Devstral Small 1.1 est le modèle textuel à version fixe de Mistral AI pour les agents de génie logiciel. Il est ajusté à partir de Mistral Small 3.1, dont l’encodeur visuel a été retiré, afin de concentrer le modèle sur l’exploration de dépôts, les outils et les modifications de code entre plusieurs fichiers. Cette version compte 24 milliards de paramètres et une fenêtre de contexte pouvant atteindre 128K jetons. Sa sortie comprend du texte, du code ou des instructions pour les fonctions mises à disposition par l’application d’agent.
La version 1.1 conserve l’architecture de la précédente version Small tout en élargissant sa façon de travailler avec les consignes et les environnements de programmation. Le fabricant décrit une meilleure généralisation entre différentes structures d’agents et ajoute la prise en charge du format d’appels de fonctions de Mistral en plus des formats XML. Il s’agit de manières d’exprimer et d’interpréter les interactions d’agents; les outils fournis et l’environnement d’exécution déterminent les actions disponibles sur le dépôt.
Les principales propriétés comprennent la taille de 24 milliards de paramètres, les poids sous Apache 2.0 et le segmenteur en jetons Tekken avec un vocabulaire d’environ 131K entrées. L’édition fixe 1.1 possède son propre nom de version et conserve son contexte de 128K. Les documents textuels du projet peuvent comprendre les fichiers sources, les exigences de tâche, les actions antérieures et les résultats retournés par des recherches ou commandes. La prochaine modification proposée peut ainsi s’appuyer sur ce que l’agent a appris du projet.
Un flux pratique commence par un objectif d’ingénierie précis. Demandez à l’agent de trouver le chemin qui traite une requête, d’identifier les fonctions pertinentes et de proposer des modifications coordonnées des fichiers concernés. Fournissez le comportement attendu, les exigences de compatibilité et les exemples qui permettent de distinguer un résultat correct. Pour un défaut, incluez l’erreur observée et l’entrée qui la reproduit. Pour une refactorisation, nommez les interfaces et le comportement qui doivent rester stables. Le livrable utile est le correctif proposé avec une explication de ses dépendances et des vérifications nécessaires pour le valider.
Le modèle prend aussi en charge les réponses structurées et les questions sur des documents. Une tâche de révision de code peut renvoyer des champs distincts pour les composants touchés, les changements proposés et les vérifications de suivi. Une tâche sur un document technique peut repérer les exigences pertinentes pour l’implémentation. La continuation de préfixe peut établir le début d’une réponse, tandis que les flux par lots asynchrones peuvent traiter des tâches indépendantes d’analyse de code. Ces fonctionnalités complètent la spécialisation principale dans les dépôts et les outils.
Dans un agent utilisant l’API Ailoot, fournissez les descriptions d’outils et leurs schémas d’arguments avec la tâche. Devstral peut sélectionner une fonction et préparer des arguments; l’application exécute la fonction, renvoie sa sortie et poursuit la conversation. Le modèle n’obtient pas indépendamment l’accès aux fichiers et n’exécute pas son code suggéré. Utilisez les résultats d’outils retournés pour affiner les modifications proposées et terminez avec le livrable de code, l’explication et les éléments fournis par l’environnement. L’identité Small 1.1 reste distincte des éditions Devstral ultérieures et des versions généralistes de Mistral Small.
", "aboutText": "Devstral Small 1.1 est le modèle textuel à version fixe de Mistral AI pour les agents de génie logiciel. Il est ajusté à partir de Mistral Small 3.1, dont l’encodeur visuel a été retiré, afin de concentrer le modèle sur l’exploration de dépôts, les outils et les modifications de code entre plusieurs fichiers. Cette version compte 24 milliards de paramètres et une fenêtre de contexte pouvant atteindre 128K jetons. Sa sortie comprend du texte, du code ou des instructions pour les fonctions mises à disposition par l’application d’agent.\n\nLa version 1.1 conserve l’architecture de la précédente version Small tout en élargissant sa façon de travailler avec les consignes et les environnements de programmation. Le fabricant décrit une meilleure généralisation entre différentes structures d’agents et ajoute la prise en charge du format d’appels de fonctions de Mistral en plus des formats XML. Il s’agit de manières d’exprimer et d’interpréter les interactions d’agents; les outils fournis et l’environnement d’exécution déterminent les actions disponibles sur le dépôt.\n\nLes principales propriétés comprennent la taille de 24 milliards de paramètres, les poids sous Apache 2.0 et le segmenteur en jetons Tekken avec un vocabulaire d’environ 131K entrées. L’édition fixe 1.1 possède son propre nom de version et conserve son contexte de 128K. Les documents textuels du projet peuvent comprendre les fichiers sources, les exigences de tâche, les actions antérieures et les résultats retournés par des recherches ou commandes. La prochaine modification proposée peut ainsi s’appuyer sur ce que l’agent a appris du projet.\n\nUn flux pratique commence par un objectif d’ingénierie précis. Demandez à l’agent de trouver le chemin qui traite une requête, d’identifier les fonctions pertinentes et de proposer des modifications coordonnées des fichiers concernés. Fournissez le comportement attendu, les exigences de compatibilité et les exemples qui permettent de distinguer un résultat correct. Pour un défaut, incluez l’erreur observée et l’entrée qui la reproduit. Pour une refactorisation, nommez les interfaces et le comportement qui doivent rester stables. Le livrable utile est le correctif proposé avec une explication de ses dépendances et des vérifications nécessaires pour le valider.\n\nLe modèle prend aussi en charge les réponses structurées et les questions sur des documents. Une tâche de révision de code peut renvoyer des champs distincts pour les composants touchés, les changements proposés et les vérifications de suivi. Une tâche sur un document technique peut repérer les exigences pertinentes pour l’implémentation. La continuation de préfixe peut établir le début d’une réponse, tandis que les flux par lots asynchrones peuvent traiter des tâches indépendantes d’analyse de code. Ces fonctionnalités complètent la spécialisation principale dans les dépôts et les outils.\n\nDans un agent utilisant l’API Ailoot, fournissez les descriptions d’outils et leurs schémas d’arguments avec la tâche. Devstral peut sélectionner une fonction et préparer des arguments; l’application exécute la fonction, renvoie sa sortie et poursuit la conversation. Le modèle n’obtient pas indépendamment l’accès aux fichiers et n’exécute pas son code suggéré. Utilisez les résultats d’outils retournés pour affiner les modifications proposées et terminez avec le livrable de code, l’explication et les éléments fournis par l’environnement. L’identité Small 1.1 reste distincte des éditions Devstral ultérieures et des versions généralistes de Mistral Small.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.devstral-small-2507Devstral Small 1.1 est le modèle textuel d’agent de programmation de 24 milliards de paramètres de Mistral AI pour explorer les dépôts et préparer des modifications coordonnées entre fichiers. La version 1.1 élargit la compatibilité des consignes et prend en charge les formats d’agents par appels de fonctions et XML, avec une fenêtre de contexte de 128K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Devstral Small 1.1 est le modèle textuel à version fixe de Mistral AI pour les agents de génie logiciel. Il est ajusté à partir de Mistral Small 3.1, dont l’encodeur visuel a été retiré, afin de concentrer le modèle sur l’exploration de dépôts, les outils et les modifications de code entre plusieurs fichiers. Cette version compte 24 milliards de paramètres et une fenêtre de contexte pouvant atteindre 128K jetons. Sa sortie comprend du texte, du code ou des instructions pour les fonctions mises à disposition par l’application d’agent.
La version 1.1 conserve l’architecture de la précédente version Small tout en élargissant sa façon de travailler avec les consignes et les environnements de programmation. Le fabricant décrit une meilleure généralisation entre différentes structures d’agents et ajoute la prise en charge du format d’appels de fonctions de Mistral en plus des formats XML. Il s’agit de manières d’exprimer et d’interpréter les interactions d’agents; les outils fournis et l’environnement d’exécution déterminent les actions disponibles sur le dépôt.
Les principales propriétés comprennent la taille de 24 milliards de paramètres, les poids sous Apache 2.0 et le segmenteur en jetons Tekken avec un vocabulaire d’environ 131K entrées. L’édition fixe 1.1 possède son propre nom de version et conserve son contexte de 128K. Les documents textuels du projet peuvent comprendre les fichiers sources, les exigences de tâche, les actions antérieures et les résultats retournés par des recherches ou commandes. La prochaine modification proposée peut ainsi s’appuyer sur ce que l’agent a appris du projet.
Un flux pratique commence par un objectif d’ingénierie précis. Demandez à l’agent de trouver le chemin qui traite une requête, d’identifier les fonctions pertinentes et de proposer des modifications coordonnées des fichiers concernés. Fournissez le comportement attendu, les exigences de compatibilité et les exemples qui permettent de distinguer un résultat correct. Pour un défaut, incluez l’erreur observée et l’entrée qui la reproduit. Pour une refactorisation, nommez les interfaces et le comportement qui doivent rester stables. Le livrable utile est le correctif proposé avec une explication de ses dépendances et des vérifications nécessaires pour le valider.
Le modèle prend aussi en charge les réponses structurées et les questions sur des documents. Une tâche de révision de code peut renvoyer des champs distincts pour les composants touchés, les changements proposés et les vérifications de suivi. Une tâche sur un document technique peut repérer les exigences pertinentes pour l’implémentation. La continuation de préfixe peut établir le début d’une réponse, tandis que les flux par lots asynchrones peuvent traiter des tâches indépendantes d’analyse de code. Ces fonctionnalités complètent la spécialisation principale dans les dépôts et les outils.
Dans un agent utilisant l’API Ailoot, fournissez les descriptions d’outils et leurs schémas d’arguments avec la tâche. Devstral peut sélectionner une fonction et préparer des arguments; l’application exécute la fonction, renvoie sa sortie et poursuit la conversation. Le modèle n’obtient pas indépendamment l’accès aux fichiers et n’exécute pas son code suggéré. Utilisez les résultats d’outils retournés pour affiner les modifications proposées et terminez avec le livrable de code, l’explication et les éléments fournis par l’environnement. L’identité Small 1.1 reste distincte des éditions Devstral ultérieures et des versions généralistes de Mistral Small.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites devstral-small-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 $0.00022 / 1K jetons Sortie · Jetons en sortie $0.00066 / 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-small-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-small-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-small-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-small-2507
Utilisez les chemins de méthode indiqués ci-dessus.
devstral-small-2507Devstral Small 1.1 est le modèle textuel d’agent de programmation de 24 milliards de paramètres de Mistral AI pour explorer les dépôts et préparer des modifications coordonnées entre fichiers. La version 1.1 élargit la compatibilité des consignes et prend en charge les formats d’agents par appels de fonctions et XML, avec une fenêtre de contexte de 128K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Devstral Small 1.1 est le modèle textuel à version fixe de Mistral AI pour les agents de génie logiciel. Il est ajusté à partir de Mistral Small 3.1, dont l’encodeur visuel a été retiré, afin de concentrer le modèle sur l’exploration de dépôts, les outils et les modifications de code entre plusieurs fichiers. Cette version compte 24 milliards de paramètres et une fenêtre de contexte pouvant atteindre 128K jetons. Sa sortie comprend du texte, du code ou des instructions pour les fonctions mises à disposition par l’application d’agent.
La version 1.1 conserve l’architecture de la précédente version Small tout en élargissant sa façon de travailler avec les consignes et les environnements de programmation. Le fabricant décrit une meilleure généralisation entre différentes structures d’agents et ajoute la prise en charge du format d’appels de fonctions de Mistral en plus des formats XML. Il s’agit de manières d’exprimer et d’interpréter les interactions d’agents; les outils fournis et l’environnement d’exécution déterminent les actions disponibles sur le dépôt.
Les principales propriétés comprennent la taille de 24 milliards de paramètres, les poids sous Apache 2.0 et le segmenteur en jetons Tekken avec un vocabulaire d’environ 131K entrées. L’édition fixe 1.1 possède son propre nom de version et conserve son contexte de 128K. Les documents textuels du projet peuvent comprendre les fichiers sources, les exigences de tâche, les actions antérieures et les résultats retournés par des recherches ou commandes. La prochaine modification proposée peut ainsi s’appuyer sur ce que l’agent a appris du projet.
Un flux pratique commence par un objectif d’ingénierie précis. Demandez à l’agent de trouver le chemin qui traite une requête, d’identifier les fonctions pertinentes et de proposer des modifications coordonnées des fichiers concernés. Fournissez le comportement attendu, les exigences de compatibilité et les exemples qui permettent de distinguer un résultat correct. Pour un défaut, incluez l’erreur observée et l’entrée qui la reproduit. Pour une refactorisation, nommez les interfaces et le comportement qui doivent rester stables. Le livrable utile est le correctif proposé avec une explication de ses dépendances et des vérifications nécessaires pour le valider.
Le modèle prend aussi en charge les réponses structurées et les questions sur des documents. Une tâche de révision de code peut renvoyer des champs distincts pour les composants touchés, les changements proposés et les vérifications de suivi. Une tâche sur un document technique peut repérer les exigences pertinentes pour l’implémentation. La continuation de préfixe peut établir le début d’une réponse, tandis que les flux par lots asynchrones peuvent traiter des tâches indépendantes d’analyse de code. Ces fonctionnalités complètent la spécialisation principale dans les dépôts et les outils.
Dans un agent utilisant l’API Ailoot, fournissez les descriptions d’outils et leurs schémas d’arguments avec la tâche. Devstral peut sélectionner une fonction et préparer des arguments; l’application exécute la fonction, renvoie sa sortie et poursuit la conversation. Le modèle n’obtient pas indépendamment l’accès aux fichiers et n’exécute pas son code suggéré. Utilisez les résultats d’outils retournés pour affiner les modifications proposées et terminez avec le livrable de code, l’explication et les éléments fournis par l’environnement. L’identité Small 1.1 reste distincte des éditions Devstral ultérieures et des versions généralistes de Mistral Small.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites devstral-small-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 $0.00022 / 1K jetons Sortie · Jetons en sortie $0.00066 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "devstral-small-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small-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-small-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-small-2507
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.