Mistral Nemo Instruct 2407 est l’édition ajustée aux instructions du modèle de langage Mistral Nemo 12B. Elle est ajustée à partir du checkpoint Nemo Base 2407 distinct. Le fabricant décrit un entraînement riche en données multilingues et en code et une fenêtre de contexte de 128k jetons, pour les consignes écrites, la conversation et la programmation.
Caractéristiques et architecture
La version comprend des modèles préentraînés et ajustés aux instructions distincts. Cette fiche concerne le checkpoint Instruct : une requête textuelle peut demander une explication, un document révisé, du code ou une proposition d’appel de fonction. Son ajustement aux instructions est décrit comme améliorant leur suivi précis, le raisonnement, le dialogue à plusieurs tours et la génération de code par rapport à la lignée Mistral 7B précédente.
Le modèle comporte 40 couches Transformer et une largeur de modèle de 5 120. Il utilise SwiGLU, 32 têtes d’attention et 8 têtes de clés/valeurs dans l’attention à requêtes groupées, une dimension de tête de 128 et une dimension cachée de 14 336. Les embeddings rotatifs utilisent un réglage theta d’un million. Le vocabulaire publié compte 2 à la puissance 17 entrées, soit 131 072; cette taille de vocabulaire est distincte du contexte de tâche nommé 128k.
L’annonce du fabricant décrit aussi un entraînement tenant compte de la quantification et l’inférence FP8. Ce sont des caractéristiques de version et de précision, non des modalités de contenu supplémentaires. Préservez le checkpoint exact et son tokenizer correspondant plutôt que d’assimiler un autre modèle 12B ou de la famille Mistral à cette édition.
Texte multilingue et Tekken
La version met en avant l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe et l’hindi, tandis que le russe figure dans les métadonnées linguistiques de la fiche. Définissez la langue finale, le public et la terminologie avant de demander le résultat. Pour un document multilingue, gardez les noms, identifiants et unités inchangés tout en adaptant la prose environnante.
Nemo utilise le tokenizer Tekken, entraîné sur plus de 100 langues et conçu pour représenter efficacement le langage naturel et le code source. Le tokenizer influence la place des éléments dans le contexte; le nombre de caractères n’est donc pas à lui seul un nombre de jetons. Utilisez le tokenizer correspondant et conservez ensemble les éléments pertinents plutôt que d’estimer le contexte uniquement par la longueur visible d’un passage.
Préparation des consignes et du code
Pour expliquer un document, fournissez le passage source et identifiez la condition ou le terme à expliquer. Demandez une explication dans la langue du lecteur en conservant les noms originaux et l’énoncé source qui l’appuie. Pour une révision, précisez le sens et les conditions à préserver ainsi que la forme attendue : passage révisé seul, ou passage avec explication.
Pour programmer, nommez le langage, les types d’entrée, la sortie attendue et l’interface existante. Incluez la fonction ou les déclarations déterminantes. Un résultat utile peut contenir l’implémentation, ses hypothèses et des entrées d’exemple avec les sorties attendues. Une question distincte peut demander de suivre une entrée dans le code fourni afin de relier l’explication à un chemin concret plutôt qu’à un programme indéfini.
Dans une conversation à plusieurs tours, conservez la réponse antérieure pertinente et posez une question ciblée ou fournissez des éléments qui changent la tâche. Précisez si la réponse suivante doit réviser le livrable, expliquer une décision ou représenter autrement les mêmes faits sources. Cela rend la continuation explicite.
Appels de fonctions et échantillonnage
Le fabricant documente les appels de fonctions avec le format de conversation correspondant. Le modèle génère l’opération proposée et les arguments; l’application exécute la fonction et ajoute son résultat à la conversation avant la génération suivante. La fiche précise qu’un exemple de code abrégé ne montre pas tout le cycle : l’exécution et le retour de résultat manquants restent nécessaires à une application assistée d’outils.
Dans ce format d’outils publié, les identifiants d’appels et de résultats correspondants comportent exactement neuf caractères alphanumériques. Conservez l’association entre opération et résultat dans la conversation native. Une interface intermédiaire peut représenter la conversation autrement; cette exigence décrit le format du fabricant et n’est pas un identifiant client universel inventé.
Le fabricant recommande temperature 0.3 et indique que Nemo utilise des températures plus basses que les modèles Mistral antérieurs. Les réglages de 64, 128, 256 et 1 000 jetons dans les exemples sont des choix de génération propres à ces démonstrations, non des capacités maximales de réponse publiées indépendamment.
Limites importantes
La fiche Instruct décrit ce checkpoint comme une démonstration d’ajustement du modèle de base et précise qu’il n’a aucun mécanisme de modération. Les applications exigeant un comportement modéré doivent le fournir dans le système environnant. C’est une propriété du checkpoint publié, et non une affirmation sur tous les services qui hébergent Nemo.
La tâche documentée ici est la génération de texte, avec le contexte 128k et le format de conversation propres à Nemo. La compréhension d’images, la transcription vocale et les réglages de raisonnement hybride des familles Mistral ultérieures ne doivent pas être attribués à cette édition. Fournissez la condition écrite complète, les sources pertinentes et le livrable final requis afin de conserver un résultat utilisable comme explication, texte révisé ou proposition d’implémentation.
", "aboutText": "Mistral Nemo Instruct 2407 est l’édition ajustée aux instructions du modèle de langage Mistral Nemo 12B. Elle est ajustée à partir du checkpoint Nemo Base 2407 distinct. Le fabricant décrit un entraînement riche en données multilingues et en code et une fenêtre de contexte de 128k jetons, pour les consignes écrites, la conversation et la programmation.\n\nCaractéristiques et architecture\n\nLa version comprend des modèles préentraînés et ajustés aux instructions distincts. Cette fiche concerne le checkpoint Instruct : une requête textuelle peut demander une explication, un document révisé, du code ou une proposition d’appel de fonction. Son ajustement aux instructions est décrit comme améliorant leur suivi précis, le raisonnement, le dialogue à plusieurs tours et la génération de code par rapport à la lignée Mistral 7B précédente.\n\nLe modèle comporte 40 couches Transformer et une largeur de modèle de 5 120. Il utilise SwiGLU, 32 têtes d’attention et 8 têtes de clés/valeurs dans l’attention à requêtes groupées, une dimension de tête de 128 et une dimension cachée de 14 336. Les embeddings rotatifs utilisent un réglage theta d’un million. Le vocabulaire publié compte 2 à la puissance 17 entrées, soit 131 072; cette taille de vocabulaire est distincte du contexte de tâche nommé 128k.\n\nL’annonce du fabricant décrit aussi un entraînement tenant compte de la quantification et l’inférence FP8. Ce sont des caractéristiques de version et de précision, non des modalités de contenu supplémentaires. Préservez le checkpoint exact et son tokenizer correspondant plutôt que d’assimiler un autre modèle 12B ou de la famille Mistral à cette édition.\n\nTexte multilingue et Tekken\n\nLa version met en avant l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe et l’hindi, tandis que le russe figure dans les métadonnées linguistiques de la fiche. Définissez la langue finale, le public et la terminologie avant de demander le résultat. Pour un document multilingue, gardez les noms, identifiants et unités inchangés tout en adaptant la prose environnante.\n\nNemo utilise le tokenizer Tekken, entraîné sur plus de 100 langues et conçu pour représenter efficacement le langage naturel et le code source. Le tokenizer influence la place des éléments dans le contexte; le nombre de caractères n’est donc pas à lui seul un nombre de jetons. Utilisez le tokenizer correspondant et conservez ensemble les éléments pertinents plutôt que d’estimer le contexte uniquement par la longueur visible d’un passage.\n\nPréparation des consignes et du code\n\nPour expliquer un document, fournissez le passage source et identifiez la condition ou le terme à expliquer. Demandez une explication dans la langue du lecteur en conservant les noms originaux et l’énoncé source qui l’appuie. Pour une révision, précisez le sens et les conditions à préserver ainsi que la forme attendue : passage révisé seul, ou passage avec explication.\n\nPour programmer, nommez le langage, les types d’entrée, la sortie attendue et l’interface existante. Incluez la fonction ou les déclarations déterminantes. Un résultat utile peut contenir l’implémentation, ses hypothèses et des entrées d’exemple avec les sorties attendues. Une question distincte peut demander de suivre une entrée dans le code fourni afin de relier l’explication à un chemin concret plutôt qu’à un programme indéfini.\n\nDans une conversation à plusieurs tours, conservez la réponse antérieure pertinente et posez une question ciblée ou fournissez des éléments qui changent la tâche. Précisez si la réponse suivante doit réviser le livrable, expliquer une décision ou représenter autrement les mêmes faits sources. Cela rend la continuation explicite.\n\nAppels de fonctions et échantillonnage\n\nLe fabricant documente les appels de fonctions avec le format de conversation correspondant. Le modèle génère l’opération proposée et les arguments; l’application exécute la fonction et ajoute son résultat à la conversation avant la génération suivante. La fiche précise qu’un exemple de code abrégé ne montre pas tout le cycle : l’exécution et le retour de résultat manquants restent nécessaires à une application assistée d’outils.\n\nDans ce format d’outils publié, les identifiants d’appels et de résultats correspondants comportent exactement neuf caractères alphanumériques. Conservez l’association entre opération et résultat dans la conversation native. Une interface intermédiaire peut représenter la conversation autrement; cette exigence décrit le format du fabricant et n’est pas un identifiant client universel inventé.\n\nLe fabricant recommande temperature 0.3 et indique que Nemo utilise des températures plus basses que les modèles Mistral antérieurs. Les réglages de 64, 128, 256 et 1 000 jetons dans les exemples sont des choix de génération propres à ces démonstrations, non des capacités maximales de réponse publiées indépendamment.\n\nLimites importantes\n\nLa fiche Instruct décrit ce checkpoint comme une démonstration d’ajustement du modèle de base et précise qu’il n’a aucun mécanisme de modération. Les applications exigeant un comportement modéré doivent le fournir dans le système environnant. C’est une propriété du checkpoint publié, et non une affirmation sur tous les services qui hébergent Nemo.\n\nLa tâche documentée ici est la génération de texte, avec le contexte 128k et le format de conversation propres à Nemo. La compréhension d’images, la transcription vocale et les réglages de raisonnement hybride des familles Mistral ultérieures ne doivent pas être attribués à cette édition. Fournissez la condition écrite complète, les sources pertinentes et le livrable final requis afin de conserver un résultat utilisable comme explication, texte révisé ou proposition d’implémentation.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.mistralai/mistral-nemoMistral Nemo Instruct 2407 est un modèle textuel multilingue de 12 milliards de paramètres pour les instructions précises, les conversations à plusieurs échanges et le code. Il dispose d’un contexte de 128k annoncé par le fabricant, d’un segmenteur Tekken, d’appels de fonctions documentés et d’un point de contrôle distinct adapté aux instructions avec ses propres recommandations d’échantillonnage.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Nemo Instruct 2407 est l’édition ajustée aux instructions du modèle de langage Mistral Nemo 12B. Elle est ajustée à partir du checkpoint Nemo Base 2407 distinct. Le fabricant décrit un entraînement riche en données multilingues et en code et une fenêtre de contexte de 128k jetons, pour les consignes écrites, la conversation et la programmation.
Caractéristiques et architecture
La version comprend des modèles préentraînés et ajustés aux instructions distincts. Cette fiche concerne le checkpoint Instruct : une requête textuelle peut demander une explication, un document révisé, du code ou une proposition d’appel de fonction. Son ajustement aux instructions est décrit comme améliorant leur suivi précis, le raisonnement, le dialogue à plusieurs tours et la génération de code par rapport à la lignée Mistral 7B précédente.
Le modèle comporte 40 couches Transformer et une largeur de modèle de 5 120. Il utilise SwiGLU, 32 têtes d’attention et 8 têtes de clés/valeurs dans l’attention à requêtes groupées, une dimension de tête de 128 et une dimension cachée de 14 336. Les embeddings rotatifs utilisent un réglage theta d’un million. Le vocabulaire publié compte 2 à la puissance 17 entrées, soit 131 072; cette taille de vocabulaire est distincte du contexte de tâche nommé 128k.
L’annonce du fabricant décrit aussi un entraînement tenant compte de la quantification et l’inférence FP8. Ce sont des caractéristiques de version et de précision, non des modalités de contenu supplémentaires. Préservez le checkpoint exact et son tokenizer correspondant plutôt que d’assimiler un autre modèle 12B ou de la famille Mistral à cette édition.
Texte multilingue et Tekken
La version met en avant l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe et l’hindi, tandis que le russe figure dans les métadonnées linguistiques de la fiche. Définissez la langue finale, le public et la terminologie avant de demander le résultat. Pour un document multilingue, gardez les noms, identifiants et unités inchangés tout en adaptant la prose environnante.
Nemo utilise le tokenizer Tekken, entraîné sur plus de 100 langues et conçu pour représenter efficacement le langage naturel et le code source. Le tokenizer influence la place des éléments dans le contexte; le nombre de caractères n’est donc pas à lui seul un nombre de jetons. Utilisez le tokenizer correspondant et conservez ensemble les éléments pertinents plutôt que d’estimer le contexte uniquement par la longueur visible d’un passage.
Préparation des consignes et du code
Pour expliquer un document, fournissez le passage source et identifiez la condition ou le terme à expliquer. Demandez une explication dans la langue du lecteur en conservant les noms originaux et l’énoncé source qui l’appuie. Pour une révision, précisez le sens et les conditions à préserver ainsi que la forme attendue : passage révisé seul, ou passage avec explication.
Pour programmer, nommez le langage, les types d’entrée, la sortie attendue et l’interface existante. Incluez la fonction ou les déclarations déterminantes. Un résultat utile peut contenir l’implémentation, ses hypothèses et des entrées d’exemple avec les sorties attendues. Une question distincte peut demander de suivre une entrée dans le code fourni afin de relier l’explication à un chemin concret plutôt qu’à un programme indéfini.
Dans une conversation à plusieurs tours, conservez la réponse antérieure pertinente et posez une question ciblée ou fournissez des éléments qui changent la tâche. Précisez si la réponse suivante doit réviser le livrable, expliquer une décision ou représenter autrement les mêmes faits sources. Cela rend la continuation explicite.
Appels de fonctions et échantillonnage
Le fabricant documente les appels de fonctions avec le format de conversation correspondant. Le modèle génère l’opération proposée et les arguments; l’application exécute la fonction et ajoute son résultat à la conversation avant la génération suivante. La fiche précise qu’un exemple de code abrégé ne montre pas tout le cycle : l’exécution et le retour de résultat manquants restent nécessaires à une application assistée d’outils.
Dans ce format d’outils publié, les identifiants d’appels et de résultats correspondants comportent exactement neuf caractères alphanumériques. Conservez l’association entre opération et résultat dans la conversation native. Une interface intermédiaire peut représenter la conversation autrement; cette exigence décrit le format du fabricant et n’est pas un identifiant client universel inventé.
Le fabricant recommande temperature 0.3 et indique que Nemo utilise des températures plus basses que les modèles Mistral antérieurs. Les réglages de 64, 128, 256 et 1 000 jetons dans les exemples sont des choix de génération propres à ces démonstrations, non des capacités maximales de réponse publiées indépendamment.
Limites importantes
La fiche Instruct décrit ce checkpoint comme une démonstration d’ajustement du modèle de base et précise qu’il n’a aucun mécanisme de modération. Les applications exigeant un comportement modéré doivent le fournir dans le système environnant. C’est une propriété du checkpoint publié, et non une affirmation sur tous les services qui hébergent Nemo.
La tâche documentée ici est la génération de texte, avec le contexte 128k et le format de conversation propres à Nemo. La compréhension d’images, la transcription vocale et les réglages de raisonnement hybride des familles Mistral ultérieures ne doivent pas être attribués à cette édition. Fournissez la condition écrite complète, les sources pertinentes et le livrable final requis afin de conserver un résultat utilisable comme explication, texte révisé ou proposition d’implémentation.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-nemo | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0003 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache $0.00003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0003 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache $0.00003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-nemo", "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-nemo',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-nemo',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 mistralai/mistral-nemo
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-nemoMistral Nemo Instruct 2407 est un modèle textuel multilingue de 12 milliards de paramètres pour les instructions précises, les conversations à plusieurs échanges et le code. Il dispose d’un contexte de 128k annoncé par le fabricant, d’un segmenteur Tekken, d’appels de fonctions documentés et d’un point de contrôle distinct adapté aux instructions avec ses propres recommandations d’échantillonnage.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Nemo Instruct 2407 est l’édition ajustée aux instructions du modèle de langage Mistral Nemo 12B. Elle est ajustée à partir du checkpoint Nemo Base 2407 distinct. Le fabricant décrit un entraînement riche en données multilingues et en code et une fenêtre de contexte de 128k jetons, pour les consignes écrites, la conversation et la programmation.
Caractéristiques et architecture
La version comprend des modèles préentraînés et ajustés aux instructions distincts. Cette fiche concerne le checkpoint Instruct : une requête textuelle peut demander une explication, un document révisé, du code ou une proposition d’appel de fonction. Son ajustement aux instructions est décrit comme améliorant leur suivi précis, le raisonnement, le dialogue à plusieurs tours et la génération de code par rapport à la lignée Mistral 7B précédente.
Le modèle comporte 40 couches Transformer et une largeur de modèle de 5 120. Il utilise SwiGLU, 32 têtes d’attention et 8 têtes de clés/valeurs dans l’attention à requêtes groupées, une dimension de tête de 128 et une dimension cachée de 14 336. Les embeddings rotatifs utilisent un réglage theta d’un million. Le vocabulaire publié compte 2 à la puissance 17 entrées, soit 131 072; cette taille de vocabulaire est distincte du contexte de tâche nommé 128k.
L’annonce du fabricant décrit aussi un entraînement tenant compte de la quantification et l’inférence FP8. Ce sont des caractéristiques de version et de précision, non des modalités de contenu supplémentaires. Préservez le checkpoint exact et son tokenizer correspondant plutôt que d’assimiler un autre modèle 12B ou de la famille Mistral à cette édition.
Texte multilingue et Tekken
La version met en avant l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe et l’hindi, tandis que le russe figure dans les métadonnées linguistiques de la fiche. Définissez la langue finale, le public et la terminologie avant de demander le résultat. Pour un document multilingue, gardez les noms, identifiants et unités inchangés tout en adaptant la prose environnante.
Nemo utilise le tokenizer Tekken, entraîné sur plus de 100 langues et conçu pour représenter efficacement le langage naturel et le code source. Le tokenizer influence la place des éléments dans le contexte; le nombre de caractères n’est donc pas à lui seul un nombre de jetons. Utilisez le tokenizer correspondant et conservez ensemble les éléments pertinents plutôt que d’estimer le contexte uniquement par la longueur visible d’un passage.
Préparation des consignes et du code
Pour expliquer un document, fournissez le passage source et identifiez la condition ou le terme à expliquer. Demandez une explication dans la langue du lecteur en conservant les noms originaux et l’énoncé source qui l’appuie. Pour une révision, précisez le sens et les conditions à préserver ainsi que la forme attendue : passage révisé seul, ou passage avec explication.
Pour programmer, nommez le langage, les types d’entrée, la sortie attendue et l’interface existante. Incluez la fonction ou les déclarations déterminantes. Un résultat utile peut contenir l’implémentation, ses hypothèses et des entrées d’exemple avec les sorties attendues. Une question distincte peut demander de suivre une entrée dans le code fourni afin de relier l’explication à un chemin concret plutôt qu’à un programme indéfini.
Dans une conversation à plusieurs tours, conservez la réponse antérieure pertinente et posez une question ciblée ou fournissez des éléments qui changent la tâche. Précisez si la réponse suivante doit réviser le livrable, expliquer une décision ou représenter autrement les mêmes faits sources. Cela rend la continuation explicite.
Appels de fonctions et échantillonnage
Le fabricant documente les appels de fonctions avec le format de conversation correspondant. Le modèle génère l’opération proposée et les arguments; l’application exécute la fonction et ajoute son résultat à la conversation avant la génération suivante. La fiche précise qu’un exemple de code abrégé ne montre pas tout le cycle : l’exécution et le retour de résultat manquants restent nécessaires à une application assistée d’outils.
Dans ce format d’outils publié, les identifiants d’appels et de résultats correspondants comportent exactement neuf caractères alphanumériques. Conservez l’association entre opération et résultat dans la conversation native. Une interface intermédiaire peut représenter la conversation autrement; cette exigence décrit le format du fabricant et n’est pas un identifiant client universel inventé.
Le fabricant recommande temperature 0.3 et indique que Nemo utilise des températures plus basses que les modèles Mistral antérieurs. Les réglages de 64, 128, 256 et 1 000 jetons dans les exemples sont des choix de génération propres à ces démonstrations, non des capacités maximales de réponse publiées indépendamment.
Limites importantes
La fiche Instruct décrit ce checkpoint comme une démonstration d’ajustement du modèle de base et précise qu’il n’a aucun mécanisme de modération. Les applications exigeant un comportement modéré doivent le fournir dans le système environnant. C’est une propriété du checkpoint publié, et non une affirmation sur tous les services qui hébergent Nemo.
La tâche documentée ici est la génération de texte, avec le contexte 128k et le format de conversation propres à Nemo. La compréhension d’images, la transcription vocale et les réglages de raisonnement hybride des familles Mistral ultérieures ne doivent pas être attribués à cette édition. Fournissez la condition écrite complète, les sources pertinentes et le livrable final requis afin de conserver un résultat utilisable comme explication, texte révisé ou proposition d’implémentation.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-nemo | 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0003 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache $0.00003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0003 / 1K jetons Sortie · Jetons en sortie $0.0003 / 1K jetons Entrée · Lecture du cache $0.00003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-nemo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-nemo', '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-nemo', '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 mistralai/mistral-nemo
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.