Devstral Medium 1.0 est le modèle textuel à version fixe de Mistral AI pour les agents de génie logiciel. La version est identifiée par devstral-medium-2507 et se concentre sur l’utilisation d’outils pour explorer les bases de code, modifier plusieurs fichiers connexes et poursuivre une tâche d’ingénierie sur plusieurs étapes. Sa fenêtre de contexte est de 128K jetons. L’entrée est constituée de textes de tâche et de projet; la sortie peut être du code, une explication ou des arguments pour une fonction fournie par l’application.
L’édition Medium appartient à la même orientation d’agents logiciels que Devstral Small, tout en gardant sa propre identité de modèle. Le fabricant la présente pour les tâches exigeant une compréhension du dépôt et un travail coordonné dans un environnement d’agent. La version fixe 1.0 reste distincte des générations Devstral ultérieures et de la famille généraliste Mistral Medium. Son contexte et sa spécialisation textuelle appartiennent à cette édition.
Les fonctions d’application prises en charge comprennent la sortie structurée, les appels de fonctions, les questions documentaires et la continuation de préfixe. Les résultats structurés permettent à l’agent de présenter un plan de changement avec des champs tels que les fichiers touchés, les modifications requises, les hypothèses et les étapes de validation. Un flux de questions documentaires fournit du contenu technique extrait à analyser, ce qui est utile lorsque les exigences d’implémentation sont réparties entre plusieurs spécifications. Un préfixe peut établir l’ouverture d’une réponse, et les flux par lots asynchrones peuvent traiter des demandes d’analyse indépendantes.
Pour une tâche assistée par des outils, définissez les fonctions disponibles et leurs schémas d’arguments. Le modèle sélectionne l’action appropriée et prépare les arguments; l’application réalise l’action et renvoie son résultat. L’étape suivante peut être un autre appel de fonction ou une réponse fondée sur l’information accumulée. Des appels successifs permettent l’exploration, puis la modification et la révision; des appels indépendants peuvent être demandés ensemble lorsque l’application autorise l’usage parallèle. L’accès aux fichiers, l’exécution de commandes et l’application des changements restent des fonctions de l’environnement d’agent.
Pour un changement de dépôt, fournissez le comportement attendu, les interfaces pertinentes et un exemple reproductible. Demandez à l’agent de suivre le chemin de code existant, d’identifier les dépendances et de préparer des modifications cohérentes entre les fichiers touchés. Pour un bogue, incluez le résultat observé et celui exigé par la spécification. Pour une refactorisation, nommez le comportement public qui doit rester stable. Les résultats de recherche, les contenus de fichiers et les vérifications retournés deviennent une partie du contexte textuel guidant la proposition suivante.
Dans un flux utilisant l’API Ailoot, définissez le livrable final avant de commencer : correctif, plan d’implémentation, révision structurée ou explication technique. Demandez un résultat qui distingue les changements proposés de leur justification et des vérifications réellement retournées par l’environnement. Le modèle fournit la prochaine décision et la sortie textuelle, tandis que l’application fournit les outils et valide leurs effets. L’édition fixe Medium 1.0 est ainsi utile pour le travail d’ingénierie qui doit relier l’exigence d’origine, les éléments du dépôt et un ensemble cohérent de changements proposés.
", "aboutText": "Devstral Medium 1.0 est le modèle textuel à version fixe de Mistral AI pour les agents de génie logiciel. La version est identifiée par devstral-medium-2507 et se concentre sur l’utilisation d’outils pour explorer les bases de code, modifier plusieurs fichiers connexes et poursuivre une tâche d’ingénierie sur plusieurs étapes. Sa fenêtre de contexte est de 128K jetons. L’entrée est constituée de textes de tâche et de projet; la sortie peut être du code, une explication ou des arguments pour une fonction fournie par l’application.\n\nL’édition Medium appartient à la même orientation d’agents logiciels que Devstral Small, tout en gardant sa propre identité de modèle. Le fabricant la présente pour les tâches exigeant une compréhension du dépôt et un travail coordonné dans un environnement d’agent. La version fixe 1.0 reste distincte des générations Devstral ultérieures et de la famille généraliste Mistral Medium. Son contexte et sa spécialisation textuelle appartiennent à cette édition.\n\nLes fonctions d’application prises en charge comprennent la sortie structurée, les appels de fonctions, les questions documentaires et la continuation de préfixe. Les résultats structurés permettent à l’agent de présenter un plan de changement avec des champs tels que les fichiers touchés, les modifications requises, les hypothèses et les étapes de validation. Un flux de questions documentaires fournit du contenu technique extrait à analyser, ce qui est utile lorsque les exigences d’implémentation sont réparties entre plusieurs spécifications. Un préfixe peut établir l’ouverture d’une réponse, et les flux par lots asynchrones peuvent traiter des demandes d’analyse indépendantes.\n\nPour une tâche assistée par des outils, définissez les fonctions disponibles et leurs schémas d’arguments. Le modèle sélectionne l’action appropriée et prépare les arguments; l’application réalise l’action et renvoie son résultat. L’étape suivante peut être un autre appel de fonction ou une réponse fondée sur l’information accumulée. Des appels successifs permettent l’exploration, puis la modification et la révision; des appels indépendants peuvent être demandés ensemble lorsque l’application autorise l’usage parallèle. L’accès aux fichiers, l’exécution de commandes et l’application des changements restent des fonctions de l’environnement d’agent.\n\nPour un changement de dépôt, fournissez le comportement attendu, les interfaces pertinentes et un exemple reproductible. Demandez à l’agent de suivre le chemin de code existant, d’identifier les dépendances et de préparer des modifications cohérentes entre les fichiers touchés. Pour un bogue, incluez le résultat observé et celui exigé par la spécification. Pour une refactorisation, nommez le comportement public qui doit rester stable. Les résultats de recherche, les contenus de fichiers et les vérifications retournés deviennent une partie du contexte textuel guidant la proposition suivante.\n\nDans un flux utilisant l’API Ailoot, définissez le livrable final avant de commencer : correctif, plan d’implémentation, révision structurée ou explication technique. Demandez un résultat qui distingue les changements proposés de leur justification et des vérifications réellement retournées par l’environnement. Le modèle fournit la prochaine décision et la sortie textuelle, tandis que l’application fournit les outils et valide leurs effets. L’édition fixe Medium 1.0 est ainsi utile pour le travail d’ingénierie qui doit relier l’exigence d’origine, les éléments du dépôt et un ensemble cohérent de changements proposés.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Coordinate a renamed export field\n\nPropose a patch plan across three files. serializer.py emits {'userName': user.name}; client.ts reads response.userName; schema.md documents userName. Requirement: new responses use display_name while the client temporarily accepts either field. Show the edits as small before/after snippets and give a compatibility test and a new-field test. Do not claim the files were edited.Three coordinated proposed edits plus tests for old and new responses during the compatibility period.The client accepts both spellings, while the producer and documentation agree on display_name.devstral-medium-2507Devstral Medium 1.0 est l’édition textuelle à version fixe de Mistral AI pour explorer des dépôts, utiliser des outils et réaliser des changements logiciels coordonnés. Son contexte de 128K contient les exigences, le code et les résultats d’outils retournés pour un agent travaillant entre fichiers connexes.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Devstral Medium 1.0 est le modèle textuel à version fixe de Mistral AI pour les agents de génie logiciel. La version est identifiée par devstral-medium-2507 et se concentre sur l’utilisation d’outils pour explorer les bases de code, modifier plusieurs fichiers connexes et poursuivre une tâche d’ingénierie sur plusieurs étapes. Sa fenêtre de contexte est de 128K jetons. L’entrée est constituée de textes de tâche et de projet; la sortie peut être du code, une explication ou des arguments pour une fonction fournie par l’application.
L’édition Medium appartient à la même orientation d’agents logiciels que Devstral Small, tout en gardant sa propre identité de modèle. Le fabricant la présente pour les tâches exigeant une compréhension du dépôt et un travail coordonné dans un environnement d’agent. La version fixe 1.0 reste distincte des générations Devstral ultérieures et de la famille généraliste Mistral Medium. Son contexte et sa spécialisation textuelle appartiennent à cette édition.
Les fonctions d’application prises en charge comprennent la sortie structurée, les appels de fonctions, les questions documentaires et la continuation de préfixe. Les résultats structurés permettent à l’agent de présenter un plan de changement avec des champs tels que les fichiers touchés, les modifications requises, les hypothèses et les étapes de validation. Un flux de questions documentaires fournit du contenu technique extrait à analyser, ce qui est utile lorsque les exigences d’implémentation sont réparties entre plusieurs spécifications. Un préfixe peut établir l’ouverture d’une réponse, et les flux par lots asynchrones peuvent traiter des demandes d’analyse indépendantes.
Pour une tâche assistée par des outils, définissez les fonctions disponibles et leurs schémas d’arguments. Le modèle sélectionne l’action appropriée et prépare les arguments; l’application réalise l’action et renvoie son résultat. L’étape suivante peut être un autre appel de fonction ou une réponse fondée sur l’information accumulée. Des appels successifs permettent l’exploration, puis la modification et la révision; des appels indépendants peuvent être demandés ensemble lorsque l’application autorise l’usage parallèle. L’accès aux fichiers, l’exécution de commandes et l’application des changements restent des fonctions de l’environnement d’agent.
Pour un changement de dépôt, fournissez le comportement attendu, les interfaces pertinentes et un exemple reproductible. Demandez à l’agent de suivre le chemin de code existant, d’identifier les dépendances et de préparer des modifications cohérentes entre les fichiers touchés. Pour un bogue, incluez le résultat observé et celui exigé par la spécification. Pour une refactorisation, nommez le comportement public qui doit rester stable. Les résultats de recherche, les contenus de fichiers et les vérifications retournés deviennent une partie du contexte textuel guidant la proposition suivante.
Dans un flux utilisant l’API Ailoot, définissez le livrable final avant de commencer : correctif, plan d’implémentation, révision structurée ou explication technique. Demandez un résultat qui distingue les changements proposés de leur justification et des vérifications réellement retournées par l’environnement. Le modèle fournit la prochaine décision et la sortie textuelle, tandis que l’application fournit les outils et valide leurs effets. L’édition fixe Medium 1.0 est ainsi utile pour le travail d’ingénierie qui doit relier l’exigence d’origine, les éléments du dépôt et un ensemble cohérent de changements proposés.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites devstral-medium-2507 | 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00088 / 1K jetons Sortie · Jetons en sortie $0.0044 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-medium-2507", "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='devstral-medium-2507',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='devstral-medium-2507',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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra devstral-medium-2507
Utilisez les chemins de méthode indiqués ci-dessus.
devstral-medium-2507Devstral Medium 1.0 est l’édition textuelle à version fixe de Mistral AI pour explorer des dépôts, utiliser des outils et réaliser des changements logiciels coordonnés. Son contexte de 128K contient les exigences, le code et les résultats d’outils retournés pour un agent travaillant entre fichiers connexes.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Devstral Medium 1.0 est le modèle textuel à version fixe de Mistral AI pour les agents de génie logiciel. La version est identifiée par devstral-medium-2507 et se concentre sur l’utilisation d’outils pour explorer les bases de code, modifier plusieurs fichiers connexes et poursuivre une tâche d’ingénierie sur plusieurs étapes. Sa fenêtre de contexte est de 128K jetons. L’entrée est constituée de textes de tâche et de projet; la sortie peut être du code, une explication ou des arguments pour une fonction fournie par l’application.
L’édition Medium appartient à la même orientation d’agents logiciels que Devstral Small, tout en gardant sa propre identité de modèle. Le fabricant la présente pour les tâches exigeant une compréhension du dépôt et un travail coordonné dans un environnement d’agent. La version fixe 1.0 reste distincte des générations Devstral ultérieures et de la famille généraliste Mistral Medium. Son contexte et sa spécialisation textuelle appartiennent à cette édition.
Les fonctions d’application prises en charge comprennent la sortie structurée, les appels de fonctions, les questions documentaires et la continuation de préfixe. Les résultats structurés permettent à l’agent de présenter un plan de changement avec des champs tels que les fichiers touchés, les modifications requises, les hypothèses et les étapes de validation. Un flux de questions documentaires fournit du contenu technique extrait à analyser, ce qui est utile lorsque les exigences d’implémentation sont réparties entre plusieurs spécifications. Un préfixe peut établir l’ouverture d’une réponse, et les flux par lots asynchrones peuvent traiter des demandes d’analyse indépendantes.
Pour une tâche assistée par des outils, définissez les fonctions disponibles et leurs schémas d’arguments. Le modèle sélectionne l’action appropriée et prépare les arguments; l’application réalise l’action et renvoie son résultat. L’étape suivante peut être un autre appel de fonction ou une réponse fondée sur l’information accumulée. Des appels successifs permettent l’exploration, puis la modification et la révision; des appels indépendants peuvent être demandés ensemble lorsque l’application autorise l’usage parallèle. L’accès aux fichiers, l’exécution de commandes et l’application des changements restent des fonctions de l’environnement d’agent.
Pour un changement de dépôt, fournissez le comportement attendu, les interfaces pertinentes et un exemple reproductible. Demandez à l’agent de suivre le chemin de code existant, d’identifier les dépendances et de préparer des modifications cohérentes entre les fichiers touchés. Pour un bogue, incluez le résultat observé et celui exigé par la spécification. Pour une refactorisation, nommez le comportement public qui doit rester stable. Les résultats de recherche, les contenus de fichiers et les vérifications retournés deviennent une partie du contexte textuel guidant la proposition suivante.
Dans un flux utilisant l’API Ailoot, définissez le livrable final avant de commencer : correctif, plan d’implémentation, révision structurée ou explication technique. Demandez un résultat qui distingue les changements proposés de leur justification et des vérifications réellement retournées par l’environnement. Le modèle fournit la prochaine décision et la sortie textuelle, tandis que l’application fournit les outils et valide leurs effets. L’édition fixe Medium 1.0 est ainsi utile pour le travail d’ingénierie qui doit relier l’exigence d’origine, les éléments du dépôt et un ensemble cohérent de changements proposés.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites devstral-medium-2507 | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00088 / 1K jetons Sortie · Jetons en sortie $0.0044 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "devstral-medium-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-medium-2507', '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': 'devstral-medium-2507', '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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra devstral-medium-2507
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Coordinate a renamed export field\n\nPropose a patch plan across three files. serializer.py emits {'userName': user.name}; client.ts reads response.userName; schema.md documents userName. Requirement: new responses use display_name while the client temporarily accepts either field. Show the edits as small before/after snippets and give a compatibility test and a new-field test. Do not claim the files were edited.Three coordinated proposed edits plus tests for old and new responses during the compatibility period.The client accepts both spellings, while the producer and documentation agree on display_name.