Codestral 2508 est le modèle de programmation de Mistral AI pour les tâches fréquentes de complétion et de génération sensibles à la latence. Il reçoit du code source et des exigences textuelles et renvoie un texte pouvant contenir une implémentation, une complétion, une correction ou une explication. L’édition 2508 nommée se concentre sur le contexte d’édition actuel du développeur ; elle n’est ni un modèle de plongements vectoriels ni, à elle seule, un agent complet pour dépôt de code.
Complétion de code et mise à jour 2508
Le fabricant destine Codestral à la complétion au milieu du code et aux modifications sur plusieurs lignes. La publication décrit des améliorations du comportement de complétion, notamment la réduction des générations qui se prolongent sans contrôle, ainsi que du suivi d’instructions et des tâches de code en mode conversationnel. Ces changements concernent cette édition de Codestral ; les fonctions de recherche d’information et d’agent autonome de l’environnement de programmation relèvent de composants nommés séparément.
Pour une tâche de complétion, gardez la signature de fonction, les déclarations pertinentes et le contexte d’appel avec la position du curseur. Précisez si le résultat attendu est uniquement le code manquant ou une fonction entièrement révisée. Une demande de type éditeur peut porter sur un corps de boucle qui préserve le type de retour existant, conserve les doublons et ne modifie pas l’entrée de l’appelant. Le résultat possède alors un point d’insertion concret et un comportement défini.
Préparer la complétion au milieu du code
Dans l’interface FIM du fabricant, l’instruction fournit le texte ou le code à compléter et un suffixe facultatif fournit le contenu situé après l’espace à remplir. Lorsque les deux sont fournis, le modèle remplit l’espace qui les sépare. Sans suffixe, il poursuit à partir de l’instruction. Cela diffère d’une demande conversationnelle ordinaire qui sollicite une modification de code et une explication ; chaque mode de préparation définit un contrat de sortie différent.
Une entrée utile pour compléter un espace comprend le début de la fonction, le code qui doit suivre l’insertion et toute définition de type ou de fonction auxiliaire pertinente. Préservez l’indentation et les délimiteurs afin que le texte renvoyé s’insère dans le fragment existant. Si la tâche nécessite uniquement le corps manquant, demandez ce corps plutôt qu’une réécriture complète du fichier. Une question distincte dans la conversation peut demander pourquoi le fragment complété satisfait l’exigence.
La documentation officielle FIM permet de fixer un budget de jetons de sortie et exige que l’instruction et ce budget restent ensemble dans le contexte du modèle. Elle documente aussi les séquences d’arrêt et la diffusion progressive du contenu généré. Choisissez un processus de complétion lorsque le résultat doit s’insérer dans un espace du code, et un processus conversationnel lorsque la tâche demande du code accompagné d’une explication.
Contexte et fonctions complémentaires
La page du modèle indique une fenêtre de contexte de 128 k. Utilisez ce contexte pour conserver la source et les déclarations qui déterminent la modification souhaitée, tout en gardant la tâche d’édition explicite. Pour corriger un bug, fournissez la fonction concernée, une entrée défaillante concrète, le résultat attendu et l’erreur ou le comportement observé. Demandez la correction proposée séparément de son explication et de ses exemples.
La page répertorie également les sorties structurées, les appels de fonctions, les sorties prédites, les questions sur documents, les préfixes de réponse et le traitement par lots, en plus de la conversation et du FIM. Pour une revue de code structurée, définissez des champs comme le symbole concerné, l’écart observé, la modification proposée et l’hypothèse qui doit encore être clarifiée. Les consignes de Mistral sur les sorties structurées distinguent le mode JSON d’un schéma personnalisé, le format JSON souhaité étant énoncé dans l’instruction.
Les sorties prédites concernent les contenus dont une grande partie de la réponse est déjà connue. Elles peuvent servir à régénérer un document ou un fichier de code avec une modification limitée tout en conservant le reste. Précisez la modification exacte et le contenu à préserver. Un préfixe de réponse fournit, lui, un début connu à partir duquel la génération se poursuit ; il se distingue aussi bien d’un corps complet connu que d’un suffixe FIM.
Une question documentaire peut utiliser le processus de traitement de documents du fabricant pour préparer le texte et sa structure avec l’OCR avant l’analyse par le modèle linguistique. Pour des éléments de programmation déjà disponibles en texte, fournissez les passages de documentation pertinents et demandez quelle condition régit l’implémentation. Gardez chaque exigence extraite associée à sa section source afin que le code ou l’explication générés restent reliés à la spécification fournie.
Outils et résultats pratiques
Les appels de fonctions permettent à l’application de fournir des opérations décrites et leurs paramètres. Le modèle prépare un appel, l’application l’exécute et le résultat renvoyé devient le contexte de la réponse suivante. Un assistant de programmation peut recevoir ainsi un résultat de recherche ou de calcul, mais compiler, tester ou appliquer une modification proposée nécessite toujours l’environnement de développement environnant.
Pour une correction pratique, définissez l’interface publique qui doit rester compatible et demandez le fragment révisé, une explication concise et des exemples d’entrées avec leurs sorties attendues. Pour une fonction générée, indiquez les types acceptés et les conditions limites. Pour une explication, fournissez l’entrée à suivre afin que la réponse relie un chemin d’exécution concret à la valeur renvoyée.
Codestral produit du texte. Il n’hérite pas des vecteurs de recherche de code de Codestral Embed, de l’automatisation des dépôts de Devstral ni de la génération d’images d’un modèle visuel. La page du modèle 2508 exact ne publie ni un nombre de paramètres ni une longueur de réponse maximale indépendante à reprendre d’une autre version. Préservez l’édition nommée, le contexte de programmation et le livrable requis lorsque vous préparez un processus reproductible dans un éditeur ou une conversation.
", "aboutText": "Codestral 2508 est le modèle de programmation de Mistral AI pour les tâches fréquentes de complétion et de génération sensibles à la latence. Il reçoit du code source et des exigences textuelles et renvoie un texte pouvant contenir une implémentation, une complétion, une correction ou une explication. L’édition 2508 nommée se concentre sur le contexte d’édition actuel du développeur ; elle n’est ni un modèle de plongements vectoriels ni, à elle seule, un agent complet pour dépôt de code.\n\nComplétion de code et mise à jour 2508\n\nLe fabricant destine Codestral à la complétion au milieu du code et aux modifications sur plusieurs lignes. La publication décrit des améliorations du comportement de complétion, notamment la réduction des générations qui se prolongent sans contrôle, ainsi que du suivi d’instructions et des tâches de code en mode conversationnel. Ces changements concernent cette édition de Codestral ; les fonctions de recherche d’information et d’agent autonome de l’environnement de programmation relèvent de composants nommés séparément.\n\nPour une tâche de complétion, gardez la signature de fonction, les déclarations pertinentes et le contexte d’appel avec la position du curseur. Précisez si le résultat attendu est uniquement le code manquant ou une fonction entièrement révisée. Une demande de type éditeur peut porter sur un corps de boucle qui préserve le type de retour existant, conserve les doublons et ne modifie pas l’entrée de l’appelant. Le résultat possède alors un point d’insertion concret et un comportement défini.\n\nPréparer la complétion au milieu du code\n\nDans l’interface FIM du fabricant, l’instruction fournit le texte ou le code à compléter et un suffixe facultatif fournit le contenu situé après l’espace à remplir. Lorsque les deux sont fournis, le modèle remplit l’espace qui les sépare. Sans suffixe, il poursuit à partir de l’instruction. Cela diffère d’une demande conversationnelle ordinaire qui sollicite une modification de code et une explication ; chaque mode de préparation définit un contrat de sortie différent.\n\nUne entrée utile pour compléter un espace comprend le début de la fonction, le code qui doit suivre l’insertion et toute définition de type ou de fonction auxiliaire pertinente. Préservez l’indentation et les délimiteurs afin que le texte renvoyé s’insère dans le fragment existant. Si la tâche nécessite uniquement le corps manquant, demandez ce corps plutôt qu’une réécriture complète du fichier. Une question distincte dans la conversation peut demander pourquoi le fragment complété satisfait l’exigence.\n\nLa documentation officielle FIM permet de fixer un budget de jetons de sortie et exige que l’instruction et ce budget restent ensemble dans le contexte du modèle. Elle documente aussi les séquences d’arrêt et la diffusion progressive du contenu généré. Choisissez un processus de complétion lorsque le résultat doit s’insérer dans un espace du code, et un processus conversationnel lorsque la tâche demande du code accompagné d’une explication.\n\nContexte et fonctions complémentaires\n\nLa page du modèle indique une fenêtre de contexte de 128 k. Utilisez ce contexte pour conserver la source et les déclarations qui déterminent la modification souhaitée, tout en gardant la tâche d’édition explicite. Pour corriger un bug, fournissez la fonction concernée, une entrée défaillante concrète, le résultat attendu et l’erreur ou le comportement observé. Demandez la correction proposée séparément de son explication et de ses exemples.\n\nLa page répertorie également les sorties structurées, les appels de fonctions, les sorties prédites, les questions sur documents, les préfixes de réponse et le traitement par lots, en plus de la conversation et du FIM. Pour une revue de code structurée, définissez des champs comme le symbole concerné, l’écart observé, la modification proposée et l’hypothèse qui doit encore être clarifiée. Les consignes de Mistral sur les sorties structurées distinguent le mode JSON d’un schéma personnalisé, le format JSON souhaité étant énoncé dans l’instruction.\n\nLes sorties prédites concernent les contenus dont une grande partie de la réponse est déjà connue. Elles peuvent servir à régénérer un document ou un fichier de code avec une modification limitée tout en conservant le reste. Précisez la modification exacte et le contenu à préserver. Un préfixe de réponse fournit, lui, un début connu à partir duquel la génération se poursuit ; il se distingue aussi bien d’un corps complet connu que d’un suffixe FIM.\n\nUne question documentaire peut utiliser le processus de traitement de documents du fabricant pour préparer le texte et sa structure avec l’OCR avant l’analyse par le modèle linguistique. Pour des éléments de programmation déjà disponibles en texte, fournissez les passages de documentation pertinents et demandez quelle condition régit l’implémentation. Gardez chaque exigence extraite associée à sa section source afin que le code ou l’explication générés restent reliés à la spécification fournie.\n\nOutils et résultats pratiques\n\nLes appels de fonctions permettent à l’application de fournir des opérations décrites et leurs paramètres. Le modèle prépare un appel, l’application l’exécute et le résultat renvoyé devient le contexte de la réponse suivante. Un assistant de programmation peut recevoir ainsi un résultat de recherche ou de calcul, mais compiler, tester ou appliquer une modification proposée nécessite toujours l’environnement de développement environnant.\n\nPour une correction pratique, définissez l’interface publique qui doit rester compatible et demandez le fragment révisé, une explication concise et des exemples d’entrées avec leurs sorties attendues. Pour une fonction générée, indiquez les types acceptés et les conditions limites. Pour une explication, fournissez l’entrée à suivre afin que la réponse relie un chemin d’exécution concret à la valeur renvoyée.\n\nCodestral produit du texte. Il n’hérite pas des vecteurs de recherche de code de Codestral Embed, de l’automatisation des dépôts de Devstral ni de la génération d’images d’un modèle visuel. La page du modèle 2508 exact ne publie ni un nombre de paramètres ni une longueur de réponse maximale indépendante à reprendre d’une autre version. Préservez l’édition nommée, le contexte de programmation et le livrable requis lorsque vous préparez un processus reproductible dans un éditeur ou une conversation.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Fill a nonmutating loop body\n\nComplete only the missing body in this Python function: 'def doubled(values):\n result = []\n # missing body\n return result'. It must append twice every input value, preserve order and duplicate values, and leave values unchanged. Return the indented insertion followed by assert tests for [2, 2, -1] and []. This is a chat completion request, not a FIM transport request.Only the missing indented loop body, then two tests verifying [4, 4, -2] and an empty result.The insertion fits before return result and never deduplicates or mutates the input.mistralai/codestral-2508Codestral 2508 est le modèle textuel de Mistral AI pour la génération de code et la complétion tenant compte du contexte. Il est optimisé pour les tâches fréquentes dans un éditeur, notamment la complétion au milieu du code et les modifications sur plusieurs lignes, avec un contexte fabricant de 128 k et des fonctions documentées de conversation, de sortie structurée et d’outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Codestral 2508 est le modèle de programmation de Mistral AI pour les tâches fréquentes de complétion et de génération sensibles à la latence. Il reçoit du code source et des exigences textuelles et renvoie un texte pouvant contenir une implémentation, une complétion, une correction ou une explication. L’édition 2508 nommée se concentre sur le contexte d’édition actuel du développeur ; elle n’est ni un modèle de plongements vectoriels ni, à elle seule, un agent complet pour dépôt de code.
Complétion de code et mise à jour 2508
Le fabricant destine Codestral à la complétion au milieu du code et aux modifications sur plusieurs lignes. La publication décrit des améliorations du comportement de complétion, notamment la réduction des générations qui se prolongent sans contrôle, ainsi que du suivi d’instructions et des tâches de code en mode conversationnel. Ces changements concernent cette édition de Codestral ; les fonctions de recherche d’information et d’agent autonome de l’environnement de programmation relèvent de composants nommés séparément.
Pour une tâche de complétion, gardez la signature de fonction, les déclarations pertinentes et le contexte d’appel avec la position du curseur. Précisez si le résultat attendu est uniquement le code manquant ou une fonction entièrement révisée. Une demande de type éditeur peut porter sur un corps de boucle qui préserve le type de retour existant, conserve les doublons et ne modifie pas l’entrée de l’appelant. Le résultat possède alors un point d’insertion concret et un comportement défini.
Préparer la complétion au milieu du code
Dans l’interface FIM du fabricant, l’instruction fournit le texte ou le code à compléter et un suffixe facultatif fournit le contenu situé après l’espace à remplir. Lorsque les deux sont fournis, le modèle remplit l’espace qui les sépare. Sans suffixe, il poursuit à partir de l’instruction. Cela diffère d’une demande conversationnelle ordinaire qui sollicite une modification de code et une explication ; chaque mode de préparation définit un contrat de sortie différent.
Une entrée utile pour compléter un espace comprend le début de la fonction, le code qui doit suivre l’insertion et toute définition de type ou de fonction auxiliaire pertinente. Préservez l’indentation et les délimiteurs afin que le texte renvoyé s’insère dans le fragment existant. Si la tâche nécessite uniquement le corps manquant, demandez ce corps plutôt qu’une réécriture complète du fichier. Une question distincte dans la conversation peut demander pourquoi le fragment complété satisfait l’exigence.
La documentation officielle FIM permet de fixer un budget de jetons de sortie et exige que l’instruction et ce budget restent ensemble dans le contexte du modèle. Elle documente aussi les séquences d’arrêt et la diffusion progressive du contenu généré. Choisissez un processus de complétion lorsque le résultat doit s’insérer dans un espace du code, et un processus conversationnel lorsque la tâche demande du code accompagné d’une explication.
Contexte et fonctions complémentaires
La page du modèle indique une fenêtre de contexte de 128 k. Utilisez ce contexte pour conserver la source et les déclarations qui déterminent la modification souhaitée, tout en gardant la tâche d’édition explicite. Pour corriger un bug, fournissez la fonction concernée, une entrée défaillante concrète, le résultat attendu et l’erreur ou le comportement observé. Demandez la correction proposée séparément de son explication et de ses exemples.
La page répertorie également les sorties structurées, les appels de fonctions, les sorties prédites, les questions sur documents, les préfixes de réponse et le traitement par lots, en plus de la conversation et du FIM. Pour une revue de code structurée, définissez des champs comme le symbole concerné, l’écart observé, la modification proposée et l’hypothèse qui doit encore être clarifiée. Les consignes de Mistral sur les sorties structurées distinguent le mode JSON d’un schéma personnalisé, le format JSON souhaité étant énoncé dans l’instruction.
Les sorties prédites concernent les contenus dont une grande partie de la réponse est déjà connue. Elles peuvent servir à régénérer un document ou un fichier de code avec une modification limitée tout en conservant le reste. Précisez la modification exacte et le contenu à préserver. Un préfixe de réponse fournit, lui, un début connu à partir duquel la génération se poursuit ; il se distingue aussi bien d’un corps complet connu que d’un suffixe FIM.
Une question documentaire peut utiliser le processus de traitement de documents du fabricant pour préparer le texte et sa structure avec l’OCR avant l’analyse par le modèle linguistique. Pour des éléments de programmation déjà disponibles en texte, fournissez les passages de documentation pertinents et demandez quelle condition régit l’implémentation. Gardez chaque exigence extraite associée à sa section source afin que le code ou l’explication générés restent reliés à la spécification fournie.
Outils et résultats pratiques
Les appels de fonctions permettent à l’application de fournir des opérations décrites et leurs paramètres. Le modèle prépare un appel, l’application l’exécute et le résultat renvoyé devient le contexte de la réponse suivante. Un assistant de programmation peut recevoir ainsi un résultat de recherche ou de calcul, mais compiler, tester ou appliquer une modification proposée nécessite toujours l’environnement de développement environnant.
Pour une correction pratique, définissez l’interface publique qui doit rester compatible et demandez le fragment révisé, une explication concise et des exemples d’entrées avec leurs sorties attendues. Pour une fonction générée, indiquez les types acceptés et les conditions limites. Pour une explication, fournissez l’entrée à suivre afin que la réponse relie un chemin d’exécution concret à la valeur renvoyée.
Codestral produit du texte. Il n’hérite pas des vecteurs de recherche de code de Codestral Embed, de l’automatisation des dépôts de Devstral ni de la génération d’images d’un modèle visuel. La page du modèle 2508 exact ne publie ni un nombre de paramètres ni une longueur de réponse maximale indépendante à reprendre d’une autre version. Préservez l’édition nommée, le contexte de programmation et le livrable requis lorsque vous préparez un processus reproductible dans un éditeur ou une conversation.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/codestral-2508 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00006 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00006 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/codestral-2508", "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/codestral-2508',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/codestral-2508',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 mistralai/codestral-2508
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/codestral-2508Codestral 2508 est le modèle textuel de Mistral AI pour la génération de code et la complétion tenant compte du contexte. Il est optimisé pour les tâches fréquentes dans un éditeur, notamment la complétion au milieu du code et les modifications sur plusieurs lignes, avec un contexte fabricant de 128 k et des fonctions documentées de conversation, de sortie structurée et d’outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Codestral 2508 est le modèle de programmation de Mistral AI pour les tâches fréquentes de complétion et de génération sensibles à la latence. Il reçoit du code source et des exigences textuelles et renvoie un texte pouvant contenir une implémentation, une complétion, une correction ou une explication. L’édition 2508 nommée se concentre sur le contexte d’édition actuel du développeur ; elle n’est ni un modèle de plongements vectoriels ni, à elle seule, un agent complet pour dépôt de code.
Complétion de code et mise à jour 2508
Le fabricant destine Codestral à la complétion au milieu du code et aux modifications sur plusieurs lignes. La publication décrit des améliorations du comportement de complétion, notamment la réduction des générations qui se prolongent sans contrôle, ainsi que du suivi d’instructions et des tâches de code en mode conversationnel. Ces changements concernent cette édition de Codestral ; les fonctions de recherche d’information et d’agent autonome de l’environnement de programmation relèvent de composants nommés séparément.
Pour une tâche de complétion, gardez la signature de fonction, les déclarations pertinentes et le contexte d’appel avec la position du curseur. Précisez si le résultat attendu est uniquement le code manquant ou une fonction entièrement révisée. Une demande de type éditeur peut porter sur un corps de boucle qui préserve le type de retour existant, conserve les doublons et ne modifie pas l’entrée de l’appelant. Le résultat possède alors un point d’insertion concret et un comportement défini.
Préparer la complétion au milieu du code
Dans l’interface FIM du fabricant, l’instruction fournit le texte ou le code à compléter et un suffixe facultatif fournit le contenu situé après l’espace à remplir. Lorsque les deux sont fournis, le modèle remplit l’espace qui les sépare. Sans suffixe, il poursuit à partir de l’instruction. Cela diffère d’une demande conversationnelle ordinaire qui sollicite une modification de code et une explication ; chaque mode de préparation définit un contrat de sortie différent.
Une entrée utile pour compléter un espace comprend le début de la fonction, le code qui doit suivre l’insertion et toute définition de type ou de fonction auxiliaire pertinente. Préservez l’indentation et les délimiteurs afin que le texte renvoyé s’insère dans le fragment existant. Si la tâche nécessite uniquement le corps manquant, demandez ce corps plutôt qu’une réécriture complète du fichier. Une question distincte dans la conversation peut demander pourquoi le fragment complété satisfait l’exigence.
La documentation officielle FIM permet de fixer un budget de jetons de sortie et exige que l’instruction et ce budget restent ensemble dans le contexte du modèle. Elle documente aussi les séquences d’arrêt et la diffusion progressive du contenu généré. Choisissez un processus de complétion lorsque le résultat doit s’insérer dans un espace du code, et un processus conversationnel lorsque la tâche demande du code accompagné d’une explication.
Contexte et fonctions complémentaires
La page du modèle indique une fenêtre de contexte de 128 k. Utilisez ce contexte pour conserver la source et les déclarations qui déterminent la modification souhaitée, tout en gardant la tâche d’édition explicite. Pour corriger un bug, fournissez la fonction concernée, une entrée défaillante concrète, le résultat attendu et l’erreur ou le comportement observé. Demandez la correction proposée séparément de son explication et de ses exemples.
La page répertorie également les sorties structurées, les appels de fonctions, les sorties prédites, les questions sur documents, les préfixes de réponse et le traitement par lots, en plus de la conversation et du FIM. Pour une revue de code structurée, définissez des champs comme le symbole concerné, l’écart observé, la modification proposée et l’hypothèse qui doit encore être clarifiée. Les consignes de Mistral sur les sorties structurées distinguent le mode JSON d’un schéma personnalisé, le format JSON souhaité étant énoncé dans l’instruction.
Les sorties prédites concernent les contenus dont une grande partie de la réponse est déjà connue. Elles peuvent servir à régénérer un document ou un fichier de code avec une modification limitée tout en conservant le reste. Précisez la modification exacte et le contenu à préserver. Un préfixe de réponse fournit, lui, un début connu à partir duquel la génération se poursuit ; il se distingue aussi bien d’un corps complet connu que d’un suffixe FIM.
Une question documentaire peut utiliser le processus de traitement de documents du fabricant pour préparer le texte et sa structure avec l’OCR avant l’analyse par le modèle linguistique. Pour des éléments de programmation déjà disponibles en texte, fournissez les passages de documentation pertinents et demandez quelle condition régit l’implémentation. Gardez chaque exigence extraite associée à sa section source afin que le code ou l’explication générés restent reliés à la spécification fournie.
Outils et résultats pratiques
Les appels de fonctions permettent à l’application de fournir des opérations décrites et leurs paramètres. Le modèle prépare un appel, l’application l’exécute et le résultat renvoyé devient le contexte de la réponse suivante. Un assistant de programmation peut recevoir ainsi un résultat de recherche ou de calcul, mais compiler, tester ou appliquer une modification proposée nécessite toujours l’environnement de développement environnant.
Pour une correction pratique, définissez l’interface publique qui doit rester compatible et demandez le fragment révisé, une explication concise et des exemples d’entrées avec leurs sorties attendues. Pour une fonction générée, indiquez les types acceptés et les conditions limites. Pour une explication, fournissez l’entrée à suivre afin que la réponse relie un chemin d’exécution concret à la valeur renvoyée.
Codestral produit du texte. Il n’hérite pas des vecteurs de recherche de code de Codestral Embed, de l’automatisation des dépôts de Devstral ni de la génération d’images d’un modèle visuel. La page du modèle 2508 exact ne publie ni un nombre de paramètres ni une longueur de réponse maximale indépendante à reprendre d’une autre version. Préservez l’édition nommée, le contexte de programmation et le livrable requis lorsque vous préparez un processus reproductible dans un éditeur ou une conversation.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/codestral-2508 | 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00006 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0018 / 1K tokens Entrée · Lecture du cache $0.00006 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/codestral-2508",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/codestral-2508', '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/codestral-2508', '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 mistralai/codestral-2508
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Fill a nonmutating loop body\n\nComplete only the missing body in this Python function: 'def doubled(values):\n result = []\n # missing body\n return result'. It must append twice every input value, preserve order and duplicate values, and leave values unchanged. Return the indented insertion followed by assert tests for [2, 2, -1] and []. This is a chat completion request, not a FIM transport request.Only the missing indented loop body, then two tests verifying [4, 4, -2] and an empty result.The insertion fits before return result and never deduplicates or mutates the input.