Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté pour suivre des instructions dans la famille Ministral 3 de Mistral AI. Le point de contrôle publié a été post-entraîné pour les tâches de conversation et de suivi d’instructions en précision FP8. Il associe un composant linguistique et un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.
Architecture et fonctions clés
Le fabricant indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Sa fenêtre de contexte est décrite comme étant de 256 k, et les notes d’utilisation publiées utilisent une longueur configurée par défaut de 262’144. Ces valeurs concernent cette édition de taille 8B ; les membres plus petits 3B et plus grands 14B de la famille conservent leurs propres tailles de composants et configurations.
La vision étend les entrées du modèle au-delà d’une conversation écrite. Une image de document peut être associée à une question sur un champ, un paragraphe ou une relation visible sélectionnés. Une capture d’écran peut être associée à l’objectif de l’utilisateur et à une demande d’identification de la commande pertinente. Demandez l’observation qui étaye chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, les libellés et les unités nécessaires à l’interprétation d’un recadrage.
La fiche décrit le travail multilingue dans des 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. Elle indique également le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable souhaité d’une entrée volumineuse.
Tâches documentaires, conversationnelles et agentiques
Les cas d’usage du fabricant comprennent les interfaces de conversation, les assistants quotidiens, la description d’images et de documents, la traduction, la génération de contenu et les agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une demande d’extraction peut nommer les libellés de champs, les types attendus et le traitement des valeurs manquantes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une brève explication liée à la source visible.
Pour une conversation en cours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée. Un utilisateur peut d’abord demander un résumé du document, puis demander quel énoncé étaye une conclusion. La sortie requise passe ainsi d’une vue générale à une explication reliée à une source, tout en conservant les éléments originaux et la finalité du dialogue.
Pour la révision multilingue, fournissez le passage original, le lecteur visé et une liste terminologique. Demandez une version révisée conservant les noms, les conditions et les unités, suivie d’une brève explication des changements si utile. Pour la génération de contenu, précisez le public et les faits qui doivent apparaître avant de demander un brouillon court ou une formulation alternative.
Dans une tâche agentique, l’application fournit les outils et leurs paramètres. Le modèle peut choisir une fonction et préparer les arguments, tandis que l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur une image à un outil de calcul. Gardez le résultat d’outil séparé de l’appel proposé afin que la réponse écrite suivante utilise les informations réellement renvoyées par l’opération.
Préparation et réglages recommandés
Le fabricant recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au minimum nécessaire à la tâche. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle, avec des arguments requis clairement nommés, au lieu de présenter un vaste ensemble d’opérations sans rapport.
Pour l’usage courant et les usages de type production, la fiche recommande une température inférieure à 0.1, avec des températures plus élevées possibles pour l’exploration créative. Considérez cela comme une recommandation pour le processus de suivi d’instructions, et non comme un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée est l’édition Instruct 2512, et non la publication Reasoning séparée de même taille.
Pour les images, le fabricant recommande des proportions proches de 1:1 et déconseille les entrées très étroites ou très larges. Recadrez si nécessaire en conservant les libellés et le contexte requis par la question. Si une page comprend plusieurs zones sans rapport entre elles, identifiez la partie à examiner et le résultat à renvoyer. Une image lisible et ciblée est plus utile qu’une demande laissant le modèle deviner quel petit détail compte dans une page étendue.
Périmètre du contexte et de l’édition
Planifiez le texte, les images, la conversation et la réponse souhaitée en fonction du contexte configuré. Les notes d’utilisation permettent explicitement de réduire la longueur de modèle configurée lorsqu’un contexte plus court suffit ; la fenêtre complète n’est donc pas une instruction de remplir chaque requête avec tous les éléments disponibles. L’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage, et les sources consultées n’établissent pas de longueur maximale de réponse stricte distincte.
Le point de contrôle Instruct FP8, la publication Base préentraînée et la publication Reasoning sont des éditions séparées. Le fabricant cite aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son système de segmentation en jetons lors de la préparation de la conversation, et gardez la génération de texte distincte de l’accès au dépôt, de l’exécution de fonctions ou des autres actions fournies par l’application environnante.
", "aboutText": "Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté pour suivre des instructions dans la famille Ministral 3 de Mistral AI. Le point de contrôle publié a été post-entraîné pour les tâches de conversation et de suivi d’instructions en précision FP8. Il associe un composant linguistique et un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.\n\nArchitecture et fonctions clés\n\nLe fabricant indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Sa fenêtre de contexte est décrite comme étant de 256 k, et les notes d’utilisation publiées utilisent une longueur configurée par défaut de 262’144. Ces valeurs concernent cette édition de taille 8B ; les membres plus petits 3B et plus grands 14B de la famille conservent leurs propres tailles de composants et configurations.\n\nLa vision étend les entrées du modèle au-delà d’une conversation écrite. Une image de document peut être associée à une question sur un champ, un paragraphe ou une relation visible sélectionnés. Une capture d’écran peut être associée à l’objectif de l’utilisateur et à une demande d’identification de la commande pertinente. Demandez l’observation qui étaye chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, les libellés et les unités nécessaires à l’interprétation d’un recadrage.\n\nLa fiche décrit le travail multilingue dans des 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. Elle indique également le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable souhaité d’une entrée volumineuse.\n\nTâches documentaires, conversationnelles et agentiques\n\nLes cas d’usage du fabricant comprennent les interfaces de conversation, les assistants quotidiens, la description d’images et de documents, la traduction, la génération de contenu et les agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une demande d’extraction peut nommer les libellés de champs, les types attendus et le traitement des valeurs manquantes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une brève explication liée à la source visible.\n\nPour une conversation en cours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée. Un utilisateur peut d’abord demander un résumé du document, puis demander quel énoncé étaye une conclusion. La sortie requise passe ainsi d’une vue générale à une explication reliée à une source, tout en conservant les éléments originaux et la finalité du dialogue.\n\nPour la révision multilingue, fournissez le passage original, le lecteur visé et une liste terminologique. Demandez une version révisée conservant les noms, les conditions et les unités, suivie d’une brève explication des changements si utile. Pour la génération de contenu, précisez le public et les faits qui doivent apparaître avant de demander un brouillon court ou une formulation alternative.\n\nDans une tâche agentique, l’application fournit les outils et leurs paramètres. Le modèle peut choisir une fonction et préparer les arguments, tandis que l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur une image à un outil de calcul. Gardez le résultat d’outil séparé de l’appel proposé afin que la réponse écrite suivante utilise les informations réellement renvoyées par l’opération.\n\nPréparation et réglages recommandés\n\nLe fabricant recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au minimum nécessaire à la tâche. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle, avec des arguments requis clairement nommés, au lieu de présenter un vaste ensemble d’opérations sans rapport.\n\nPour l’usage courant et les usages de type production, la fiche recommande une température inférieure à 0.1, avec des températures plus élevées possibles pour l’exploration créative. Considérez cela comme une recommandation pour le processus de suivi d’instructions, et non comme un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée est l’édition Instruct 2512, et non la publication Reasoning séparée de même taille.\n\nPour les images, le fabricant recommande des proportions proches de 1:1 et déconseille les entrées très étroites ou très larges. Recadrez si nécessaire en conservant les libellés et le contexte requis par la question. Si une page comprend plusieurs zones sans rapport entre elles, identifiez la partie à examiner et le résultat à renvoyer. Une image lisible et ciblée est plus utile qu’une demande laissant le modèle deviner quel petit détail compte dans une page étendue.\n\nPérimètre du contexte et de l’édition\n\nPlanifiez le texte, les images, la conversation et la réponse souhaitée en fonction du contexte configuré. Les notes d’utilisation permettent explicitement de réduire la longueur de modèle configurée lorsqu’un contexte plus court suffit ; la fenêtre complète n’est donc pas une instruction de remplir chaque requête avec tous les éléments disponibles. L’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage, et les sources consultées n’établissent pas de longueur maximale de réponse stricte distincte.\n\nLe point de contrôle Instruct FP8, la publication Base préentraînée et la publication Reasoning sont des éditions séparées. Le fabricant cite aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son système de segmentation en jetons lors de la préparation de la conversation, et gardez la génération de texte distincte de l’accès au dépôt, de l’exécution de fonctions ou des autres actions fournies par l’application environnante.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 est un modèle multilingue de suivi d’instructions traitant le texte et les images, doté d’un composant linguistique de 8,4 milliards de paramètres et d’un encodeur visuel de 0,4 milliard. Il prend en charge un contexte fabricant de 256 k, les instructions système, JSON et les appels de fonctions natifs pour les assistants et les processus documentaires.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté pour suivre des instructions dans la famille Ministral 3 de Mistral AI. Le point de contrôle publié a été post-entraîné pour les tâches de conversation et de suivi d’instructions en précision FP8. Il associe un composant linguistique et un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.
Architecture et fonctions clés
Le fabricant indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Sa fenêtre de contexte est décrite comme étant de 256 k, et les notes d’utilisation publiées utilisent une longueur configurée par défaut de 262’144. Ces valeurs concernent cette édition de taille 8B ; les membres plus petits 3B et plus grands 14B de la famille conservent leurs propres tailles de composants et configurations.
La vision étend les entrées du modèle au-delà d’une conversation écrite. Une image de document peut être associée à une question sur un champ, un paragraphe ou une relation visible sélectionnés. Une capture d’écran peut être associée à l’objectif de l’utilisateur et à une demande d’identification de la commande pertinente. Demandez l’observation qui étaye chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, les libellés et les unités nécessaires à l’interprétation d’un recadrage.
La fiche décrit le travail multilingue dans des 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. Elle indique également le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable souhaité d’une entrée volumineuse.
Tâches documentaires, conversationnelles et agentiques
Les cas d’usage du fabricant comprennent les interfaces de conversation, les assistants quotidiens, la description d’images et de documents, la traduction, la génération de contenu et les agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une demande d’extraction peut nommer les libellés de champs, les types attendus et le traitement des valeurs manquantes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une brève explication liée à la source visible.
Pour une conversation en cours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée. Un utilisateur peut d’abord demander un résumé du document, puis demander quel énoncé étaye une conclusion. La sortie requise passe ainsi d’une vue générale à une explication reliée à une source, tout en conservant les éléments originaux et la finalité du dialogue.
Pour la révision multilingue, fournissez le passage original, le lecteur visé et une liste terminologique. Demandez une version révisée conservant les noms, les conditions et les unités, suivie d’une brève explication des changements si utile. Pour la génération de contenu, précisez le public et les faits qui doivent apparaître avant de demander un brouillon court ou une formulation alternative.
Dans une tâche agentique, l’application fournit les outils et leurs paramètres. Le modèle peut choisir une fonction et préparer les arguments, tandis que l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur une image à un outil de calcul. Gardez le résultat d’outil séparé de l’appel proposé afin que la réponse écrite suivante utilise les informations réellement renvoyées par l’opération.
Préparation et réglages recommandés
Le fabricant recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au minimum nécessaire à la tâche. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle, avec des arguments requis clairement nommés, au lieu de présenter un vaste ensemble d’opérations sans rapport.
Pour l’usage courant et les usages de type production, la fiche recommande une température inférieure à 0.1, avec des températures plus élevées possibles pour l’exploration créative. Considérez cela comme une recommandation pour le processus de suivi d’instructions, et non comme un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée est l’édition Instruct 2512, et non la publication Reasoning séparée de même taille.
Pour les images, le fabricant recommande des proportions proches de 1:1 et déconseille les entrées très étroites ou très larges. Recadrez si nécessaire en conservant les libellés et le contexte requis par la question. Si une page comprend plusieurs zones sans rapport entre elles, identifiez la partie à examiner et le résultat à renvoyer. Une image lisible et ciblée est plus utile qu’une demande laissant le modèle deviner quel petit détail compte dans une page étendue.
Périmètre du contexte et de l’édition
Planifiez le texte, les images, la conversation et la réponse souhaitée en fonction du contexte configuré. Les notes d’utilisation permettent explicitement de réduire la longueur de modèle configurée lorsqu’un contexte plus court suffit ; la fenêtre complète n’est donc pas une instruction de remplir chaque requête avec tous les éléments disponibles. L’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage, et les sources consultées n’établissent pas de longueur maximale de réponse stricte distincte.
Le point de contrôle Instruct FP8, la publication Base préentraînée et la publication Reasoning sont des éditions séparées. Le fabricant cite aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son système de segmentation en jetons lors de la préparation de la conversation, et gardez la génération de texte distincte de l’accès au dépôt, de l’exécution de fonctions ou des autres actions fournies par l’application environnante.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-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-8b-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-8b-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-8b-2512
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 est un modèle multilingue de suivi d’instructions traitant le texte et les images, doté d’un composant linguistique de 8,4 milliards de paramètres et d’un encodeur visuel de 0,4 milliard. Il prend en charge un contexte fabricant de 256 k, les instructions système, JSON et les appels de fonctions natifs pour les assistants et les processus documentaires.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté pour suivre des instructions dans la famille Ministral 3 de Mistral AI. Le point de contrôle publié a été post-entraîné pour les tâches de conversation et de suivi d’instructions en précision FP8. Il associe un composant linguistique et un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.
Architecture et fonctions clés
Le fabricant indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Sa fenêtre de contexte est décrite comme étant de 256 k, et les notes d’utilisation publiées utilisent une longueur configurée par défaut de 262’144. Ces valeurs concernent cette édition de taille 8B ; les membres plus petits 3B et plus grands 14B de la famille conservent leurs propres tailles de composants et configurations.
La vision étend les entrées du modèle au-delà d’une conversation écrite. Une image de document peut être associée à une question sur un champ, un paragraphe ou une relation visible sélectionnés. Une capture d’écran peut être associée à l’objectif de l’utilisateur et à une demande d’identification de la commande pertinente. Demandez l’observation qui étaye chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, les libellés et les unités nécessaires à l’interprétation d’un recadrage.
La fiche décrit le travail multilingue dans des 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. Elle indique également le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable souhaité d’une entrée volumineuse.
Tâches documentaires, conversationnelles et agentiques
Les cas d’usage du fabricant comprennent les interfaces de conversation, les assistants quotidiens, la description d’images et de documents, la traduction, la génération de contenu et les agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une demande d’extraction peut nommer les libellés de champs, les types attendus et le traitement des valeurs manquantes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une brève explication liée à la source visible.
Pour une conversation en cours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée. Un utilisateur peut d’abord demander un résumé du document, puis demander quel énoncé étaye une conclusion. La sortie requise passe ainsi d’une vue générale à une explication reliée à une source, tout en conservant les éléments originaux et la finalité du dialogue.
Pour la révision multilingue, fournissez le passage original, le lecteur visé et une liste terminologique. Demandez une version révisée conservant les noms, les conditions et les unités, suivie d’une brève explication des changements si utile. Pour la génération de contenu, précisez le public et les faits qui doivent apparaître avant de demander un brouillon court ou une formulation alternative.
Dans une tâche agentique, l’application fournit les outils et leurs paramètres. Le modèle peut choisir une fonction et préparer les arguments, tandis que l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur une image à un outil de calcul. Gardez le résultat d’outil séparé de l’appel proposé afin que la réponse écrite suivante utilise les informations réellement renvoyées par l’opération.
Préparation et réglages recommandés
Le fabricant recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au minimum nécessaire à la tâche. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle, avec des arguments requis clairement nommés, au lieu de présenter un vaste ensemble d’opérations sans rapport.
Pour l’usage courant et les usages de type production, la fiche recommande une température inférieure à 0.1, avec des températures plus élevées possibles pour l’exploration créative. Considérez cela comme une recommandation pour le processus de suivi d’instructions, et non comme un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée est l’édition Instruct 2512, et non la publication Reasoning séparée de même taille.
Pour les images, le fabricant recommande des proportions proches de 1:1 et déconseille les entrées très étroites ou très larges. Recadrez si nécessaire en conservant les libellés et le contexte requis par la question. Si une page comprend plusieurs zones sans rapport entre elles, identifiez la partie à examiner et le résultat à renvoyer. Une image lisible et ciblée est plus utile qu’une demande laissant le modèle deviner quel petit détail compte dans une page étendue.
Périmètre du contexte et de l’édition
Planifiez le texte, les images, la conversation et la réponse souhaitée en fonction du contexte configuré. Les notes d’utilisation permettent explicitement de réduire la longueur de modèle configurée lorsqu’un contexte plus court suffit ; la fenêtre complète n’est donc pas une instruction de remplir chaque requête avec tous les éléments disponibles. L’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage, et les sources consultées n’établissent pas de longueur maximale de réponse stricte distincte.
Le point de contrôle Instruct FP8, la publication Base préentraînée et la publication Reasoning sont des éditions séparées. Le fabricant cite aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son système de segmentation en jetons lors de la préparation de la conversation, et gardez la génération de texte distincte de l’accès au dépôt, de l’exécution de fonctions ou des autres actions fournies par l’application environnante.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-2512
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.