Mistral Small 3.1 24B Instruct 2503 prolonge Small 3 2501 en ajoutant la compréhension visuelle et en étendant la prise en charge du contexte long à 128k jetons. Il compte 24 milliards de paramètres et est adapté au suivi d’instructions à partir de la version Base Small 3.1 nommée séparément. Le modèle accepte du texte et des images et produit du texte, notamment une explication, du code ou un enregistrement structuré.
Capacités principales
La vision permet au modèle d’analyser les éléments visibles avec la question utilisateur. Une image documentaire peut fournir le champ ou l’énoncé à examiner, un schéma la relation à expliquer et un graphique les données d’une comparaison. Gardez lisibles les libellés, les unités et le contenu environnant pertinent afin que la question se rapporte à des éléments effectivement présents dans l’image.
Le fabricant mentionne une prise en charge multilingue couvrant des dizaines de langues, dont le russe, l’anglais, le français, l’allemand, le grec, l’hindi, l’indonésien, l’italien, le japonais, le coréen, le malais, le népalais, le polonais, le portugais, le roumain, le serbe, l’espagnol, le suédois, le turc, l’ukrainien, le vietnamien, l’arabe, le bengali, le chinois et le persan. Définissez la langue finale, le lecteur et la terminologie pour une réponse multilingue. Noms, libellés cités, identifiants de variables et unités peuvent rester inchangés tandis que la prose environnante est adaptée.
La fiche décrit aussi des capacités de conversation et de raisonnement, l’appel natif de fonctions, la sortie JSON et le respect des invites système. Son segmenteur est Tekken, avec un vocabulaire indiqué à 131k. Ces fonctions appartiennent à la version nommée adaptée aux instructions; son édition Base a un autre rôle, tandis que les versions ultérieures Small 3.2 et Small 4 conservent leurs propres changements et modes.
Préparation documentaire, logicielle et mathématique
Pour une tâche sur des documents longs, identifiez les documents et posez une question définie. Une comparaison peut demander une matrice d’exigences avec l’énoncé, sa section source et tout désaccord entre documents. Un résumé peut demander uniquement les éléments liés à une modification nommée. Le contexte long conserve ces sources ensemble, tandis que la réponse finale peut rester concise.
Pour expliquer du code, fournissez la fonction et l’entrée dont le comportement doit être suivi. Incluez les fonctions auxiliaires ou déclarations pertinentes et demandez comment l’état change avant le retour de la valeur. Pour une proposition de modification, indiquez l’exigence, l’interface publique à préserver et la sortie attendue. Demandez le code révisé séparément de l’explication et des exemples.
Pour les mathématiques, définissez les symboles et les hypothèses sur leur domaine avant de demander une dérivation. Précisez si le résultat final doit être exact, arrondi ou démontrer une affirmation. Si la condition figure dans une image, gardez la formule et ses libellés clairs et demandez au modèle de préserver cette notation dans la réponse. Ces préparations transforment l’orientation documentée du modèle vers la programmation et le raisonnement mathématique en un livrable examinable.
Format d’instructions et utilisation recommandée
Le fabricant publie un modèle de conversation V7-Tekken distinguant les rôles système, utilisateur et assistant, et recommande d’utiliser l’implémentation correspondante du segmenteur comme référence. Une instruction système doit définir le rôle de l’assistant et les règles de réponse, tandis que le message utilisateur contient la tâche et les sources réelles. Un formatage correct de conversation diffère du placement de libellés ressemblant à des rôles dans un document cité.
La fiche recommande une température relativement basse, comme 0.15, et une invite système adaptée au cas d’usage. Définissez les champs ou sections de sortie et les conditions devant survivre à la réécriture. Pour une extraction répétée, demandez du JSON avec des noms et types définis et une représentation des valeurs absentes de la source. Un paragraphe explicatif peut être retourné séparément lorsqu’une personne doit examiner l’interprétation.
Processus d’appels de fonctions
Le modèle peut sélectionner une fonction parmi les outils décrits par l’application et générer ses arguments. L’application exécute la fonction, renvoie le résultat avec l’appel d’outil correspondant, et le modèle utilise ce résultat dans une réponse ultérieure. L’exemple du fabricant montre ce cycle, avec l’utilisation antérieure d’outils et une nouvelle question utilisateur. Une recherche proposée se distingue donc des données réellement retournées par la recherche.
Un assistant pratique peut d’abord extraire une question d’un document, puis utiliser une fonction de référence fournie pour obtenir une condition manquante. Décrivez clairement la fonction, incluez ses arguments requis et gardez le résultat retourné associé à l’opération d’origine. JSON organise un résultat textuel; l’appel de fonctions demande une opération connectée plutôt que d’exécuter silencieusement du code ou de lire une base de données.
Limites de fond
La capacité visuelle documentée lit les images; elle ne les génère pas. Les consignes d’assistant de la fiche publiée distinguent aussi ce modèle de la transcription audio et vidéo; une question orale ou vidéo exige donc que son contenu pertinent soit fourni par une étape de préparation séparée appropriée. L’accès au web et les actions externes proviennent également d’outils connectés, et non du seul modèle de texte et d’image.
Le contexte de 128k concerne les entrées de la tâche et la conversation générée, tandis que l’exemple de génération de 512 jetons de la fiche n’est qu’un réglage d’exemple. Aucune capacité stricte séparée de longueur de réponse n’est précisée dans les sources consultées. Préservez l’édition exacte Instruct 2503, son format de conversation et le livrable demandé, qu’il s’agisse d’une explication, d’un enregistrement ou de code.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 prolonge Small 3 2501 en ajoutant la compréhension visuelle et en étendant la prise en charge du contexte long à 128k jetons. Il compte 24 milliards de paramètres et est adapté au suivi d’instructions à partir de la version Base Small 3.1 nommée séparément. Le modèle accepte du texte et des images et produit du texte, notamment une explication, du code ou un enregistrement structuré.\n\nCapacités principales\n\nLa vision permet au modèle d’analyser les éléments visibles avec la question utilisateur. Une image documentaire peut fournir le champ ou l’énoncé à examiner, un schéma la relation à expliquer et un graphique les données d’une comparaison. Gardez lisibles les libellés, les unités et le contenu environnant pertinent afin que la question se rapporte à des éléments effectivement présents dans l’image.\n\nLe fabricant mentionne une prise en charge multilingue couvrant des dizaines de langues, dont le russe, l’anglais, le français, l’allemand, le grec, l’hindi, l’indonésien, l’italien, le japonais, le coréen, le malais, le népalais, le polonais, le portugais, le roumain, le serbe, l’espagnol, le suédois, le turc, l’ukrainien, le vietnamien, l’arabe, le bengali, le chinois et le persan. Définissez la langue finale, le lecteur et la terminologie pour une réponse multilingue. Noms, libellés cités, identifiants de variables et unités peuvent rester inchangés tandis que la prose environnante est adaptée.\n\nLa fiche décrit aussi des capacités de conversation et de raisonnement, l’appel natif de fonctions, la sortie JSON et le respect des invites système. Son segmenteur est Tekken, avec un vocabulaire indiqué à 131k. Ces fonctions appartiennent à la version nommée adaptée aux instructions; son édition Base a un autre rôle, tandis que les versions ultérieures Small 3.2 et Small 4 conservent leurs propres changements et modes.\n\nPréparation documentaire, logicielle et mathématique\n\nPour une tâche sur des documents longs, identifiez les documents et posez une question définie. Une comparaison peut demander une matrice d’exigences avec l’énoncé, sa section source et tout désaccord entre documents. Un résumé peut demander uniquement les éléments liés à une modification nommée. Le contexte long conserve ces sources ensemble, tandis que la réponse finale peut rester concise.\n\nPour expliquer du code, fournissez la fonction et l’entrée dont le comportement doit être suivi. Incluez les fonctions auxiliaires ou déclarations pertinentes et demandez comment l’état change avant le retour de la valeur. Pour une proposition de modification, indiquez l’exigence, l’interface publique à préserver et la sortie attendue. Demandez le code révisé séparément de l’explication et des exemples.\n\nPour les mathématiques, définissez les symboles et les hypothèses sur leur domaine avant de demander une dérivation. Précisez si le résultat final doit être exact, arrondi ou démontrer une affirmation. Si la condition figure dans une image, gardez la formule et ses libellés clairs et demandez au modèle de préserver cette notation dans la réponse. Ces préparations transforment l’orientation documentée du modèle vers la programmation et le raisonnement mathématique en un livrable examinable.\n\nFormat d’instructions et utilisation recommandée\n\nLe fabricant publie un modèle de conversation V7-Tekken distinguant les rôles système, utilisateur et assistant, et recommande d’utiliser l’implémentation correspondante du segmenteur comme référence. Une instruction système doit définir le rôle de l’assistant et les règles de réponse, tandis que le message utilisateur contient la tâche et les sources réelles. Un formatage correct de conversation diffère du placement de libellés ressemblant à des rôles dans un document cité.\n\nLa fiche recommande une température relativement basse, comme 0.15, et une invite système adaptée au cas d’usage. Définissez les champs ou sections de sortie et les conditions devant survivre à la réécriture. Pour une extraction répétée, demandez du JSON avec des noms et types définis et une représentation des valeurs absentes de la source. Un paragraphe explicatif peut être retourné séparément lorsqu’une personne doit examiner l’interprétation.\n\nProcessus d’appels de fonctions\n\nLe modèle peut sélectionner une fonction parmi les outils décrits par l’application et générer ses arguments. L’application exécute la fonction, renvoie le résultat avec l’appel d’outil correspondant, et le modèle utilise ce résultat dans une réponse ultérieure. L’exemple du fabricant montre ce cycle, avec l’utilisation antérieure d’outils et une nouvelle question utilisateur. Une recherche proposée se distingue donc des données réellement retournées par la recherche.\n\nUn assistant pratique peut d’abord extraire une question d’un document, puis utiliser une fonction de référence fournie pour obtenir une condition manquante. Décrivez clairement la fonction, incluez ses arguments requis et gardez le résultat retourné associé à l’opération d’origine. JSON organise un résultat textuel; l’appel de fonctions demande une opération connectée plutôt que d’exécuter silencieusement du code ou de lire une base de données.\n\nLimites de fond\n\nLa capacité visuelle documentée lit les images; elle ne les génère pas. Les consignes d’assistant de la fiche publiée distinguent aussi ce modèle de la transcription audio et vidéo; une question orale ou vidéo exige donc que son contenu pertinent soit fourni par une étape de préparation séparée appropriée. L’accès au web et les actions externes proviennent également d’outils connectés, et non du seul modèle de texte et d’image.\n\nLe contexte de 128k concerne les entrées de la tâche et la conversation générée, tandis que l’exemple de génération de 512 jetons de la fiche n’est qu’un réglage d’exemple. Aucune capacité stricte séparée de longueur de réponse n’est précisée dans les sources consultées. Préservez l’édition exacte Instruct 2503, son format de conversation et le livrable demandé, qu’il s’agisse d’une explication, d’un enregistrement ou de code.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 ajoute la compréhension d’images et un contexte de 128k annoncé par le fabricant à la lignée Small 3. Il associe texte multilingue, programmation et raisonnement mathématique aux instructions système, à JSON et aux appels natifs de fonctions dans une version distincte adaptée au suivi d’instructions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 3.1 24B Instruct 2503 prolonge Small 3 2501 en ajoutant la compréhension visuelle et en étendant la prise en charge du contexte long à 128k jetons. Il compte 24 milliards de paramètres et est adapté au suivi d’instructions à partir de la version Base Small 3.1 nommée séparément. Le modèle accepte du texte et des images et produit du texte, notamment une explication, du code ou un enregistrement structuré.
Capacités principales
La vision permet au modèle d’analyser les éléments visibles avec la question utilisateur. Une image documentaire peut fournir le champ ou l’énoncé à examiner, un schéma la relation à expliquer et un graphique les données d’une comparaison. Gardez lisibles les libellés, les unités et le contenu environnant pertinent afin que la question se rapporte à des éléments effectivement présents dans l’image.
Le fabricant mentionne une prise en charge multilingue couvrant des dizaines de langues, dont le russe, l’anglais, le français, l’allemand, le grec, l’hindi, l’indonésien, l’italien, le japonais, le coréen, le malais, le népalais, le polonais, le portugais, le roumain, le serbe, l’espagnol, le suédois, le turc, l’ukrainien, le vietnamien, l’arabe, le bengali, le chinois et le persan. Définissez la langue finale, le lecteur et la terminologie pour une réponse multilingue. Noms, libellés cités, identifiants de variables et unités peuvent rester inchangés tandis que la prose environnante est adaptée.
La fiche décrit aussi des capacités de conversation et de raisonnement, l’appel natif de fonctions, la sortie JSON et le respect des invites système. Son segmenteur est Tekken, avec un vocabulaire indiqué à 131k. Ces fonctions appartiennent à la version nommée adaptée aux instructions; son édition Base a un autre rôle, tandis que les versions ultérieures Small 3.2 et Small 4 conservent leurs propres changements et modes.
Préparation documentaire, logicielle et mathématique
Pour une tâche sur des documents longs, identifiez les documents et posez une question définie. Une comparaison peut demander une matrice d’exigences avec l’énoncé, sa section source et tout désaccord entre documents. Un résumé peut demander uniquement les éléments liés à une modification nommée. Le contexte long conserve ces sources ensemble, tandis que la réponse finale peut rester concise.
Pour expliquer du code, fournissez la fonction et l’entrée dont le comportement doit être suivi. Incluez les fonctions auxiliaires ou déclarations pertinentes et demandez comment l’état change avant le retour de la valeur. Pour une proposition de modification, indiquez l’exigence, l’interface publique à préserver et la sortie attendue. Demandez le code révisé séparément de l’explication et des exemples.
Pour les mathématiques, définissez les symboles et les hypothèses sur leur domaine avant de demander une dérivation. Précisez si le résultat final doit être exact, arrondi ou démontrer une affirmation. Si la condition figure dans une image, gardez la formule et ses libellés clairs et demandez au modèle de préserver cette notation dans la réponse. Ces préparations transforment l’orientation documentée du modèle vers la programmation et le raisonnement mathématique en un livrable examinable.
Format d’instructions et utilisation recommandée
Le fabricant publie un modèle de conversation V7-Tekken distinguant les rôles système, utilisateur et assistant, et recommande d’utiliser l’implémentation correspondante du segmenteur comme référence. Une instruction système doit définir le rôle de l’assistant et les règles de réponse, tandis que le message utilisateur contient la tâche et les sources réelles. Un formatage correct de conversation diffère du placement de libellés ressemblant à des rôles dans un document cité.
La fiche recommande une température relativement basse, comme 0.15, et une invite système adaptée au cas d’usage. Définissez les champs ou sections de sortie et les conditions devant survivre à la réécriture. Pour une extraction répétée, demandez du JSON avec des noms et types définis et une représentation des valeurs absentes de la source. Un paragraphe explicatif peut être retourné séparément lorsqu’une personne doit examiner l’interprétation.
Processus d’appels de fonctions
Le modèle peut sélectionner une fonction parmi les outils décrits par l’application et générer ses arguments. L’application exécute la fonction, renvoie le résultat avec l’appel d’outil correspondant, et le modèle utilise ce résultat dans une réponse ultérieure. L’exemple du fabricant montre ce cycle, avec l’utilisation antérieure d’outils et une nouvelle question utilisateur. Une recherche proposée se distingue donc des données réellement retournées par la recherche.
Un assistant pratique peut d’abord extraire une question d’un document, puis utiliser une fonction de référence fournie pour obtenir une condition manquante. Décrivez clairement la fonction, incluez ses arguments requis et gardez le résultat retourné associé à l’opération d’origine. JSON organise un résultat textuel; l’appel de fonctions demande une opération connectée plutôt que d’exécuter silencieusement du code ou de lire une base de données.
Limites de fond
La capacité visuelle documentée lit les images; elle ne les génère pas. Les consignes d’assistant de la fiche publiée distinguent aussi ce modèle de la transcription audio et vidéo; une question orale ou vidéo exige donc que son contenu pertinent soit fourni par une étape de préparation séparée appropriée. L’accès au web et les actions externes proviennent également d’outils connectés, et non du seul modèle de texte et d’image.
Le contexte de 128k concerne les entrées de la tâche et la conversation générée, tandis que l’exemple de génération de 512 jetons de la fiche n’est qu’un réglage d’exemple. Aucune capacité stricte séparée de longueur de réponse n’est précisée dans les sources consultées. Préservez l’édition exacte Instruct 2503, son format de conversation et le livrable demandé, qu’il s’agisse d’une explication, d’un enregistrement ou de code.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-3.1-24b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’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 $0.0011 / 1K jetons Sortie · Jetons en sortie $0.00111 / 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 |
| 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 $0.0011 / 1K jetons Sortie · Jetons en sortie $0.00111 / 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": "mistralai/mistral-small-3.1-24b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-3.1-24b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-3.1-24b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, 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-small-3.1-24b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 ajoute la compréhension d’images et un contexte de 128k annoncé par le fabricant à la lignée Small 3. Il associe texte multilingue, programmation et raisonnement mathématique aux instructions système, à JSON et aux appels natifs de fonctions dans une version distincte adaptée au suivi d’instructions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 3.1 24B Instruct 2503 prolonge Small 3 2501 en ajoutant la compréhension visuelle et en étendant la prise en charge du contexte long à 128k jetons. Il compte 24 milliards de paramètres et est adapté au suivi d’instructions à partir de la version Base Small 3.1 nommée séparément. Le modèle accepte du texte et des images et produit du texte, notamment une explication, du code ou un enregistrement structuré.
Capacités principales
La vision permet au modèle d’analyser les éléments visibles avec la question utilisateur. Une image documentaire peut fournir le champ ou l’énoncé à examiner, un schéma la relation à expliquer et un graphique les données d’une comparaison. Gardez lisibles les libellés, les unités et le contenu environnant pertinent afin que la question se rapporte à des éléments effectivement présents dans l’image.
Le fabricant mentionne une prise en charge multilingue couvrant des dizaines de langues, dont le russe, l’anglais, le français, l’allemand, le grec, l’hindi, l’indonésien, l’italien, le japonais, le coréen, le malais, le népalais, le polonais, le portugais, le roumain, le serbe, l’espagnol, le suédois, le turc, l’ukrainien, le vietnamien, l’arabe, le bengali, le chinois et le persan. Définissez la langue finale, le lecteur et la terminologie pour une réponse multilingue. Noms, libellés cités, identifiants de variables et unités peuvent rester inchangés tandis que la prose environnante est adaptée.
La fiche décrit aussi des capacités de conversation et de raisonnement, l’appel natif de fonctions, la sortie JSON et le respect des invites système. Son segmenteur est Tekken, avec un vocabulaire indiqué à 131k. Ces fonctions appartiennent à la version nommée adaptée aux instructions; son édition Base a un autre rôle, tandis que les versions ultérieures Small 3.2 et Small 4 conservent leurs propres changements et modes.
Préparation documentaire, logicielle et mathématique
Pour une tâche sur des documents longs, identifiez les documents et posez une question définie. Une comparaison peut demander une matrice d’exigences avec l’énoncé, sa section source et tout désaccord entre documents. Un résumé peut demander uniquement les éléments liés à une modification nommée. Le contexte long conserve ces sources ensemble, tandis que la réponse finale peut rester concise.
Pour expliquer du code, fournissez la fonction et l’entrée dont le comportement doit être suivi. Incluez les fonctions auxiliaires ou déclarations pertinentes et demandez comment l’état change avant le retour de la valeur. Pour une proposition de modification, indiquez l’exigence, l’interface publique à préserver et la sortie attendue. Demandez le code révisé séparément de l’explication et des exemples.
Pour les mathématiques, définissez les symboles et les hypothèses sur leur domaine avant de demander une dérivation. Précisez si le résultat final doit être exact, arrondi ou démontrer une affirmation. Si la condition figure dans une image, gardez la formule et ses libellés clairs et demandez au modèle de préserver cette notation dans la réponse. Ces préparations transforment l’orientation documentée du modèle vers la programmation et le raisonnement mathématique en un livrable examinable.
Format d’instructions et utilisation recommandée
Le fabricant publie un modèle de conversation V7-Tekken distinguant les rôles système, utilisateur et assistant, et recommande d’utiliser l’implémentation correspondante du segmenteur comme référence. Une instruction système doit définir le rôle de l’assistant et les règles de réponse, tandis que le message utilisateur contient la tâche et les sources réelles. Un formatage correct de conversation diffère du placement de libellés ressemblant à des rôles dans un document cité.
La fiche recommande une température relativement basse, comme 0.15, et une invite système adaptée au cas d’usage. Définissez les champs ou sections de sortie et les conditions devant survivre à la réécriture. Pour une extraction répétée, demandez du JSON avec des noms et types définis et une représentation des valeurs absentes de la source. Un paragraphe explicatif peut être retourné séparément lorsqu’une personne doit examiner l’interprétation.
Processus d’appels de fonctions
Le modèle peut sélectionner une fonction parmi les outils décrits par l’application et générer ses arguments. L’application exécute la fonction, renvoie le résultat avec l’appel d’outil correspondant, et le modèle utilise ce résultat dans une réponse ultérieure. L’exemple du fabricant montre ce cycle, avec l’utilisation antérieure d’outils et une nouvelle question utilisateur. Une recherche proposée se distingue donc des données réellement retournées par la recherche.
Un assistant pratique peut d’abord extraire une question d’un document, puis utiliser une fonction de référence fournie pour obtenir une condition manquante. Décrivez clairement la fonction, incluez ses arguments requis et gardez le résultat retourné associé à l’opération d’origine. JSON organise un résultat textuel; l’appel de fonctions demande une opération connectée plutôt que d’exécuter silencieusement du code ou de lire une base de données.
Limites de fond
La capacité visuelle documentée lit les images; elle ne les génère pas. Les consignes d’assistant de la fiche publiée distinguent aussi ce modèle de la transcription audio et vidéo; une question orale ou vidéo exige donc que son contenu pertinent soit fourni par une étape de préparation séparée appropriée. L’accès au web et les actions externes proviennent également d’outils connectés, et non du seul modèle de texte et d’image.
Le contexte de 128k concerne les entrées de la tâche et la conversation générée, tandis que l’exemple de génération de 512 jetons de la fiche n’est qu’un réglage d’exemple. Aucune capacité stricte séparée de longueur de réponse n’est précisée dans les sources consultées. Préservez l’édition exacte Instruct 2503, son format de conversation et le livrable demandé, qu’il s’agisse d’une explication, d’un enregistrement ou de code.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-3.1-24b-instruct | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | 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 $0.0011 / 1K jetons Sortie · Jetons en sortie $0.00111 / 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 |
| 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 $0.0011 / 1K jetons Sortie · Jetons en sortie $0.00111 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-3.1-24b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-3.1-24b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les 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-small-3.1-24b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.