Mistral Small est la famille polyvalente de Mistral AI pour le suivi d’instructions, le travail documentaire et les assistants de programmation. Ses éditions publiées possèdent des architectures et des limites de contexte distinctes. Small 4 réunit le suivi d’instructions, le raisonnement et la programmation agentique dans un seul modèle multimodal. Il accepte du texte et des images et produit du texte, ce qui permet d’associer dans une même tâche une exigence écrite et des éléments visuels comme une page de document ou une capture d’interface.
Small 4 utilise une architecture à mélange d’experts comprenant 119 milliards de paramètres au total et 128 experts, dont quatre sont sélectionnés par jeton. Sa fenêtre de contexte est de 256 K jetons. L’édition précédente Small 3.2 possède une fenêtre de contexte de 128 K. Ces propriétés sont propres à chaque version : une sélection de famille suit une édition mise à jour, tandis qu’un nom de modèle fixe identifie une publication particulière.
Small 4 propose deux niveaux d’effort de raisonnement. Le réglage de réponse directe utilise une réflexion minimale et renvoie la réponse sans segment de raisonnement séparé. Le réglage à effort élevé ajoute un raisonnement plus détaillé avant la réponse finale et vise les problèmes plus difficiles. Il réunit ainsi la conversation courante, l’analyse mathématique, la recherche et les tâches de code. Dans une conversation de raisonnement, conserver le message complet précédent de l’assistant préserve le contexte nécessaire aux tours suivants.
Les fonctions applicatives du modèle comprennent les appels de fonctions, la sortie structurée, les questions sur documents et la continuation contrôlée d’une réponse. Les appels de fonctions commencent par la description des outils disponibles et de leurs arguments attendus. Le modèle peut choisir une fonction adaptée, repérer les informations manquantes et générer ses arguments ; l’application exécute la fonction et renvoie le résultat pour la réponse suivante. Le processus d’outils peut autoriser une sélection automatique, imposer un outil, désactiver les outils ou permettre plusieurs appels en parallèle. Ces contrôles relèvent du processus de l’application environnante.
La sortie structurée prend en charge JSON et les schémas personnalisés. Les tâches orientées JSON doivent décrire explicitement le format attendu, tandis qu’un schéma définit les champs et les types requis par le traitement en aval. Les questions sur documents associent extraction du texte et de la mise en page à l’analyse par le modèle linguistique : demandez une condition précise, comparez des sections ou collectez un ensemble défini de champs. La prise en charge des sorties prédites est utile pour réviser un texte ou du code dont une grande partie du résultat est déjà connue. La continuation par préfixe fournit un début choisi pour la réponse ; le traitement par lots gère des ensembles de demandes indépendantes de manière asynchrone.
Pour un assistant via l’API Ailoot, définissez un livrable utile et les éléments qui l’étayent. Une tâche d’assistance peut combiner une demande et une capture d’écran pour produire une réponse avec les observations extraites. Une tâche documentaire peut renvoyer un tableau de champs et les questions non résolues. Une tâche de programmation peut explorer les fichiers pertinents, proposer des modifications coordonnées et les affiner à partir des vérifications de l’application. Les poids de Small 4 sont publiés sous licence Apache 2.0 pour la personnalisation ; le nom de famille conserve le choix général de modèle, les modes et limites concrets étant attachés à l’édition sélectionnée.
", "aboutText": "Mistral Small est la famille polyvalente de Mistral AI pour le suivi d’instructions, le travail documentaire et les assistants de programmation. Ses éditions publiées possèdent des architectures et des limites de contexte distinctes. Small 4 réunit le suivi d’instructions, le raisonnement et la programmation agentique dans un seul modèle multimodal. Il accepte du texte et des images et produit du texte, ce qui permet d’associer dans une même tâche une exigence écrite et des éléments visuels comme une page de document ou une capture d’interface.\n\nSmall 4 utilise une architecture à mélange d’experts comprenant 119 milliards de paramètres au total et 128 experts, dont quatre sont sélectionnés par jeton. Sa fenêtre de contexte est de 256 K jetons. L’édition précédente Small 3.2 possède une fenêtre de contexte de 128 K. Ces propriétés sont propres à chaque version : une sélection de famille suit une édition mise à jour, tandis qu’un nom de modèle fixe identifie une publication particulière.\n\nSmall 4 propose deux niveaux d’effort de raisonnement. Le réglage de réponse directe utilise une réflexion minimale et renvoie la réponse sans segment de raisonnement séparé. Le réglage à effort élevé ajoute un raisonnement plus détaillé avant la réponse finale et vise les problèmes plus difficiles. Il réunit ainsi la conversation courante, l’analyse mathématique, la recherche et les tâches de code. Dans une conversation de raisonnement, conserver le message complet précédent de l’assistant préserve le contexte nécessaire aux tours suivants.\n\nLes fonctions applicatives du modèle comprennent les appels de fonctions, la sortie structurée, les questions sur documents et la continuation contrôlée d’une réponse. Les appels de fonctions commencent par la description des outils disponibles et de leurs arguments attendus. Le modèle peut choisir une fonction adaptée, repérer les informations manquantes et générer ses arguments ; l’application exécute la fonction et renvoie le résultat pour la réponse suivante. Le processus d’outils peut autoriser une sélection automatique, imposer un outil, désactiver les outils ou permettre plusieurs appels en parallèle. Ces contrôles relèvent du processus de l’application environnante.\n\nLa sortie structurée prend en charge JSON et les schémas personnalisés. Les tâches orientées JSON doivent décrire explicitement le format attendu, tandis qu’un schéma définit les champs et les types requis par le traitement en aval. Les questions sur documents associent extraction du texte et de la mise en page à l’analyse par le modèle linguistique : demandez une condition précise, comparez des sections ou collectez un ensemble défini de champs. La prise en charge des sorties prédites est utile pour réviser un texte ou du code dont une grande partie du résultat est déjà connue. La continuation par préfixe fournit un début choisi pour la réponse ; le traitement par lots gère des ensembles de demandes indépendantes de manière asynchrone.\n\nPour un assistant via l’API Ailoot, définissez un livrable utile et les éléments qui l’étayent. Une tâche d’assistance peut combiner une demande et une capture d’écran pour produire une réponse avec les observations extraites. Une tâche documentaire peut renvoyer un tableau de champs et les questions non résolues. Une tâche de programmation peut explorer les fichiers pertinents, proposer des modifications coordonnées et les affiner à partir des vérifications de l’application. Les poids de Small 4 sont publiés sous licence Apache 2.0 pour la personnalisation ; le nom de famille conserve le choix général de modèle, les modes et limites concrets étant attachés à l’édition sélectionnée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.mistral-small-latestLa famille polyvalente Small de Mistral AI prend en charge les assistants, l’analyse de documents et les processus de programmation avec appels d’outils et réponses structurées. Son édition Small 4 associe réponses directes et raisonnement réglable à des entrées textuelles et visuelles.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small est la famille polyvalente de Mistral AI pour le suivi d’instructions, le travail documentaire et les assistants de programmation. Ses éditions publiées possèdent des architectures et des limites de contexte distinctes. Small 4 réunit le suivi d’instructions, le raisonnement et la programmation agentique dans un seul modèle multimodal. Il accepte du texte et des images et produit du texte, ce qui permet d’associer dans une même tâche une exigence écrite et des éléments visuels comme une page de document ou une capture d’interface.
Small 4 utilise une architecture à mélange d’experts comprenant 119 milliards de paramètres au total et 128 experts, dont quatre sont sélectionnés par jeton. Sa fenêtre de contexte est de 256 K jetons. L’édition précédente Small 3.2 possède une fenêtre de contexte de 128 K. Ces propriétés sont propres à chaque version : une sélection de famille suit une édition mise à jour, tandis qu’un nom de modèle fixe identifie une publication particulière.
Small 4 propose deux niveaux d’effort de raisonnement. Le réglage de réponse directe utilise une réflexion minimale et renvoie la réponse sans segment de raisonnement séparé. Le réglage à effort élevé ajoute un raisonnement plus détaillé avant la réponse finale et vise les problèmes plus difficiles. Il réunit ainsi la conversation courante, l’analyse mathématique, la recherche et les tâches de code. Dans une conversation de raisonnement, conserver le message complet précédent de l’assistant préserve le contexte nécessaire aux tours suivants.
Les fonctions applicatives du modèle comprennent les appels de fonctions, la sortie structurée, les questions sur documents et la continuation contrôlée d’une réponse. Les appels de fonctions commencent par la description des outils disponibles et de leurs arguments attendus. Le modèle peut choisir une fonction adaptée, repérer les informations manquantes et générer ses arguments ; l’application exécute la fonction et renvoie le résultat pour la réponse suivante. Le processus d’outils peut autoriser une sélection automatique, imposer un outil, désactiver les outils ou permettre plusieurs appels en parallèle. Ces contrôles relèvent du processus de l’application environnante.
La sortie structurée prend en charge JSON et les schémas personnalisés. Les tâches orientées JSON doivent décrire explicitement le format attendu, tandis qu’un schéma définit les champs et les types requis par le traitement en aval. Les questions sur documents associent extraction du texte et de la mise en page à l’analyse par le modèle linguistique : demandez une condition précise, comparez des sections ou collectez un ensemble défini de champs. La prise en charge des sorties prédites est utile pour réviser un texte ou du code dont une grande partie du résultat est déjà connue. La continuation par préfixe fournit un début choisi pour la réponse ; le traitement par lots gère des ensembles de demandes indépendantes de manière asynchrone.
Pour un assistant via l’API Ailoot, définissez un livrable utile et les éléments qui l’étayent. Une tâche d’assistance peut combiner une demande et une capture d’écran pour produire une réponse avec les observations extraites. Une tâche documentaire peut renvoyer un tableau de champs et les questions non résolues. Une tâche de programmation peut explorer les fichiers pertinents, proposer des modifications coordonnées et les affiner à partir des vérifications de l’application. Les poids de Small 4 sont publiés sous licence Apache 2.0 pour la personnalisation ; le nom de famille conserve le choix général de modèle, les modes et limites concrets étant attachés à l’édition sélectionnée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistral-small-latest | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0011 / 1K tokens Sortie · Tokens en sortie $0.0011 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-small-latest", "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='mistral-small-latest',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='mistral-small-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistral-small-latest
Utilisez les chemins de méthode indiqués ci-dessus.
mistral-small-latestLa famille polyvalente Small de Mistral AI prend en charge les assistants, l’analyse de documents et les processus de programmation avec appels d’outils et réponses structurées. Son édition Small 4 associe réponses directes et raisonnement réglable à des entrées textuelles et visuelles.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small est la famille polyvalente de Mistral AI pour le suivi d’instructions, le travail documentaire et les assistants de programmation. Ses éditions publiées possèdent des architectures et des limites de contexte distinctes. Small 4 réunit le suivi d’instructions, le raisonnement et la programmation agentique dans un seul modèle multimodal. Il accepte du texte et des images et produit du texte, ce qui permet d’associer dans une même tâche une exigence écrite et des éléments visuels comme une page de document ou une capture d’interface.
Small 4 utilise une architecture à mélange d’experts comprenant 119 milliards de paramètres au total et 128 experts, dont quatre sont sélectionnés par jeton. Sa fenêtre de contexte est de 256 K jetons. L’édition précédente Small 3.2 possède une fenêtre de contexte de 128 K. Ces propriétés sont propres à chaque version : une sélection de famille suit une édition mise à jour, tandis qu’un nom de modèle fixe identifie une publication particulière.
Small 4 propose deux niveaux d’effort de raisonnement. Le réglage de réponse directe utilise une réflexion minimale et renvoie la réponse sans segment de raisonnement séparé. Le réglage à effort élevé ajoute un raisonnement plus détaillé avant la réponse finale et vise les problèmes plus difficiles. Il réunit ainsi la conversation courante, l’analyse mathématique, la recherche et les tâches de code. Dans une conversation de raisonnement, conserver le message complet précédent de l’assistant préserve le contexte nécessaire aux tours suivants.
Les fonctions applicatives du modèle comprennent les appels de fonctions, la sortie structurée, les questions sur documents et la continuation contrôlée d’une réponse. Les appels de fonctions commencent par la description des outils disponibles et de leurs arguments attendus. Le modèle peut choisir une fonction adaptée, repérer les informations manquantes et générer ses arguments ; l’application exécute la fonction et renvoie le résultat pour la réponse suivante. Le processus d’outils peut autoriser une sélection automatique, imposer un outil, désactiver les outils ou permettre plusieurs appels en parallèle. Ces contrôles relèvent du processus de l’application environnante.
La sortie structurée prend en charge JSON et les schémas personnalisés. Les tâches orientées JSON doivent décrire explicitement le format attendu, tandis qu’un schéma définit les champs et les types requis par le traitement en aval. Les questions sur documents associent extraction du texte et de la mise en page à l’analyse par le modèle linguistique : demandez une condition précise, comparez des sections ou collectez un ensemble défini de champs. La prise en charge des sorties prédites est utile pour réviser un texte ou du code dont une grande partie du résultat est déjà connue. La continuation par préfixe fournit un début choisi pour la réponse ; le traitement par lots gère des ensembles de demandes indépendantes de manière asynchrone.
Pour un assistant via l’API Ailoot, définissez un livrable utile et les éléments qui l’étayent. Une tâche d’assistance peut combiner une demande et une capture d’écran pour produire une réponse avec les observations extraites. Une tâche documentaire peut renvoyer un tableau de champs et les questions non résolues. Une tâche de programmation peut explorer les fichiers pertinents, proposer des modifications coordonnées et les affiner à partir des vérifications de l’application. Les poids de Small 4 sont publiés sous licence Apache 2.0 pour la personnalisation ; le nom de famille conserve le choix général de modèle, les modes et limites concrets étant attachés à l’édition sélectionnée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistral-small-latest | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0011 / 1K tokens Sortie · Tokens en sortie $0.0011 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistral-small-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-small-latest', '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': 'mistral-small-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistral-small-latest
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.