Mistral Small 3.2 24B Instruct 2506 est une mise à jour ciblée de Mistral Small 3.1 24B Instruct 2503. Le concepteur indique trois changements précis : un meilleur respect des instructions exactes, une réduction des réponses répétitives ou incontrôlées et un format d’appels de fonctions plus robuste. Le modèle reste ajusté aux instructions, accepte texte et images et génère du texte ; ce n’est pas une nouvelle édition de génération audio ou d’images.
Changements et fonctions conservées
La fiche 3.2 indique explicitement que ses fonctions principales sont identiques à celles de Small 3.1. Elles comprennent la vision, le travail multilingue, les prompts système, les appels de fonctions natifs, la sortie JSON et une fenêtre de contexte de 128 k tokens. La fiche 3.1 citée décrit un modèle de 24 milliards de paramètres et un tokenizer Tekken avec un vocabulaire indiqué à 131 k entrées. Ce lien documenté permet de reprendre ces fonctions pour 3.2 tout en préservant l’identité propre de la mise à jour 2506.
L’accent sur le respect des instructions compte lorsque le résultat comporte plusieurs exigences exactes. Donnez les sources, énumérez les règles que la sortie doit respecter et indiquez le livrable attendu. Une extraction documentaire peut exiger des champs précis, les identifiants originaux, une représentation définie des valeurs absentes et aucun texte hors de l’enregistrement. Une tâche rédactionnelle peut imposer un public et un ordre des sections tout en préservant les conditions fournies.
La réduction des répétitions concerne le comportement de génération et n’ajoute pas de mode de raisonnement. Pour une réponse longue, définissez les sections et leur fonction afin de fixer un arrêt clair. Le changement de format concerne la représentation des conversations avec outils ; utilisez les réglages de conversation et de tokenizer de l’édition correspondante plutôt que de considérer un ancien exemple de formatage comme interchangeable.
Tâches visuelles et multilingues
La vision héritée permet d’associer une question textuelle à une image. Fournissez une page, un graphique ou un schéma lisible et identifiez le détail nécessaire. Pour comparer un graphique, préservez les axes, unités et légende et demandez l’observation qui soutient chaque conclusion. Pour un champ documentaire, conservez le libellé et le contexte afin d’interpréter correctement la valeur renvoyée.
Les langues documentées comprennent le russe, l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe, le persan, l’hindi, le bengali et d’autres langues listées par le concepteur. Précisez la langue finale et la terminologie à conserver. Une tâche documentaire bilingue peut préserver les identifiants et unités tout en adaptant l’explication au lecteur.
Pour une extraction visuelle pratique, demandez l’identifiant du document, le libellé du champ, le texte extrait et la zone de l’image qui le justifie. Une explication peut suivre séparément si une interprétation est utile. Vous évitez ainsi de confondre transcription, champs structurés et conclusion du modèle dans un résultat indistinct.
Instructions système et outils
La fiche 3.2 recommande un prompt système adapté au cas d’usage et une température relativement basse, par exemple 0,15. Définissez explicitement le rôle de l’assistant, les règles de réponse et le traitement des sources. Placez le document ou le code réel avec la tâche de l’utilisateur, en séparant les instructions sur la réponse des instructions citées dans la source.
Les appels de fonctions nécessitent des descriptions d’outils et leurs arguments requis fournis par l’application. Le modèle prépare un appel ; l’application exécute la fonction et renvoie son résultat ; la réponse suivante utilise ces informations. Les exemples publiés couvrent raisonnement visuel, appels d’outils et instructions purement textuelles. Une recherche peut donc demander au modèle de sélectionner une opération décrite tout en laissant la recherche réelle et son résultat à l’application.
Pour du code, fournissez la fonction pertinente, l’entrée révélant le problème et le comportement attendu. Demandez une correction préservant l’interface originale, puis des exemples distinguant le comportement voulu. Pour les mathématiques, définissez variables et hypothèses et demandez les étapes importantes justifiées et une expression finale séparée. Ce sont des applications des capacités héritées de programmation et de raisonnement ; l’exécution du code proposé reste une étape distincte.
Contexte et périmètre de l’édition
Utilisez la fenêtre de 128 k tokens pour les passages sources, images, conversation et réponse attendue ensemble. Une comparaison de grands documents peut conserver les sections liées tout en renvoyant une courte matrice de constats. Une allocation élevée d’images ou une valeur de génération dans un exemple de service n’est pas une capacité maximale du modèle énoncée indépendamment.
Small 3.2 est une mise à jour d’instruction avec entrée visuelle documentée, distincte du Small 3 2501 textuel et du Small 4 hybride de raisonnement. Sa fiche ne fournit pas de plafond strict distinct de tokens de sortie. Préservez l’identité exacte 2506 et son formatage, et définissez l’enregistrement structuré, l’explication ou la proposition de code nécessaire à la suite.
", "aboutText": "Mistral Small 3.2 24B Instruct 2506 est une mise à jour ciblée de Mistral Small 3.1 24B Instruct 2503. Le concepteur indique trois changements précis : un meilleur respect des instructions exactes, une réduction des réponses répétitives ou incontrôlées et un format d’appels de fonctions plus robuste. Le modèle reste ajusté aux instructions, accepte texte et images et génère du texte ; ce n’est pas une nouvelle édition de génération audio ou d’images.\n\nChangements et fonctions conservées\n\nLa fiche 3.2 indique explicitement que ses fonctions principales sont identiques à celles de Small 3.1. Elles comprennent la vision, le travail multilingue, les prompts système, les appels de fonctions natifs, la sortie JSON et une fenêtre de contexte de 128 k tokens. La fiche 3.1 citée décrit un modèle de 24 milliards de paramètres et un tokenizer Tekken avec un vocabulaire indiqué à 131 k entrées. Ce lien documenté permet de reprendre ces fonctions pour 3.2 tout en préservant l’identité propre de la mise à jour 2506.\n\nL’accent sur le respect des instructions compte lorsque le résultat comporte plusieurs exigences exactes. Donnez les sources, énumérez les règles que la sortie doit respecter et indiquez le livrable attendu. Une extraction documentaire peut exiger des champs précis, les identifiants originaux, une représentation définie des valeurs absentes et aucun texte hors de l’enregistrement. Une tâche rédactionnelle peut imposer un public et un ordre des sections tout en préservant les conditions fournies.\n\nLa réduction des répétitions concerne le comportement de génération et n’ajoute pas de mode de raisonnement. Pour une réponse longue, définissez les sections et leur fonction afin de fixer un arrêt clair. Le changement de format concerne la représentation des conversations avec outils ; utilisez les réglages de conversation et de tokenizer de l’édition correspondante plutôt que de considérer un ancien exemple de formatage comme interchangeable.\n\nTâches visuelles et multilingues\n\nLa vision héritée permet d’associer une question textuelle à une image. Fournissez une page, un graphique ou un schéma lisible et identifiez le détail nécessaire. Pour comparer un graphique, préservez les axes, unités et légende et demandez l’observation qui soutient chaque conclusion. Pour un champ documentaire, conservez le libellé et le contexte afin d’interpréter correctement la valeur renvoyée.\n\nLes langues documentées comprennent le russe, l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe, le persan, l’hindi, le bengali et d’autres langues listées par le concepteur. Précisez la langue finale et la terminologie à conserver. Une tâche documentaire bilingue peut préserver les identifiants et unités tout en adaptant l’explication au lecteur.\n\nPour une extraction visuelle pratique, demandez l’identifiant du document, le libellé du champ, le texte extrait et la zone de l’image qui le justifie. Une explication peut suivre séparément si une interprétation est utile. Vous évitez ainsi de confondre transcription, champs structurés et conclusion du modèle dans un résultat indistinct.\n\nInstructions système et outils\n\nLa fiche 3.2 recommande un prompt système adapté au cas d’usage et une température relativement basse, par exemple 0,15. Définissez explicitement le rôle de l’assistant, les règles de réponse et le traitement des sources. Placez le document ou le code réel avec la tâche de l’utilisateur, en séparant les instructions sur la réponse des instructions citées dans la source.\n\nLes appels de fonctions nécessitent des descriptions d’outils et leurs arguments requis fournis par l’application. Le modèle prépare un appel ; l’application exécute la fonction et renvoie son résultat ; la réponse suivante utilise ces informations. Les exemples publiés couvrent raisonnement visuel, appels d’outils et instructions purement textuelles. Une recherche peut donc demander au modèle de sélectionner une opération décrite tout en laissant la recherche réelle et son résultat à l’application.\n\nPour du code, fournissez la fonction pertinente, l’entrée révélant le problème et le comportement attendu. Demandez une correction préservant l’interface originale, puis des exemples distinguant le comportement voulu. Pour les mathématiques, définissez variables et hypothèses et demandez les étapes importantes justifiées et une expression finale séparée. Ce sont des applications des capacités héritées de programmation et de raisonnement ; l’exécution du code proposé reste une étape distincte.\n\nContexte et périmètre de l’édition\n\nUtilisez la fenêtre de 128 k tokens pour les passages sources, images, conversation et réponse attendue ensemble. Une comparaison de grands documents peut conserver les sections liées tout en renvoyant une courte matrice de constats. Une allocation élevée d’images ou une valeur de génération dans un exemple de service n’est pas une capacité maximale du modèle énoncée indépendamment.\n\nSmall 3.2 est une mise à jour d’instruction avec entrée visuelle documentée, distincte du Small 3 2501 textuel et du Small 4 hybride de raisonnement. Sa fiche ne fournit pas de plafond strict distinct de tokens de sortie. Préservez l’identité exacte 2506 et son formatage, et définissez l’enregistrement structuré, l’explication ou la proposition de code nécessaire à la suite.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract exactly the requested fields\n\nRead this note: 'Service case C-52. Customer: Dana Lee. Device: Lamp Mini. Reported problem: switches off after ten minutes.' Return exactly four labelled lines, in this order: Case ID, Device, Problem, Purchase date. Use unknown for missing information. Omit the customer's name and all introductory or closing prose.Exactly four labelled lines containing source-derived values or unknown, in the requested order.Purchase date is unknown, Dana Lee is omitted, and there are no extra lines.mistralai/mistral-small-3.2-24b-instructMistral Small 3.2 24B Instruct est un modèle d’instruction acceptant texte et images avec un contexte annoncé de 128 k tokens. Sa mise à jour 2506 améliore précisément le suivi d’instructions exactes, réduit les répétitions et renforce le format des appels de fonctions tout en conservant les fonctions principales de Small 3.1.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 3.2 24B Instruct 2506 est une mise à jour ciblée de Mistral Small 3.1 24B Instruct 2503. Le concepteur indique trois changements précis : un meilleur respect des instructions exactes, une réduction des réponses répétitives ou incontrôlées et un format d’appels de fonctions plus robuste. Le modèle reste ajusté aux instructions, accepte texte et images et génère du texte ; ce n’est pas une nouvelle édition de génération audio ou d’images.
Changements et fonctions conservées
La fiche 3.2 indique explicitement que ses fonctions principales sont identiques à celles de Small 3.1. Elles comprennent la vision, le travail multilingue, les prompts système, les appels de fonctions natifs, la sortie JSON et une fenêtre de contexte de 128 k tokens. La fiche 3.1 citée décrit un modèle de 24 milliards de paramètres et un tokenizer Tekken avec un vocabulaire indiqué à 131 k entrées. Ce lien documenté permet de reprendre ces fonctions pour 3.2 tout en préservant l’identité propre de la mise à jour 2506.
L’accent sur le respect des instructions compte lorsque le résultat comporte plusieurs exigences exactes. Donnez les sources, énumérez les règles que la sortie doit respecter et indiquez le livrable attendu. Une extraction documentaire peut exiger des champs précis, les identifiants originaux, une représentation définie des valeurs absentes et aucun texte hors de l’enregistrement. Une tâche rédactionnelle peut imposer un public et un ordre des sections tout en préservant les conditions fournies.
La réduction des répétitions concerne le comportement de génération et n’ajoute pas de mode de raisonnement. Pour une réponse longue, définissez les sections et leur fonction afin de fixer un arrêt clair. Le changement de format concerne la représentation des conversations avec outils ; utilisez les réglages de conversation et de tokenizer de l’édition correspondante plutôt que de considérer un ancien exemple de formatage comme interchangeable.
Tâches visuelles et multilingues
La vision héritée permet d’associer une question textuelle à une image. Fournissez une page, un graphique ou un schéma lisible et identifiez le détail nécessaire. Pour comparer un graphique, préservez les axes, unités et légende et demandez l’observation qui soutient chaque conclusion. Pour un champ documentaire, conservez le libellé et le contexte afin d’interpréter correctement la valeur renvoyée.
Les langues documentées comprennent le russe, l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe, le persan, l’hindi, le bengali et d’autres langues listées par le concepteur. Précisez la langue finale et la terminologie à conserver. Une tâche documentaire bilingue peut préserver les identifiants et unités tout en adaptant l’explication au lecteur.
Pour une extraction visuelle pratique, demandez l’identifiant du document, le libellé du champ, le texte extrait et la zone de l’image qui le justifie. Une explication peut suivre séparément si une interprétation est utile. Vous évitez ainsi de confondre transcription, champs structurés et conclusion du modèle dans un résultat indistinct.
Instructions système et outils
La fiche 3.2 recommande un prompt système adapté au cas d’usage et une température relativement basse, par exemple 0,15. Définissez explicitement le rôle de l’assistant, les règles de réponse et le traitement des sources. Placez le document ou le code réel avec la tâche de l’utilisateur, en séparant les instructions sur la réponse des instructions citées dans la source.
Les appels de fonctions nécessitent des descriptions d’outils et leurs arguments requis fournis par l’application. Le modèle prépare un appel ; l’application exécute la fonction et renvoie son résultat ; la réponse suivante utilise ces informations. Les exemples publiés couvrent raisonnement visuel, appels d’outils et instructions purement textuelles. Une recherche peut donc demander au modèle de sélectionner une opération décrite tout en laissant la recherche réelle et son résultat à l’application.
Pour du code, fournissez la fonction pertinente, l’entrée révélant le problème et le comportement attendu. Demandez une correction préservant l’interface originale, puis des exemples distinguant le comportement voulu. Pour les mathématiques, définissez variables et hypothèses et demandez les étapes importantes justifiées et une expression finale séparée. Ce sont des applications des capacités héritées de programmation et de raisonnement ; l’exécution du code proposé reste une étape distincte.
Contexte et périmètre de l’édition
Utilisez la fenêtre de 128 k tokens pour les passages sources, images, conversation et réponse attendue ensemble. Une comparaison de grands documents peut conserver les sections liées tout en renvoyant une courte matrice de constats. Une allocation élevée d’images ou une valeur de génération dans un exemple de service n’est pas une capacité maximale du modèle énoncée indépendamment.
Small 3.2 est une mise à jour d’instruction avec entrée visuelle documentée, distincte du Small 3 2501 textuel et du Small 4 hybride de raisonnement. Sa fiche ne fournit pas de plafond strict distinct de tokens de sortie. Préservez l’identité exacte 2506 et son formatage, et définissez l’enregistrement structuré, l’explication ou la proposition de code nécessaire à la suite.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-3.2-24b-instruct | 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.00002 / 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-3.2-24b-instruct", "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-3.2-24b-instruct',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-3.2-24b-instruct',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-3.2-24b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-small-3.2-24b-instructMistral Small 3.2 24B Instruct est un modèle d’instruction acceptant texte et images avec un contexte annoncé de 128 k tokens. Sa mise à jour 2506 améliore précisément le suivi d’instructions exactes, réduit les répétitions et renforce le format des appels de fonctions tout en conservant les fonctions principales de Small 3.1.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 3.2 24B Instruct 2506 est une mise à jour ciblée de Mistral Small 3.1 24B Instruct 2503. Le concepteur indique trois changements précis : un meilleur respect des instructions exactes, une réduction des réponses répétitives ou incontrôlées et un format d’appels de fonctions plus robuste. Le modèle reste ajusté aux instructions, accepte texte et images et génère du texte ; ce n’est pas une nouvelle édition de génération audio ou d’images.
Changements et fonctions conservées
La fiche 3.2 indique explicitement que ses fonctions principales sont identiques à celles de Small 3.1. Elles comprennent la vision, le travail multilingue, les prompts système, les appels de fonctions natifs, la sortie JSON et une fenêtre de contexte de 128 k tokens. La fiche 3.1 citée décrit un modèle de 24 milliards de paramètres et un tokenizer Tekken avec un vocabulaire indiqué à 131 k entrées. Ce lien documenté permet de reprendre ces fonctions pour 3.2 tout en préservant l’identité propre de la mise à jour 2506.
L’accent sur le respect des instructions compte lorsque le résultat comporte plusieurs exigences exactes. Donnez les sources, énumérez les règles que la sortie doit respecter et indiquez le livrable attendu. Une extraction documentaire peut exiger des champs précis, les identifiants originaux, une représentation définie des valeurs absentes et aucun texte hors de l’enregistrement. Une tâche rédactionnelle peut imposer un public et un ordre des sections tout en préservant les conditions fournies.
La réduction des répétitions concerne le comportement de génération et n’ajoute pas de mode de raisonnement. Pour une réponse longue, définissez les sections et leur fonction afin de fixer un arrêt clair. Le changement de format concerne la représentation des conversations avec outils ; utilisez les réglages de conversation et de tokenizer de l’édition correspondante plutôt que de considérer un ancien exemple de formatage comme interchangeable.
Tâches visuelles et multilingues
La vision héritée permet d’associer une question textuelle à une image. Fournissez une page, un graphique ou un schéma lisible et identifiez le détail nécessaire. Pour comparer un graphique, préservez les axes, unités et légende et demandez l’observation qui soutient chaque conclusion. Pour un champ documentaire, conservez le libellé et le contexte afin d’interpréter correctement la valeur renvoyée.
Les langues documentées comprennent le russe, l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe, le persan, l’hindi, le bengali et d’autres langues listées par le concepteur. Précisez la langue finale et la terminologie à conserver. Une tâche documentaire bilingue peut préserver les identifiants et unités tout en adaptant l’explication au lecteur.
Pour une extraction visuelle pratique, demandez l’identifiant du document, le libellé du champ, le texte extrait et la zone de l’image qui le justifie. Une explication peut suivre séparément si une interprétation est utile. Vous évitez ainsi de confondre transcription, champs structurés et conclusion du modèle dans un résultat indistinct.
Instructions système et outils
La fiche 3.2 recommande un prompt système adapté au cas d’usage et une température relativement basse, par exemple 0,15. Définissez explicitement le rôle de l’assistant, les règles de réponse et le traitement des sources. Placez le document ou le code réel avec la tâche de l’utilisateur, en séparant les instructions sur la réponse des instructions citées dans la source.
Les appels de fonctions nécessitent des descriptions d’outils et leurs arguments requis fournis par l’application. Le modèle prépare un appel ; l’application exécute la fonction et renvoie son résultat ; la réponse suivante utilise ces informations. Les exemples publiés couvrent raisonnement visuel, appels d’outils et instructions purement textuelles. Une recherche peut donc demander au modèle de sélectionner une opération décrite tout en laissant la recherche réelle et son résultat à l’application.
Pour du code, fournissez la fonction pertinente, l’entrée révélant le problème et le comportement attendu. Demandez une correction préservant l’interface originale, puis des exemples distinguant le comportement voulu. Pour les mathématiques, définissez variables et hypothèses et demandez les étapes importantes justifiées et une expression finale séparée. Ce sont des applications des capacités héritées de programmation et de raisonnement ; l’exécution du code proposé reste une étape distincte.
Contexte et périmètre de l’édition
Utilisez la fenêtre de 128 k tokens pour les passages sources, images, conversation et réponse attendue ensemble. Une comparaison de grands documents peut conserver les sections liées tout en renvoyant une courte matrice de constats. Une allocation élevée d’images ou une valeur de génération dans un exemple de service n’est pas une capacité maximale du modèle énoncée indépendamment.
Small 3.2 est une mise à jour d’instruction avec entrée visuelle documentée, distincte du Small 3 2501 textuel et du Small 4 hybride de raisonnement. Sa fiche ne fournit pas de plafond strict distinct de tokens de sortie. Préservez l’identité exacte 2506 et son formatage, et définissez l’enregistrement structuré, l’explication ou la proposition de code nécessaire à la suite.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-3.2-24b-instruct | 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.00002 / 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-small-3.2-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.2-24b-instruct', '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-3.2-24b-instruct', '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-3.2-24b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract exactly the requested fields\n\nRead this note: 'Service case C-52. Customer: Dana Lee. Device: Lamp Mini. Reported problem: switches off after ten minutes.' Return exactly four labelled lines, in this order: Case ID, Device, Problem, Purchase date. Use unknown for missing information. Omit the customer's name and all introductory or closing prose.Exactly four labelled lines containing source-derived values or unknown, in the requested order.Purchase date is unknown, Dana Lee is omitted, and there are no extra lines.