un enregistrement audio ou une vidéo nécessite la préparation du contenu pertinent par un autre composant avant cette tâche textuelle.\n\nLes réglages de génération de 256 et 512 tokens de la fiche sont des exemples d’usage, pas des capacités maximales de sortie distinctes. Gardez explicites l’identité Instruct 2501, le tokenizer et le résultat demandé. Le livrable final utile est la réponse, l’enregistrement JSON ou le code proposé dont le sens et le format correspondent à la tâche écrite originale.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 est un modèle de texte de 24 milliards de paramètres pour les instructions conversationnelles, l’extraction structurée et les applications avec outils. Il offre un contexte annoncé de 32 k tokens, des réponses multilingues, les prompts système, JSON et les appels de fonctions natifs dans une version distincte purement textuelle.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 3 Instruct 2501 est la version de Mistral Small 3 ajustée aux instructions, dotée de 24 milliards de paramètres. Elle est ajustée à partir du modèle distinct Small 24B Base 2501. Le concepteur la destine à une assistance conversationnelle réactive, aux appels de fonctions et à l’adaptation spécialisée, avec du texte en entrée comme en sortie.
Fonctions principales et distinction d’entraînement
La fiche documente la prise en charge multilingue, la conversation et le raisonnement, les appels de fonctions natifs, la sortie JSON et le respect des prompts système. Sa fenêtre de contexte est de 32 k tokens et son tokenizer Tekken possède un vocabulaire indiqué à 131 k entrées. Le contexte concerne le texte conservé pour la tâche ; le vocabulaire décrit la tokenisation. Ce sont deux spécifications différentes.
Le concepteur cite notamment l’anglais, le français, l’allemand, l’espagnol, l’italien, le chinois, le japonais, le coréen, le portugais, le néerlandais et le polonais ; le russe apparaît aussi dans les métadonnées linguistiques de la fiche publiée. Définissez la langue finale et la terminologie à conserver. Une explication traduite peut préserver identifiants, noms et unités tout en adaptant le texte au lecteur.
L’annonce indique que Small 3 n’est entraîné ni par renforcement ni avec des données synthétiques, et distingue les points de contrôle préentraînés et ajustés aux instructions. Elle présente le modèle comme une base personnalisable plutôt qu’un point de contrôle hybride doté des contrôles de raisonnement ultérieurs de Small 4. Cette entrée concerne Instruct 2501 pour le suivi d’une tâche conversationnelle.
Tâches conversationnelles et structurées
Pour un assistant de support, fournissez la question, les références pertinentes et les règles de réponse. Demandez l’action répondant à la question et sa condition d’application. Une sortie pratique peut séparer une réponse concise des champs extraits nécessaires à l’étape suivante, au lieu de les mélanger dans une explication non structurée.
Pour une classification, fournissez les libellés autorisés et leurs distinctions. Pour une extraction, nommez les champs, types attendus et représentations des informations absentes. Un enregistrement peut contenir la catégorie du problème, un identifiant copié du message et un court résumé de l’action demandée. JSON organise le résultat ; la conception des champs et les règles d’interprétation appartiennent toujours à la tâche fournie.
Pour expliquer du code, incluez la fonction, les déclarations pertinentes et une entrée concrète. Demandez quel chemin détermine le résultat. Pour expliquer des mathématiques, définissez variables et hypothèses et identifiez l’expression ou la proposition à établir. Ces tâches textuelles peuvent renvoyer méthode, explication et livrable final sans supposer que le modèle exécute lui-même le code ou un calcul externe.
Instructions système et réglages recommandés
La fiche recommande un prompt système adapté à l’assistant et une température relativement basse, par exemple 0,15. Utilisez l’instruction système pour définir rôle, style et règles de réponse ; le message utilisateur porte le problème ou la source réelle. Distinguez les instructions citées dans un document des instructions de l’application sur le traitement de ce document.
Pour un assistant quotidien, précisez s’il faut une réponse courte, un enregistrement structuré ou une explication plus longue. Si la réponse doit être analysée par un programme, demandez l’enregistrement séparément du texte facultatif. Dans un processus documentaire répété, préservez l’identifiant source à côté de chaque résultat afin que l’application renvoie le bon contenu à l’utilisateur.
Appels de fonctions et spécialisation
Le modèle peut sélectionner une fonction décrite et produire ses arguments. L’application exécute l’opération et renvoie le résultat avec l’appel correspondant ; la réponse suivante peut alors utiliser ces informations. L’exemple de la fiche montre une conversation avec une utilisation antérieure d’outil suivie d’une nouvelle question. L’assistant peut ainsi demander des informations aux outils connectés sans considérer l’appel proposé comme une recherche achevée.
Décrivez clairement la finalité et les valeurs requises de chaque fonction. Une recherche peut nommer les informations nécessaires et renvoyer son résultat réel à la conversation ; une fonction de traitement textuel peut fournir un passage transformé pour la réponse suivante. Gardez les outils liés au processus actuel et préservez le lien entre opération proposée et résultat.
Le concepteur décrit aussi l’ajustement fin pour une spécialisation métier. Ce processus modifie le modèle pour un domaine défini ; fournir un document dans une conversation constitue plutôt un conditionnement par source pour cette tâche. Fournissez les ressources métier et exigences de réponse de l’assistant plutôt que de supposer une personnalisation déjà réalisée.
Contexte et limites de fond
Small 3 2501 est un modèle textuel doté d’un contexte de 32 k tokens. La vision et le contexte de 128 k tokens introduits avec Small 3.1 appartiennent à la version ultérieure ; les modes hybrides de Small 4 ne doivent pas non plus être transférés ici. Une image, un enregistrement audio ou une vidéo nécessite la préparation du contenu pertinent par un autre composant avant cette tâche textuelle.
Les réglages de génération de 256 et 512 tokens de la fiche sont des exemples d’usage, pas des capacités maximales de sortie distinctes. Gardez explicites l’identité Instruct 2501, le tokenizer et le résultat demandé. Le livrable final utile est la réponse, l’enregistrement JSON ou le code proposé dont le sens et le format correspondent à la tâche écrite originale.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00016 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00016 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/mistral-small-24b-instruct-2501
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 est un modèle de texte de 24 milliards de paramètres pour les instructions conversationnelles, l’extraction structurée et les applications avec outils. Il offre un contexte annoncé de 32 k tokens, des réponses multilingues, les prompts système, JSON et les appels de fonctions natifs dans une version distincte purement textuelle.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 3 Instruct 2501 est la version de Mistral Small 3 ajustée aux instructions, dotée de 24 milliards de paramètres. Elle est ajustée à partir du modèle distinct Small 24B Base 2501. Le concepteur la destine à une assistance conversationnelle réactive, aux appels de fonctions et à l’adaptation spécialisée, avec du texte en entrée comme en sortie.
Fonctions principales et distinction d’entraînement
La fiche documente la prise en charge multilingue, la conversation et le raisonnement, les appels de fonctions natifs, la sortie JSON et le respect des prompts système. Sa fenêtre de contexte est de 32 k tokens et son tokenizer Tekken possède un vocabulaire indiqué à 131 k entrées. Le contexte concerne le texte conservé pour la tâche ; le vocabulaire décrit la tokenisation. Ce sont deux spécifications différentes.
Le concepteur cite notamment l’anglais, le français, l’allemand, l’espagnol, l’italien, le chinois, le japonais, le coréen, le portugais, le néerlandais et le polonais ; le russe apparaît aussi dans les métadonnées linguistiques de la fiche publiée. Définissez la langue finale et la terminologie à conserver. Une explication traduite peut préserver identifiants, noms et unités tout en adaptant le texte au lecteur.
L’annonce indique que Small 3 n’est entraîné ni par renforcement ni avec des données synthétiques, et distingue les points de contrôle préentraînés et ajustés aux instructions. Elle présente le modèle comme une base personnalisable plutôt qu’un point de contrôle hybride doté des contrôles de raisonnement ultérieurs de Small 4. Cette entrée concerne Instruct 2501 pour le suivi d’une tâche conversationnelle.
Tâches conversationnelles et structurées
Pour un assistant de support, fournissez la question, les références pertinentes et les règles de réponse. Demandez l’action répondant à la question et sa condition d’application. Une sortie pratique peut séparer une réponse concise des champs extraits nécessaires à l’étape suivante, au lieu de les mélanger dans une explication non structurée.
Pour une classification, fournissez les libellés autorisés et leurs distinctions. Pour une extraction, nommez les champs, types attendus et représentations des informations absentes. Un enregistrement peut contenir la catégorie du problème, un identifiant copié du message et un court résumé de l’action demandée. JSON organise le résultat ; la conception des champs et les règles d’interprétation appartiennent toujours à la tâche fournie.
Pour expliquer du code, incluez la fonction, les déclarations pertinentes et une entrée concrète. Demandez quel chemin détermine le résultat. Pour expliquer des mathématiques, définissez variables et hypothèses et identifiez l’expression ou la proposition à établir. Ces tâches textuelles peuvent renvoyer méthode, explication et livrable final sans supposer que le modèle exécute lui-même le code ou un calcul externe.
Instructions système et réglages recommandés
La fiche recommande un prompt système adapté à l’assistant et une température relativement basse, par exemple 0,15. Utilisez l’instruction système pour définir rôle, style et règles de réponse ; le message utilisateur porte le problème ou la source réelle. Distinguez les instructions citées dans un document des instructions de l’application sur le traitement de ce document.
Pour un assistant quotidien, précisez s’il faut une réponse courte, un enregistrement structuré ou une explication plus longue. Si la réponse doit être analysée par un programme, demandez l’enregistrement séparément du texte facultatif. Dans un processus documentaire répété, préservez l’identifiant source à côté de chaque résultat afin que l’application renvoie le bon contenu à l’utilisateur.
Appels de fonctions et spécialisation
Le modèle peut sélectionner une fonction décrite et produire ses arguments. L’application exécute l’opération et renvoie le résultat avec l’appel correspondant ; la réponse suivante peut alors utiliser ces informations. L’exemple de la fiche montre une conversation avec une utilisation antérieure d’outil suivie d’une nouvelle question. L’assistant peut ainsi demander des informations aux outils connectés sans considérer l’appel proposé comme une recherche achevée.
Décrivez clairement la finalité et les valeurs requises de chaque fonction. Une recherche peut nommer les informations nécessaires et renvoyer son résultat réel à la conversation ; une fonction de traitement textuel peut fournir un passage transformé pour la réponse suivante. Gardez les outils liés au processus actuel et préservez le lien entre opération proposée et résultat.
Le concepteur décrit aussi l’ajustement fin pour une spécialisation métier. Ce processus modifie le modèle pour un domaine défini ; fournir un document dans une conversation constitue plutôt un conditionnement par source pour cette tâche. Fournissez les ressources métier et exigences de réponse de l’assistant plutôt que de supposer une personnalisation déjà réalisée.
Contexte et limites de fond
Small 3 2501 est un modèle textuel doté d’un contexte de 32 k tokens. La vision et le contexte de 128 k tokens introduits avec Small 3.1 appartiennent à la version ultérieure ; les modes hybrides de Small 4 ne doivent pas non plus être transférés ici. Une image, un enregistrement audio ou une vidéo nécessite la préparation du contenu pertinent par un autre composant avant cette tâche textuelle.
Les réglages de génération de 256 et 512 tokens de la fiche sont des exemples d’usage, pas des capacités maximales de sortie distinctes. Gardez explicites l’identité Instruct 2501, le tokenizer et le résultat demandé. Le livrable final utile est la réponse, l’enregistrement JSON ou le code proposé dont le sens et le format correspondent à la tâche écrite originale.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00016 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00016 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/mistral-small-24b-instruct-2501
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.