Ministral 3 3B Instruct 2512 est la plus petite édition ajustée pour suivre des instructions de la famille Ministral 3 de Mistral AI. Le fabricant la destine aux applications compactes fondées sur des instructions, notamment aux légendes d’images, à la classification de textes, à l’extraction de données, à la traduction et aux contenus courts. Le point de contrôle publié utilise la précision FP8 et associe le traitement du texte à un composant d’entrée visuelle.
Composants et capacités du modèle
La fiche indique un modèle linguistique de 3,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Elle documente une fenêtre de contexte de 256 k, avec une longueur configurée par défaut de 262’144 dans les notes d’utilisation. Ces nombres de paramètres concernent l’édition 3B, et non les membres 8B ou 14B de la famille. Le modèle reçoit du texte et des images et génère du texte, notamment des enregistrements au format JSON ou des propositions d’appels de fonctions.
Le fabricant décrit la prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne également le respect des instructions système. Précisez la langue de sortie requise ainsi que les étiquettes ou termes qui doivent rester inchangés. Une explication traduite ou un enregistrement extrait reste ainsi conforme à l’usage prévu par l’application.
Classification et extraction ciblées
Pour une tâche de classification, fournissez les étiquettes autorisées, la règle qui les distingue et le message à classer. Demandez une seule étiquette accompagnée d’une brève explication fondée sur le message fourni. Si les étiquettes sont ambiguës, définissez les informations qui permettraient de les distinguer au lieu de vous fier uniquement à leur nom. Vous obtenez un résultat compact utilisable de façon cohérente dans un processus plus large.
Pour l’extraction, énumérez les champs et leurs types, puis indiquez comment représenter les informations manquantes. Une demande peut porter sur un identifiant d’article, la situation explicitement décrite et l’action demandée par l’utilisateur. Exigez la formulation source lorsque son exactitude importe, ou une valeur normalisée lorsque l’application fournit la règle de normalisation. La sortie JSON organise le résultat ; la définition des champs appartient à la tâche et ne constitue pas un schéma universel intégré.
La fiche mentionne aussi les légendes d’images et la génération de contenus courts. Pour une légende, définissez l’aspect de l’image à décrire et le public visé. Pour une brève explication, fournissez les faits à préserver et la longueur souhaitée. Une réponse d’assistance peut s’appuyer sur la question initiale et les consignes fournies pour proposer une prochaine étape concise, avec la condition qui la rend applicable.
Préparation visuelle et multilingue
Associez une image à une question textuelle claire. Pour un champ de document, préservez son libellé, sa valeur et le contexte environnant nécessaire à son interprétation. Pour décrire un objet, précisez la caractéristique visible pertinente. Le fabricant recommande des proportions d’image proches de 1:1 et déconseille les entrées très étroites ou très larges ; recadrez si nécessaire sans supprimer les éléments sur lesquels repose la question.
Pour une traduction, fournissez le texte original, la langue cible et toute liste terminologique. Demandez le passage traduit séparément d’une éventuelle explication. Une classification multilingue peut conserver les étiquettes de l’application tout en expliquant le choix dans la langue du lecteur. Il s’agit de sorties définies, et non d’une demande de discussion vague sur un message ou une image.
Outils et réglages recommandés
Les appels de fonctions natifs permettent à une application de relier la conversation à une opération décrite. Le modèle prépare les arguments de la fonction, l’application exécute celle-ci, puis son résultat alimente la réponse suivante. Une recherche peut fournir une valeur manquante, ou un outil de calcul peut traiter des valeurs repérées dans une image. Le modèle textuel n’exécute pas lui-même la fonction en produisant simplement son nom et ses arguments.
Le fabricant recommande une instruction système qui définit l’environnement et le cas d’usage, avec des consignes relatives aux outils. Rédigez des descriptions d’outils claires et limitez leur ensemble aux seules opérations pertinentes. Pour un assistant spécialisé, une tâche explicite d’extraction ou de recherche peut être plus facile à interpréter qu’une instruction comprenant de nombreuses fonctions sans rapport entre elles et aucune règle de sélection.
La fiche recommande une température basse : inférieure à 0.1 pour l’usage courant et les usages de type production, ainsi qu’une température initiale de 0.1 pour la plupart des cas d’usage dans une note distincte sur l’échantillonnage. Des valeurs plus élevées peuvent être explorées pour les contenus créatifs. Ces recommandations ont des périmètres déclarés différents ; elles ne garantissent pas qu’un réglage d’échantillonnage rende chaque valeur extraite ou classification correcte.
Périmètre de l’édition et du contexte
Ministral 3 propose des versions Base, Instruct et Reasoning distinctes pour chaque taille de modèle. Cette entrée désigne le point de contrôle Instruct 2512, plutôt qu’un mode de raisonnement automatiquement activé ou la base préentraînée. Le fabricant cite la spécialisation et l’ajustement fin parmi les applications possibles, tandis que la tâche actuelle fondée sur des instructions exige toujours des entrées, des règles et une sortie clairement définies.
Gardez les sources et la conversation pertinentes dans le contexte configuré et demandez le résultat compact dont l’étape suivante de l’application a besoin. Les notes d’utilisation permettent de réduire la longueur du contexte configuré pour les tâches qui n’exigent pas toute la fenêtre. Un exemple de génération de 512 jetons et un exemple avec une grande allocation de génération ne constituent pas des capacités maximales de sortie documentées indépendamment. La génération d’images, la sortie audio et les actions externes nécessitent d’autres composants que ce modèle à résultat textuel.
", "aboutText": "Ministral 3 3B Instruct 2512 est la plus petite édition ajustée pour suivre des instructions de la famille Ministral 3 de Mistral AI. Le fabricant la destine aux applications compactes fondées sur des instructions, notamment aux légendes d’images, à la classification de textes, à l’extraction de données, à la traduction et aux contenus courts. Le point de contrôle publié utilise la précision FP8 et associe le traitement du texte à un composant d’entrée visuelle.\n\nComposants et capacités du modèle\n\nLa fiche indique un modèle linguistique de 3,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Elle documente une fenêtre de contexte de 256 k, avec une longueur configurée par défaut de 262’144 dans les notes d’utilisation. Ces nombres de paramètres concernent l’édition 3B, et non les membres 8B ou 14B de la famille. Le modèle reçoit du texte et des images et génère du texte, notamment des enregistrements au format JSON ou des propositions d’appels de fonctions.\n\nLe fabricant décrit la prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne également le respect des instructions système. Précisez la langue de sortie requise ainsi que les étiquettes ou termes qui doivent rester inchangés. Une explication traduite ou un enregistrement extrait reste ainsi conforme à l’usage prévu par l’application.\n\nClassification et extraction ciblées\n\nPour une tâche de classification, fournissez les étiquettes autorisées, la règle qui les distingue et le message à classer. Demandez une seule étiquette accompagnée d’une brève explication fondée sur le message fourni. Si les étiquettes sont ambiguës, définissez les informations qui permettraient de les distinguer au lieu de vous fier uniquement à leur nom. Vous obtenez un résultat compact utilisable de façon cohérente dans un processus plus large.\n\nPour l’extraction, énumérez les champs et leurs types, puis indiquez comment représenter les informations manquantes. Une demande peut porter sur un identifiant d’article, la situation explicitement décrite et l’action demandée par l’utilisateur. Exigez la formulation source lorsque son exactitude importe, ou une valeur normalisée lorsque l’application fournit la règle de normalisation. La sortie JSON organise le résultat ; la définition des champs appartient à la tâche et ne constitue pas un schéma universel intégré.\n\nLa fiche mentionne aussi les légendes d’images et la génération de contenus courts. Pour une légende, définissez l’aspect de l’image à décrire et le public visé. Pour une brève explication, fournissez les faits à préserver et la longueur souhaitée. Une réponse d’assistance peut s’appuyer sur la question initiale et les consignes fournies pour proposer une prochaine étape concise, avec la condition qui la rend applicable.\n\nPréparation visuelle et multilingue\n\nAssociez une image à une question textuelle claire. Pour un champ de document, préservez son libellé, sa valeur et le contexte environnant nécessaire à son interprétation. Pour décrire un objet, précisez la caractéristique visible pertinente. Le fabricant recommande des proportions d’image proches de 1:1 et déconseille les entrées très étroites ou très larges ; recadrez si nécessaire sans supprimer les éléments sur lesquels repose la question.\n\nPour une traduction, fournissez le texte original, la langue cible et toute liste terminologique. Demandez le passage traduit séparément d’une éventuelle explication. Une classification multilingue peut conserver les étiquettes de l’application tout en expliquant le choix dans la langue du lecteur. Il s’agit de sorties définies, et non d’une demande de discussion vague sur un message ou une image.\n\nOutils et réglages recommandés\n\nLes appels de fonctions natifs permettent à une application de relier la conversation à une opération décrite. Le modèle prépare les arguments de la fonction, l’application exécute celle-ci, puis son résultat alimente la réponse suivante. Une recherche peut fournir une valeur manquante, ou un outil de calcul peut traiter des valeurs repérées dans une image. Le modèle textuel n’exécute pas lui-même la fonction en produisant simplement son nom et ses arguments.\n\nLe fabricant recommande une instruction système qui définit l’environnement et le cas d’usage, avec des consignes relatives aux outils. Rédigez des descriptions d’outils claires et limitez leur ensemble aux seules opérations pertinentes. Pour un assistant spécialisé, une tâche explicite d’extraction ou de recherche peut être plus facile à interpréter qu’une instruction comprenant de nombreuses fonctions sans rapport entre elles et aucune règle de sélection.\n\nLa fiche recommande une température basse : inférieure à 0.1 pour l’usage courant et les usages de type production, ainsi qu’une température initiale de 0.1 pour la plupart des cas d’usage dans une note distincte sur l’échantillonnage. Des valeurs plus élevées peuvent être explorées pour les contenus créatifs. Ces recommandations ont des périmètres déclarés différents ; elles ne garantissent pas qu’un réglage d’échantillonnage rende chaque valeur extraite ou classification correcte.\n\nPérimètre de l’édition et du contexte\n\nMinistral 3 propose des versions Base, Instruct et Reasoning distinctes pour chaque taille de modèle. Cette entrée désigne le point de contrôle Instruct 2512, plutôt qu’un mode de raisonnement automatiquement activé ou la base préentraînée. Le fabricant cite la spécialisation et l’ajustement fin parmi les applications possibles, tandis que la tâche actuelle fondée sur des instructions exige toujours des entrées, des règles et une sortie clairement définies.\n\nGardez les sources et la conversation pertinentes dans le contexte configuré et demandez le résultat compact dont l’étape suivante de l’application a besoin. Les notes d’utilisation permettent de réduire la longueur du contexte configuré pour les tâches qui n’exigent pas toute la fenêtre. Un exemple de génération de 512 jetons et un exemple avec une grande allocation de génération ne constituent pas des capacités maximales de sortie documentées indépendamment. La génération d’images, la sortie audio et les actions externes nécessitent d’autres composants que ce modèle à résultat textuel.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 est un modèle multilingue compact qui traite le texte et les images pour la classification, l’extraction, les légendes d’images et les contenus courts. Son composant linguistique de 3,4 milliards de paramètres et son encodeur visuel de 0,4 milliard prennent en charge les instructions système, JSON, les appels de fonctions et un contexte de 256 k annoncé par le fabricant.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 3B Instruct 2512 est la plus petite édition ajustée pour suivre des instructions de la famille Ministral 3 de Mistral AI. Le fabricant la destine aux applications compactes fondées sur des instructions, notamment aux légendes d’images, à la classification de textes, à l’extraction de données, à la traduction et aux contenus courts. Le point de contrôle publié utilise la précision FP8 et associe le traitement du texte à un composant d’entrée visuelle.
Composants et capacités du modèle
La fiche indique un modèle linguistique de 3,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Elle documente une fenêtre de contexte de 256 k, avec une longueur configurée par défaut de 262’144 dans les notes d’utilisation. Ces nombres de paramètres concernent l’édition 3B, et non les membres 8B ou 14B de la famille. Le modèle reçoit du texte et des images et génère du texte, notamment des enregistrements au format JSON ou des propositions d’appels de fonctions.
Le fabricant décrit la prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne également le respect des instructions système. Précisez la langue de sortie requise ainsi que les étiquettes ou termes qui doivent rester inchangés. Une explication traduite ou un enregistrement extrait reste ainsi conforme à l’usage prévu par l’application.
Classification et extraction ciblées
Pour une tâche de classification, fournissez les étiquettes autorisées, la règle qui les distingue et le message à classer. Demandez une seule étiquette accompagnée d’une brève explication fondée sur le message fourni. Si les étiquettes sont ambiguës, définissez les informations qui permettraient de les distinguer au lieu de vous fier uniquement à leur nom. Vous obtenez un résultat compact utilisable de façon cohérente dans un processus plus large.
Pour l’extraction, énumérez les champs et leurs types, puis indiquez comment représenter les informations manquantes. Une demande peut porter sur un identifiant d’article, la situation explicitement décrite et l’action demandée par l’utilisateur. Exigez la formulation source lorsque son exactitude importe, ou une valeur normalisée lorsque l’application fournit la règle de normalisation. La sortie JSON organise le résultat ; la définition des champs appartient à la tâche et ne constitue pas un schéma universel intégré.
La fiche mentionne aussi les légendes d’images et la génération de contenus courts. Pour une légende, définissez l’aspect de l’image à décrire et le public visé. Pour une brève explication, fournissez les faits à préserver et la longueur souhaitée. Une réponse d’assistance peut s’appuyer sur la question initiale et les consignes fournies pour proposer une prochaine étape concise, avec la condition qui la rend applicable.
Préparation visuelle et multilingue
Associez une image à une question textuelle claire. Pour un champ de document, préservez son libellé, sa valeur et le contexte environnant nécessaire à son interprétation. Pour décrire un objet, précisez la caractéristique visible pertinente. Le fabricant recommande des proportions d’image proches de 1:1 et déconseille les entrées très étroites ou très larges ; recadrez si nécessaire sans supprimer les éléments sur lesquels repose la question.
Pour une traduction, fournissez le texte original, la langue cible et toute liste terminologique. Demandez le passage traduit séparément d’une éventuelle explication. Une classification multilingue peut conserver les étiquettes de l’application tout en expliquant le choix dans la langue du lecteur. Il s’agit de sorties définies, et non d’une demande de discussion vague sur un message ou une image.
Outils et réglages recommandés
Les appels de fonctions natifs permettent à une application de relier la conversation à une opération décrite. Le modèle prépare les arguments de la fonction, l’application exécute celle-ci, puis son résultat alimente la réponse suivante. Une recherche peut fournir une valeur manquante, ou un outil de calcul peut traiter des valeurs repérées dans une image. Le modèle textuel n’exécute pas lui-même la fonction en produisant simplement son nom et ses arguments.
Le fabricant recommande une instruction système qui définit l’environnement et le cas d’usage, avec des consignes relatives aux outils. Rédigez des descriptions d’outils claires et limitez leur ensemble aux seules opérations pertinentes. Pour un assistant spécialisé, une tâche explicite d’extraction ou de recherche peut être plus facile à interpréter qu’une instruction comprenant de nombreuses fonctions sans rapport entre elles et aucune règle de sélection.
La fiche recommande une température basse : inférieure à 0.1 pour l’usage courant et les usages de type production, ainsi qu’une température initiale de 0.1 pour la plupart des cas d’usage dans une note distincte sur l’échantillonnage. Des valeurs plus élevées peuvent être explorées pour les contenus créatifs. Ces recommandations ont des périmètres déclarés différents ; elles ne garantissent pas qu’un réglage d’échantillonnage rende chaque valeur extraite ou classification correcte.
Périmètre de l’édition et du contexte
Ministral 3 propose des versions Base, Instruct et Reasoning distinctes pour chaque taille de modèle. Cette entrée désigne le point de contrôle Instruct 2512, plutôt qu’un mode de raisonnement automatiquement activé ou la base préentraînée. Le fabricant cite la spécialisation et l’ajustement fin parmi les applications possibles, tandis que la tâche actuelle fondée sur des instructions exige toujours des entrées, des règles et une sortie clairement définies.
Gardez les sources et la conversation pertinentes dans le contexte configuré et demandez le résultat compact dont l’étape suivante de l’application a besoin. Les notes d’utilisation permettent de réduire la longueur du contexte configuré pour les tâches qui n’exigent pas toute la fenêtre. Un exemple de génération de 512 jetons et un exemple avec une grande allocation de génération ne constituent pas des capacités maximales de sortie documentées indépendamment. La génération d’images, la sortie audio et les actions externes nécessitent d’autres composants que ce modèle à résultat textuel.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/ministral-3b-2512 | 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 $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0 / 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 $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0.00002 / 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": "mistralai/ministral-3b-2512", "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/ministral-3b-2512',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/ministral-3b-2512',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/ministral-3b-2512
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 est un modèle multilingue compact qui traite le texte et les images pour la classification, l’extraction, les légendes d’images et les contenus courts. Son composant linguistique de 3,4 milliards de paramètres et son encodeur visuel de 0,4 milliard prennent en charge les instructions système, JSON, les appels de fonctions et un contexte de 256 k annoncé par le fabricant.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 3B Instruct 2512 est la plus petite édition ajustée pour suivre des instructions de la famille Ministral 3 de Mistral AI. Le fabricant la destine aux applications compactes fondées sur des instructions, notamment aux légendes d’images, à la classification de textes, à l’extraction de données, à la traduction et aux contenus courts. Le point de contrôle publié utilise la précision FP8 et associe le traitement du texte à un composant d’entrée visuelle.
Composants et capacités du modèle
La fiche indique un modèle linguistique de 3,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Elle documente une fenêtre de contexte de 256 k, avec une longueur configurée par défaut de 262’144 dans les notes d’utilisation. Ces nombres de paramètres concernent l’édition 3B, et non les membres 8B ou 14B de la famille. Le modèle reçoit du texte et des images et génère du texte, notamment des enregistrements au format JSON ou des propositions d’appels de fonctions.
Le fabricant décrit la prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne également le respect des instructions système. Précisez la langue de sortie requise ainsi que les étiquettes ou termes qui doivent rester inchangés. Une explication traduite ou un enregistrement extrait reste ainsi conforme à l’usage prévu par l’application.
Classification et extraction ciblées
Pour une tâche de classification, fournissez les étiquettes autorisées, la règle qui les distingue et le message à classer. Demandez une seule étiquette accompagnée d’une brève explication fondée sur le message fourni. Si les étiquettes sont ambiguës, définissez les informations qui permettraient de les distinguer au lieu de vous fier uniquement à leur nom. Vous obtenez un résultat compact utilisable de façon cohérente dans un processus plus large.
Pour l’extraction, énumérez les champs et leurs types, puis indiquez comment représenter les informations manquantes. Une demande peut porter sur un identifiant d’article, la situation explicitement décrite et l’action demandée par l’utilisateur. Exigez la formulation source lorsque son exactitude importe, ou une valeur normalisée lorsque l’application fournit la règle de normalisation. La sortie JSON organise le résultat ; la définition des champs appartient à la tâche et ne constitue pas un schéma universel intégré.
La fiche mentionne aussi les légendes d’images et la génération de contenus courts. Pour une légende, définissez l’aspect de l’image à décrire et le public visé. Pour une brève explication, fournissez les faits à préserver et la longueur souhaitée. Une réponse d’assistance peut s’appuyer sur la question initiale et les consignes fournies pour proposer une prochaine étape concise, avec la condition qui la rend applicable.
Préparation visuelle et multilingue
Associez une image à une question textuelle claire. Pour un champ de document, préservez son libellé, sa valeur et le contexte environnant nécessaire à son interprétation. Pour décrire un objet, précisez la caractéristique visible pertinente. Le fabricant recommande des proportions d’image proches de 1:1 et déconseille les entrées très étroites ou très larges ; recadrez si nécessaire sans supprimer les éléments sur lesquels repose la question.
Pour une traduction, fournissez le texte original, la langue cible et toute liste terminologique. Demandez le passage traduit séparément d’une éventuelle explication. Une classification multilingue peut conserver les étiquettes de l’application tout en expliquant le choix dans la langue du lecteur. Il s’agit de sorties définies, et non d’une demande de discussion vague sur un message ou une image.
Outils et réglages recommandés
Les appels de fonctions natifs permettent à une application de relier la conversation à une opération décrite. Le modèle prépare les arguments de la fonction, l’application exécute celle-ci, puis son résultat alimente la réponse suivante. Une recherche peut fournir une valeur manquante, ou un outil de calcul peut traiter des valeurs repérées dans une image. Le modèle textuel n’exécute pas lui-même la fonction en produisant simplement son nom et ses arguments.
Le fabricant recommande une instruction système qui définit l’environnement et le cas d’usage, avec des consignes relatives aux outils. Rédigez des descriptions d’outils claires et limitez leur ensemble aux seules opérations pertinentes. Pour un assistant spécialisé, une tâche explicite d’extraction ou de recherche peut être plus facile à interpréter qu’une instruction comprenant de nombreuses fonctions sans rapport entre elles et aucune règle de sélection.
La fiche recommande une température basse : inférieure à 0.1 pour l’usage courant et les usages de type production, ainsi qu’une température initiale de 0.1 pour la plupart des cas d’usage dans une note distincte sur l’échantillonnage. Des valeurs plus élevées peuvent être explorées pour les contenus créatifs. Ces recommandations ont des périmètres déclarés différents ; elles ne garantissent pas qu’un réglage d’échantillonnage rende chaque valeur extraite ou classification correcte.
Périmètre de l’édition et du contexte
Ministral 3 propose des versions Base, Instruct et Reasoning distinctes pour chaque taille de modèle. Cette entrée désigne le point de contrôle Instruct 2512, plutôt qu’un mode de raisonnement automatiquement activé ou la base préentraînée. Le fabricant cite la spécialisation et l’ajustement fin parmi les applications possibles, tandis que la tâche actuelle fondée sur des instructions exige toujours des entrées, des règles et une sortie clairement définies.
Gardez les sources et la conversation pertinentes dans le contexte configuré et demandez le résultat compact dont l’étape suivante de l’application a besoin. Les notes d’utilisation permettent de réduire la longueur du contexte configuré pour les tâches qui n’exigent pas toute la fenêtre. Un exemple de génération de 512 jetons et un exemple avec une grande allocation de génération ne constituent pas des capacités maximales de sortie documentées indépendamment. La génération d’images, la sortie audio et les actions externes nécessitent d’autres composants que ce modèle à résultat textuel.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/ministral-3b-2512 | 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 $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0 / 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 $0.00066 / 1K tokens Sortie · Tokens en sortie $0.00066 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-3b-2512', '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/ministral-3b-2512', '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/ministral-3b-2512
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.