Mistral Nemo Instruct 2407 est l’édition ajustée au suivi des consignes du modèle linguistique Mistral Nemo 12B. Elle est ajustée finement à partir du checkpoint distinctement nommé Nemo Base 2407. Le fabricant décrit un entraînement comportant une grande proportion de contenus multilingues et de code, ainsi qu’une fenêtre de contexte de 128k tokens, pour les consignes écrites, la conversation et les tâches de programmation.
Caractéristiques principales et architecture
La version fournit des déclinaisons préentraînées et ajustées aux consignes distinctes. Cette entrée concerne le checkpoint Instruct : une requête textuelle peut demander une explication, un document révisé, du code ou une proposition d’appel de fonction. Son ajustement aux consignes est présenté comme améliorant le suivi précis des consignes, le raisonnement, le dialogue à plusieurs tours et la génération de code par rapport à la gamme Mistral 7B précédente.
Le modèle comporte 40 couches Transformer avec une largeur de modèle de 5 120. Il utilise SwiGLU, 32 têtes d’attention et 8 têtes clé/valeur en attention à requêtes groupées, une dimension de tête de 128 et une dimension cachée de 14 336. Les embeddings rotatifs utilisent un réglage theta d’un million. Le vocabulaire publié compte 2 à la puissance 17 entrées, soit 131 072 ; cette taille de vocabulaire est distincte du libellé 128k du contexte de tâche.
L’annonce du fabricant décrit également un entraînement tenant compte de la quantification et une inférence FP8. Ce sont des caractéristiques de version et de précision, et non des modalités de contenu supplémentaires. Préservez le checkpoint exact et le tokenizer correspondant plutôt que de considérer un autre modèle 12B ou de la famille Mistral comme la même édition.
Texte multilingue et Tekken
La version met l’accent sur l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe et l’hindi, tandis que le russe figure dans les métadonnées linguistiques de la fiche du modèle. Définissez la langue finale, le public visé et la terminologie avant de demander un résultat. Pour une tâche documentaire multilingue, conservez les noms, identifiants et unités tout en adaptant le texte environnant.
Nemo utilise le tokenizer Tekken, entraîné sur plus de 100 langues et conçu pour représenter efficacement le langage naturel et le code source. Le tokenizer influe sur la place occupée par les sources dans le contexte ; un nombre de caractères n’est donc pas à lui seul un nombre de tokens. Utilisez le tokenizer correspondant et gardez ensemble les éléments pertinents de la tâche plutôt que d’estimer le contexte à partir de la seule longueur visible d’un passage.
Préparation des consignes et du code
Pour une explication documentaire, fournissez le passage source et identifiez la condition ou le terme à expliquer. Demandez l’explication dans la langue du lecteur tout en conservant les noms d’origine et l’énoncé source qui étaye la réponse. Pour une modification, précisez le sens et les conditions à préserver dans la réécriture, ainsi que le résultat souhaité : le passage révisé seul ou accompagné d’une explication.
Pour une tâche de programmation, indiquez le langage, les types d’entrée, la sortie attendue et l’interface existante. Incluez la fonction ou les déclarations qui déterminent la modification. Un résultat utile peut comprendre l’implémentation, ses hypothèses et des exemples d’entrées avec les sorties attendues. Une question distincte peut demander au modèle de suivre une entrée dans le code fourni afin que l’explication porte sur un parcours concret plutôt que sur un programme non précisé.
Pour une conversation à plusieurs tours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée, ou fournissez de nouveaux éléments qui modifient la tâche. Définissez si la réponse suivante doit réviser le livrable précédent, expliquer une décision ou produire une autre représentation des mêmes faits sources. Cela rend explicite la continuation de la conversation.
Appel de fonctions et échantillonnage
Le fabricant documente l’appel de fonctions avec le format de conversation correspondant. Le modèle génère l’opération proposée et ses arguments, tandis que l’application exécute la fonction et ajoute son résultat à la conversation avant la génération suivante. La fiche précise explicitement qu’un exemple de code abrégé ne montre pas le cycle complet ; les étapes d’exécution et de retour de résultat manquantes restent donc des éléments nécessaires d’une application assistée par des outils.
Dans ce format d’outils publié, les ID d’appels et les ID de résultats correspondants comportent exactement neuf caractères alphanumériques. Préservez l’association entre l’opération et son résultat lorsque vous préparez la conversation au format natif. Une interface intermédiaire peut représenter la conversation différemment ; l’exigence de la version décrit le formatage du modèle du fabricant, et non un identifiant client universel inventé.
Le fabricant recommande une température de 0.3, en précisant que Nemo utilise des températures plus basses que les modèles Mistral antérieurs. Les différents réglages de 64, 128, 256 et 1 000 tokens montrés dans les exemples sont des choix de génération pour ces démonstrations, et non des capacités maximales de réponse publiées séparément.
Limites substantielles
La fiche Instruct décrit ce checkpoint comme une démonstration de l’ajustement fin du modèle de base et indique explicitement qu’il ne contient aucun mécanisme de modération. Les applications nécessitant un comportement modéré doivent le fournir dans le système environnant. C’est une propriété du checkpoint publié, plutôt qu’une affirmation concernant chaque service hébergeant un modèle Nemo.
La tâche documentée ici pour Nemo est la génération de texte, avec son propre contexte de 128k et son format de conversation. La compréhension d’images, la transcription vocale et les réglages de raisonnement hybride des familles Mistral ultérieures ne doivent pas être attribués à cette édition. Fournissez la condition écrite complète, les sources pertinentes et le livrable final requis afin que le résultat reste utilisable comme explication, texte révisé ou implémentation proposée.
", "aboutText": "Mistral Nemo Instruct 2407 est l’édition ajustée au suivi des consignes du modèle linguistique Mistral Nemo 12B. Elle est ajustée finement à partir du checkpoint distinctement nommé Nemo Base 2407. Le fabricant décrit un entraînement comportant une grande proportion de contenus multilingues et de code, ainsi qu’une fenêtre de contexte de 128k tokens, pour les consignes écrites, la conversation et les tâches de programmation.\n\nCaractéristiques principales et architecture\n\nLa version fournit des déclinaisons préentraînées et ajustées aux consignes distinctes. Cette entrée concerne le checkpoint Instruct : une requête textuelle peut demander une explication, un document révisé, du code ou une proposition d’appel de fonction. Son ajustement aux consignes est présenté comme améliorant le suivi précis des consignes, le raisonnement, le dialogue à plusieurs tours et la génération de code par rapport à la gamme Mistral 7B précédente.\n\nLe modèle comporte 40 couches Transformer avec une largeur de modèle de 5 120. Il utilise SwiGLU, 32 têtes d’attention et 8 têtes clé/valeur en attention à requêtes groupées, une dimension de tête de 128 et une dimension cachée de 14 336. Les embeddings rotatifs utilisent un réglage theta d’un million. Le vocabulaire publié compte 2 à la puissance 17 entrées, soit 131 072 ; cette taille de vocabulaire est distincte du libellé 128k du contexte de tâche.\n\nL’annonce du fabricant décrit également un entraînement tenant compte de la quantification et une inférence FP8. Ce sont des caractéristiques de version et de précision, et non des modalités de contenu supplémentaires. Préservez le checkpoint exact et le tokenizer correspondant plutôt que de considérer un autre modèle 12B ou de la famille Mistral comme la même édition.\n\nTexte multilingue et Tekken\n\nLa version met l’accent sur l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe et l’hindi, tandis que le russe figure dans les métadonnées linguistiques de la fiche du modèle. Définissez la langue finale, le public visé et la terminologie avant de demander un résultat. Pour une tâche documentaire multilingue, conservez les noms, identifiants et unités tout en adaptant le texte environnant.\n\nNemo utilise le tokenizer Tekken, entraîné sur plus de 100 langues et conçu pour représenter efficacement le langage naturel et le code source. Le tokenizer influe sur la place occupée par les sources dans le contexte ; un nombre de caractères n’est donc pas à lui seul un nombre de tokens. Utilisez le tokenizer correspondant et gardez ensemble les éléments pertinents de la tâche plutôt que d’estimer le contexte à partir de la seule longueur visible d’un passage.\n\nPréparation des consignes et du code\n\nPour une explication documentaire, fournissez le passage source et identifiez la condition ou le terme à expliquer. Demandez l’explication dans la langue du lecteur tout en conservant les noms d’origine et l’énoncé source qui étaye la réponse. Pour une modification, précisez le sens et les conditions à préserver dans la réécriture, ainsi que le résultat souhaité : le passage révisé seul ou accompagné d’une explication.\n\nPour une tâche de programmation, indiquez le langage, les types d’entrée, la sortie attendue et l’interface existante. Incluez la fonction ou les déclarations qui déterminent la modification. Un résultat utile peut comprendre l’implémentation, ses hypothèses et des exemples d’entrées avec les sorties attendues. Une question distincte peut demander au modèle de suivre une entrée dans le code fourni afin que l’explication porte sur un parcours concret plutôt que sur un programme non précisé.\n\nPour une conversation à plusieurs tours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée, ou fournissez de nouveaux éléments qui modifient la tâche. Définissez si la réponse suivante doit réviser le livrable précédent, expliquer une décision ou produire une autre représentation des mêmes faits sources. Cela rend explicite la continuation de la conversation.\n\nAppel de fonctions et échantillonnage\n\nLe fabricant documente l’appel de fonctions avec le format de conversation correspondant. Le modèle génère l’opération proposée et ses arguments, tandis que l’application exécute la fonction et ajoute son résultat à la conversation avant la génération suivante. La fiche précise explicitement qu’un exemple de code abrégé ne montre pas le cycle complet ; les étapes d’exécution et de retour de résultat manquantes restent donc des éléments nécessaires d’une application assistée par des outils.\n\nDans ce format d’outils publié, les ID d’appels et les ID de résultats correspondants comportent exactement neuf caractères alphanumériques. Préservez l’association entre l’opération et son résultat lorsque vous préparez la conversation au format natif. Une interface intermédiaire peut représenter la conversation différemment ; l’exigence de la version décrit le formatage du modèle du fabricant, et non un identifiant client universel inventé.\n\nLe fabricant recommande une température de 0.3, en précisant que Nemo utilise des températures plus basses que les modèles Mistral antérieurs. Les différents réglages de 64, 128, 256 et 1 000 tokens montrés dans les exemples sont des choix de génération pour ces démonstrations, et non des capacités maximales de réponse publiées séparément.\n\nLimites substantielles\n\nLa fiche Instruct décrit ce checkpoint comme une démonstration de l’ajustement fin du modèle de base et indique explicitement qu’il ne contient aucun mécanisme de modération. Les applications nécessitant un comportement modéré doivent le fournir dans le système environnant. C’est une propriété du checkpoint publié, plutôt qu’une affirmation concernant chaque service hébergeant un modèle Nemo.\n\nLa tâche documentée ici pour Nemo est la génération de texte, avec son propre contexte de 128k et son format de conversation. La compréhension d’images, la transcription vocale et les réglages de raisonnement hybride des familles Mistral ultérieures ne doivent pas être attribués à cette édition. Fournissez la condition écrite complète, les sources pertinentes et le livrable final requis afin que le résultat reste utilisable comme explication, texte révisé ou implémentation proposée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.mistralai/mistral-nemoMistral Nemo Instruct 2407 est un modèle textuel multilingue de 12 milliards de paramètres pour les instructions précises, la conversation à plusieurs tours et le code. Il possède un contexte fabricant de 128 k, un système de segmentation Tekken, des appels de fonctions documentés et un point de contrôle distinct ajusté pour suivre des instructions avec ses propres recommandations d’échantillonnage.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Nemo Instruct 2407 est l’édition ajustée au suivi des consignes du modèle linguistique Mistral Nemo 12B. Elle est ajustée finement à partir du checkpoint distinctement nommé Nemo Base 2407. Le fabricant décrit un entraînement comportant une grande proportion de contenus multilingues et de code, ainsi qu’une fenêtre de contexte de 128k tokens, pour les consignes écrites, la conversation et les tâches de programmation.
Caractéristiques principales et architecture
La version fournit des déclinaisons préentraînées et ajustées aux consignes distinctes. Cette entrée concerne le checkpoint Instruct : une requête textuelle peut demander une explication, un document révisé, du code ou une proposition d’appel de fonction. Son ajustement aux consignes est présenté comme améliorant le suivi précis des consignes, le raisonnement, le dialogue à plusieurs tours et la génération de code par rapport à la gamme Mistral 7B précédente.
Le modèle comporte 40 couches Transformer avec une largeur de modèle de 5 120. Il utilise SwiGLU, 32 têtes d’attention et 8 têtes clé/valeur en attention à requêtes groupées, une dimension de tête de 128 et une dimension cachée de 14 336. Les embeddings rotatifs utilisent un réglage theta d’un million. Le vocabulaire publié compte 2 à la puissance 17 entrées, soit 131 072 ; cette taille de vocabulaire est distincte du libellé 128k du contexte de tâche.
L’annonce du fabricant décrit également un entraînement tenant compte de la quantification et une inférence FP8. Ce sont des caractéristiques de version et de précision, et non des modalités de contenu supplémentaires. Préservez le checkpoint exact et le tokenizer correspondant plutôt que de considérer un autre modèle 12B ou de la famille Mistral comme la même édition.
Texte multilingue et Tekken
La version met l’accent sur l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe et l’hindi, tandis que le russe figure dans les métadonnées linguistiques de la fiche du modèle. Définissez la langue finale, le public visé et la terminologie avant de demander un résultat. Pour une tâche documentaire multilingue, conservez les noms, identifiants et unités tout en adaptant le texte environnant.
Nemo utilise le tokenizer Tekken, entraîné sur plus de 100 langues et conçu pour représenter efficacement le langage naturel et le code source. Le tokenizer influe sur la place occupée par les sources dans le contexte ; un nombre de caractères n’est donc pas à lui seul un nombre de tokens. Utilisez le tokenizer correspondant et gardez ensemble les éléments pertinents de la tâche plutôt que d’estimer le contexte à partir de la seule longueur visible d’un passage.
Préparation des consignes et du code
Pour une explication documentaire, fournissez le passage source et identifiez la condition ou le terme à expliquer. Demandez l’explication dans la langue du lecteur tout en conservant les noms d’origine et l’énoncé source qui étaye la réponse. Pour une modification, précisez le sens et les conditions à préserver dans la réécriture, ainsi que le résultat souhaité : le passage révisé seul ou accompagné d’une explication.
Pour une tâche de programmation, indiquez le langage, les types d’entrée, la sortie attendue et l’interface existante. Incluez la fonction ou les déclarations qui déterminent la modification. Un résultat utile peut comprendre l’implémentation, ses hypothèses et des exemples d’entrées avec les sorties attendues. Une question distincte peut demander au modèle de suivre une entrée dans le code fourni afin que l’explication porte sur un parcours concret plutôt que sur un programme non précisé.
Pour une conversation à plusieurs tours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée, ou fournissez de nouveaux éléments qui modifient la tâche. Définissez si la réponse suivante doit réviser le livrable précédent, expliquer une décision ou produire une autre représentation des mêmes faits sources. Cela rend explicite la continuation de la conversation.
Appel de fonctions et échantillonnage
Le fabricant documente l’appel de fonctions avec le format de conversation correspondant. Le modèle génère l’opération proposée et ses arguments, tandis que l’application exécute la fonction et ajoute son résultat à la conversation avant la génération suivante. La fiche précise explicitement qu’un exemple de code abrégé ne montre pas le cycle complet ; les étapes d’exécution et de retour de résultat manquantes restent donc des éléments nécessaires d’une application assistée par des outils.
Dans ce format d’outils publié, les ID d’appels et les ID de résultats correspondants comportent exactement neuf caractères alphanumériques. Préservez l’association entre l’opération et son résultat lorsque vous préparez la conversation au format natif. Une interface intermédiaire peut représenter la conversation différemment ; l’exigence de la version décrit le formatage du modèle du fabricant, et non un identifiant client universel inventé.
Le fabricant recommande une température de 0.3, en précisant que Nemo utilise des températures plus basses que les modèles Mistral antérieurs. Les différents réglages de 64, 128, 256 et 1 000 tokens montrés dans les exemples sont des choix de génération pour ces démonstrations, et non des capacités maximales de réponse publiées séparément.
Limites substantielles
La fiche Instruct décrit ce checkpoint comme une démonstration de l’ajustement fin du modèle de base et indique explicitement qu’il ne contient aucun mécanisme de modération. Les applications nécessitant un comportement modéré doivent le fournir dans le système environnant. C’est une propriété du checkpoint publié, plutôt qu’une affirmation concernant chaque service hébergeant un modèle Nemo.
La tâche documentée ici pour Nemo est la génération de texte, avec son propre contexte de 128k et son format de conversation. La compréhension d’images, la transcription vocale et les réglages de raisonnement hybride des familles Mistral ultérieures ne doivent pas être attribués à cette édition. Fournissez la condition écrite complète, les sources pertinentes et le livrable final requis afin que le résultat reste utilisable comme explication, texte révisé ou implémentation proposée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-nemo | 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-nemo", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-nemo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-nemo',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/mistral-nemo
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-nemoMistral Nemo Instruct 2407 est un modèle textuel multilingue de 12 milliards de paramètres pour les instructions précises, la conversation à plusieurs tours et le code. Il possède un contexte fabricant de 128 k, un système de segmentation Tekken, des appels de fonctions documentés et un point de contrôle distinct ajusté pour suivre des instructions avec ses propres recommandations d’échantillonnage.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Nemo Instruct 2407 est l’édition ajustée au suivi des consignes du modèle linguistique Mistral Nemo 12B. Elle est ajustée finement à partir du checkpoint distinctement nommé Nemo Base 2407. Le fabricant décrit un entraînement comportant une grande proportion de contenus multilingues et de code, ainsi qu’une fenêtre de contexte de 128k tokens, pour les consignes écrites, la conversation et les tâches de programmation.
Caractéristiques principales et architecture
La version fournit des déclinaisons préentraînées et ajustées aux consignes distinctes. Cette entrée concerne le checkpoint Instruct : une requête textuelle peut demander une explication, un document révisé, du code ou une proposition d’appel de fonction. Son ajustement aux consignes est présenté comme améliorant le suivi précis des consignes, le raisonnement, le dialogue à plusieurs tours et la génération de code par rapport à la gamme Mistral 7B précédente.
Le modèle comporte 40 couches Transformer avec une largeur de modèle de 5 120. Il utilise SwiGLU, 32 têtes d’attention et 8 têtes clé/valeur en attention à requêtes groupées, une dimension de tête de 128 et une dimension cachée de 14 336. Les embeddings rotatifs utilisent un réglage theta d’un million. Le vocabulaire publié compte 2 à la puissance 17 entrées, soit 131 072 ; cette taille de vocabulaire est distincte du libellé 128k du contexte de tâche.
L’annonce du fabricant décrit également un entraînement tenant compte de la quantification et une inférence FP8. Ce sont des caractéristiques de version et de précision, et non des modalités de contenu supplémentaires. Préservez le checkpoint exact et le tokenizer correspondant plutôt que de considérer un autre modèle 12B ou de la famille Mistral comme la même édition.
Texte multilingue et Tekken
La version met l’accent sur l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le chinois, le japonais, le coréen, l’arabe et l’hindi, tandis que le russe figure dans les métadonnées linguistiques de la fiche du modèle. Définissez la langue finale, le public visé et la terminologie avant de demander un résultat. Pour une tâche documentaire multilingue, conservez les noms, identifiants et unités tout en adaptant le texte environnant.
Nemo utilise le tokenizer Tekken, entraîné sur plus de 100 langues et conçu pour représenter efficacement le langage naturel et le code source. Le tokenizer influe sur la place occupée par les sources dans le contexte ; un nombre de caractères n’est donc pas à lui seul un nombre de tokens. Utilisez le tokenizer correspondant et gardez ensemble les éléments pertinents de la tâche plutôt que d’estimer le contexte à partir de la seule longueur visible d’un passage.
Préparation des consignes et du code
Pour une explication documentaire, fournissez le passage source et identifiez la condition ou le terme à expliquer. Demandez l’explication dans la langue du lecteur tout en conservant les noms d’origine et l’énoncé source qui étaye la réponse. Pour une modification, précisez le sens et les conditions à préserver dans la réécriture, ainsi que le résultat souhaité : le passage révisé seul ou accompagné d’une explication.
Pour une tâche de programmation, indiquez le langage, les types d’entrée, la sortie attendue et l’interface existante. Incluez la fonction ou les déclarations qui déterminent la modification. Un résultat utile peut comprendre l’implémentation, ses hypothèses et des exemples d’entrées avec les sorties attendues. Une question distincte peut demander au modèle de suivre une entrée dans le code fourni afin que l’explication porte sur un parcours concret plutôt que sur un programme non précisé.
Pour une conversation à plusieurs tours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée, ou fournissez de nouveaux éléments qui modifient la tâche. Définissez si la réponse suivante doit réviser le livrable précédent, expliquer une décision ou produire une autre représentation des mêmes faits sources. Cela rend explicite la continuation de la conversation.
Appel de fonctions et échantillonnage
Le fabricant documente l’appel de fonctions avec le format de conversation correspondant. Le modèle génère l’opération proposée et ses arguments, tandis que l’application exécute la fonction et ajoute son résultat à la conversation avant la génération suivante. La fiche précise explicitement qu’un exemple de code abrégé ne montre pas le cycle complet ; les étapes d’exécution et de retour de résultat manquantes restent donc des éléments nécessaires d’une application assistée par des outils.
Dans ce format d’outils publié, les ID d’appels et les ID de résultats correspondants comportent exactement neuf caractères alphanumériques. Préservez l’association entre l’opération et son résultat lorsque vous préparez la conversation au format natif. Une interface intermédiaire peut représenter la conversation différemment ; l’exigence de la version décrit le formatage du modèle du fabricant, et non un identifiant client universel inventé.
Le fabricant recommande une température de 0.3, en précisant que Nemo utilise des températures plus basses que les modèles Mistral antérieurs. Les différents réglages de 64, 128, 256 et 1 000 tokens montrés dans les exemples sont des choix de génération pour ces démonstrations, et non des capacités maximales de réponse publiées séparément.
Limites substantielles
La fiche Instruct décrit ce checkpoint comme une démonstration de l’ajustement fin du modèle de base et indique explicitement qu’il ne contient aucun mécanisme de modération. Les applications nécessitant un comportement modéré doivent le fournir dans le système environnant. C’est une propriété du checkpoint publié, plutôt qu’une affirmation concernant chaque service hébergeant un modèle Nemo.
La tâche documentée ici pour Nemo est la génération de texte, avec son propre contexte de 128k et son format de conversation. La compréhension d’images, la transcription vocale et les réglages de raisonnement hybride des familles Mistral ultérieures ne doivent pas être attribués à cette édition. Fournissez la condition écrite complète, les sources pertinentes et le livrable final requis afin que le résultat reste utilisable comme explication, texte révisé ou implémentation proposée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-nemo | 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 $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0003 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-nemo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-nemo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-nemo', '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/mistral-nemo
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.