Mistral Small 3.1 24B Instruct 2503 prolonge Small 3 2501 en ajoutant la compréhension visuelle et en étendant la prise en charge du contexte long à 128 k jetons. Il compte 24 milliards de paramètres et a été ajusté pour suivre des instructions à partir de la publication Small 3.1 Base nommée séparément. Le modèle accepte du texte et des images et produit du texte, notamment une explication, du code ou un enregistrement structuré.
Capacités clés
La vision permet au modèle d’analyser les éléments visibles avec la question de l’utilisateur. Une image de document peut fournir le champ ou l’énoncé à examiner, un diagramme la relation à expliquer et un graphique les données d’une comparaison. Gardez lisibles les libellés, les unités et le contenu environnant pertinent afin que la question se réfère à des éléments réellement présents dans l’image.
Le fabricant répertorie la prise en charge de dizaines de langues, dont le russe, l’anglais, le français, l’allemand, le grec, l’hindi, l’indonésien, l’italien, le japonais, le coréen, le malais, le népalais, le polonais, le portugais, le roumain, le serbe, l’espagnol, le suédois, le turc, l’ukrainien, le vietnamien, l’arabe, le bengali, le chinois et le persan. Définissez la langue finale, le lecteur et la terminologie pour une réponse multilingue. Les noms, libellés cités, identifiants de variables et unités peuvent rester inchangés tandis que le texte environnant est adapté.
La fiche décrit aussi les capacités conversationnelles et de raisonnement, les appels de fonctions natifs, la sortie JSON et le respect des instructions système. Son système de segmentation en jetons est Tekken, avec un vocabulaire indiqué à 131 k. Ces fonctions appartiennent à la publication nommée ajustée pour suivre des instructions ; son édition Base remplit un rôle différent, et les versions ultérieures Small 3.2 et Small 4 conservent leurs propres changements et modes.
Préparation documentaire, informatique et mathématique
Pour une tâche sur documents longs, identifiez les documents et posez une question définie. Une comparaison peut demander une matrice d’exigences avec l’énoncé, sa section source et tout désaccord entre documents. Un résumé peut demander uniquement les éléments pertinents pour une modification nommée. Le contexte long garde ces sources ensemble, tandis que la réponse finale peut rester concise.
Pour une explication de code, fournissez la fonction et l’entrée dont le comportement doit être suivi. Incluez les auxiliaires ou déclarations pertinents et demandez comment l’état évolue avant le renvoi de la valeur. Pour une modification proposée, indiquez l’exigence, l’interface publique à préserver et la sortie attendue. Demandez le code révisé séparément de son explication et de ses exemples.
Pour une tâche mathématique, définissez les symboles et les hypothèses de domaine avant de demander une dérivation. Précisez si le résultat final doit être exact, arrondi ou constituer une preuve. Si la condition apparaît dans une image, gardez la formule et les libellés associés clairs et demandez au modèle de préserver cette notation dans sa réponse. Ces préparations transforment les capacités documentées de programmation et de raisonnement mathématique en un livrable examinable.
Format d’instructions et utilisation recommandée
Le fabricant publie un modèle de conversation V7-Tekken qui distingue les rôles système, utilisateur et assistant, et recommande d’utiliser l’implémentation de segmentation correspondante comme référence faisant autorité. Une instruction système doit définir le rôle de l’assistant et les règles de réponse, tandis que le message utilisateur contient la tâche réelle et les sources. Un formatage correct de conversation diffère du placement de libellés ressemblant à des rôles dans un document cité.
La fiche recommande une température relativement basse, par exemple 0.15, et une instruction système adaptée au cas d’usage. Définissez les champs ou sections de sortie et les conditions qui doivent subsister après réécriture. Pour une extraction répétée, demandez JSON avec des noms et types spécifiés et une représentation des valeurs absentes de la source. Un paragraphe explicatif peut être renvoyé séparément lorsqu’une personne doit examiner l’interprétation.
Processus d’appels de fonctions
Le modèle peut sélectionner une fonction parmi les outils décrits par l’application et générer ses arguments. L’application exécute la fonction, renvoie le résultat avec l’appel d’outil correspondant, puis le modèle utilise ce résultat dans une réponse ultérieure. L’exemple du fabricant montre ce cycle conversationnel, avec l’utilisation précédente d’outils et une nouvelle question utilisateur. Une recherche proposée se distingue donc des données réellement renvoyées par cette recherche.
Un assistant pratique peut d’abord extraire une question d’un document, puis utiliser une fonction de référence fournie pour obtenir une condition manquante. Décrivez clairement la fonction, incluez ses arguments requis et gardez le résultat renvoyé associé à l’opération d’origine. JSON organise un résultat textuel ; un appel de fonction demande une opération connectée plutôt que d’exécuter silencieusement du code ou de lire une base de données.
Limites de fond
La capacité visuelle documentée lit les images ; elle ne les génère pas. Les consignes de la fiche publiée distinguent également ce modèle de la transcription audio et vidéo ; une question parlée ou vidéo nécessite donc que son contenu pertinent soit fourni par une étape de préparation séparée et adaptée. L’accès au web et les actions externes proviennent de même d’outils connectés, et non du seul modèle traitant le texte et les images.
Le contexte de 128 k concerne les entrées de la tâche et la conversation générée, tandis que l’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage. Aucune capacité stricte distincte de longueur de réponse n’est indiquée dans les sources consultées. Préservez l’édition Instruct 2503 exacte, son format de conversation et le livrable d’explication, d’enregistrement ou de code demandé.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 prolonge Small 3 2501 en ajoutant la compréhension visuelle et en étendant la prise en charge du contexte long à 128 k jetons. Il compte 24 milliards de paramètres et a été ajusté pour suivre des instructions à partir de la publication Small 3.1 Base nommée séparément. Le modèle accepte du texte et des images et produit du texte, notamment une explication, du code ou un enregistrement structuré.\n\nCapacités clés\n\nLa vision permet au modèle d’analyser les éléments visibles avec la question de l’utilisateur. Une image de document peut fournir le champ ou l’énoncé à examiner, un diagramme la relation à expliquer et un graphique les données d’une comparaison. Gardez lisibles les libellés, les unités et le contenu environnant pertinent afin que la question se réfère à des éléments réellement présents dans l’image.\n\nLe fabricant répertorie la prise en charge de dizaines de langues, dont le russe, l’anglais, le français, l’allemand, le grec, l’hindi, l’indonésien, l’italien, le japonais, le coréen, le malais, le népalais, le polonais, le portugais, le roumain, le serbe, l’espagnol, le suédois, le turc, l’ukrainien, le vietnamien, l’arabe, le bengali, le chinois et le persan. Définissez la langue finale, le lecteur et la terminologie pour une réponse multilingue. Les noms, libellés cités, identifiants de variables et unités peuvent rester inchangés tandis que le texte environnant est adapté.\n\nLa fiche décrit aussi les capacités conversationnelles et de raisonnement, les appels de fonctions natifs, la sortie JSON et le respect des instructions système. Son système de segmentation en jetons est Tekken, avec un vocabulaire indiqué à 131 k. Ces fonctions appartiennent à la publication nommée ajustée pour suivre des instructions ; son édition Base remplit un rôle différent, et les versions ultérieures Small 3.2 et Small 4 conservent leurs propres changements et modes.\n\nPréparation documentaire, informatique et mathématique\n\nPour une tâche sur documents longs, identifiez les documents et posez une question définie. Une comparaison peut demander une matrice d’exigences avec l’énoncé, sa section source et tout désaccord entre documents. Un résumé peut demander uniquement les éléments pertinents pour une modification nommée. Le contexte long garde ces sources ensemble, tandis que la réponse finale peut rester concise.\n\nPour une explication de code, fournissez la fonction et l’entrée dont le comportement doit être suivi. Incluez les auxiliaires ou déclarations pertinents et demandez comment l’état évolue avant le renvoi de la valeur. Pour une modification proposée, indiquez l’exigence, l’interface publique à préserver et la sortie attendue. Demandez le code révisé séparément de son explication et de ses exemples.\n\nPour une tâche mathématique, définissez les symboles et les hypothèses de domaine avant de demander une dérivation. Précisez si le résultat final doit être exact, arrondi ou constituer une preuve. Si la condition apparaît dans une image, gardez la formule et les libellés associés clairs et demandez au modèle de préserver cette notation dans sa réponse. Ces préparations transforment les capacités documentées de programmation et de raisonnement mathématique en un livrable examinable.\n\nFormat d’instructions et utilisation recommandée\n\nLe fabricant publie un modèle de conversation V7-Tekken qui distingue les rôles système, utilisateur et assistant, et recommande d’utiliser l’implémentation de segmentation correspondante comme référence faisant autorité. Une instruction système doit définir le rôle de l’assistant et les règles de réponse, tandis que le message utilisateur contient la tâche réelle et les sources. Un formatage correct de conversation diffère du placement de libellés ressemblant à des rôles dans un document cité.\n\nLa fiche recommande une température relativement basse, par exemple 0.15, et une instruction système adaptée au cas d’usage. Définissez les champs ou sections de sortie et les conditions qui doivent subsister après réécriture. Pour une extraction répétée, demandez JSON avec des noms et types spécifiés et une représentation des valeurs absentes de la source. Un paragraphe explicatif peut être renvoyé séparément lorsqu’une personne doit examiner l’interprétation.\n\nProcessus d’appels de fonctions\n\nLe modèle peut sélectionner une fonction parmi les outils décrits par l’application et générer ses arguments. L’application exécute la fonction, renvoie le résultat avec l’appel d’outil correspondant, puis le modèle utilise ce résultat dans une réponse ultérieure. L’exemple du fabricant montre ce cycle conversationnel, avec l’utilisation précédente d’outils et une nouvelle question utilisateur. Une recherche proposée se distingue donc des données réellement renvoyées par cette recherche.\n\nUn assistant pratique peut d’abord extraire une question d’un document, puis utiliser une fonction de référence fournie pour obtenir une condition manquante. Décrivez clairement la fonction, incluez ses arguments requis et gardez le résultat renvoyé associé à l’opération d’origine. JSON organise un résultat textuel ; un appel de fonction demande une opération connectée plutôt que d’exécuter silencieusement du code ou de lire une base de données.\n\nLimites de fond\n\nLa capacité visuelle documentée lit les images ; elle ne les génère pas. Les consignes de la fiche publiée distinguent également ce modèle de la transcription audio et vidéo ; une question parlée ou vidéo nécessite donc que son contenu pertinent soit fourni par une étape de préparation séparée et adaptée. L’accès au web et les actions externes proviennent de même d’outils connectés, et non du seul modèle traitant le texte et les images.\n\nLe contexte de 128 k concerne les entrées de la tâche et la conversation générée, tandis que l’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage. Aucune capacité stricte distincte de longueur de réponse n’est indiquée dans les sources consultées. Préservez l’édition Instruct 2503 exacte, son format de conversation et le livrable d’explication, d’enregistrement ou de code demandé.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 ajoute la compréhension d’images et un contexte fabricant de 128 k à la lignée Small 3. Il associe texte multilingue, programmation et raisonnement mathématique aux instructions système, à JSON et aux appels de fonctions natifs dans une publication distincte ajustée pour suivre des instructions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 3.1 24B Instruct 2503 prolonge Small 3 2501 en ajoutant la compréhension visuelle et en étendant la prise en charge du contexte long à 128 k jetons. Il compte 24 milliards de paramètres et a été ajusté pour suivre des instructions à partir de la publication Small 3.1 Base nommée séparément. Le modèle accepte du texte et des images et produit du texte, notamment une explication, du code ou un enregistrement structuré.
Capacités clés
La vision permet au modèle d’analyser les éléments visibles avec la question de l’utilisateur. Une image de document peut fournir le champ ou l’énoncé à examiner, un diagramme la relation à expliquer et un graphique les données d’une comparaison. Gardez lisibles les libellés, les unités et le contenu environnant pertinent afin que la question se réfère à des éléments réellement présents dans l’image.
Le fabricant répertorie la prise en charge de dizaines de langues, dont le russe, l’anglais, le français, l’allemand, le grec, l’hindi, l’indonésien, l’italien, le japonais, le coréen, le malais, le népalais, le polonais, le portugais, le roumain, le serbe, l’espagnol, le suédois, le turc, l’ukrainien, le vietnamien, l’arabe, le bengali, le chinois et le persan. Définissez la langue finale, le lecteur et la terminologie pour une réponse multilingue. Les noms, libellés cités, identifiants de variables et unités peuvent rester inchangés tandis que le texte environnant est adapté.
La fiche décrit aussi les capacités conversationnelles et de raisonnement, les appels de fonctions natifs, la sortie JSON et le respect des instructions système. Son système de segmentation en jetons est Tekken, avec un vocabulaire indiqué à 131 k. Ces fonctions appartiennent à la publication nommée ajustée pour suivre des instructions ; son édition Base remplit un rôle différent, et les versions ultérieures Small 3.2 et Small 4 conservent leurs propres changements et modes.
Préparation documentaire, informatique et mathématique
Pour une tâche sur documents longs, identifiez les documents et posez une question définie. Une comparaison peut demander une matrice d’exigences avec l’énoncé, sa section source et tout désaccord entre documents. Un résumé peut demander uniquement les éléments pertinents pour une modification nommée. Le contexte long garde ces sources ensemble, tandis que la réponse finale peut rester concise.
Pour une explication de code, fournissez la fonction et l’entrée dont le comportement doit être suivi. Incluez les auxiliaires ou déclarations pertinents et demandez comment l’état évolue avant le renvoi de la valeur. Pour une modification proposée, indiquez l’exigence, l’interface publique à préserver et la sortie attendue. Demandez le code révisé séparément de son explication et de ses exemples.
Pour une tâche mathématique, définissez les symboles et les hypothèses de domaine avant de demander une dérivation. Précisez si le résultat final doit être exact, arrondi ou constituer une preuve. Si la condition apparaît dans une image, gardez la formule et les libellés associés clairs et demandez au modèle de préserver cette notation dans sa réponse. Ces préparations transforment les capacités documentées de programmation et de raisonnement mathématique en un livrable examinable.
Format d’instructions et utilisation recommandée
Le fabricant publie un modèle de conversation V7-Tekken qui distingue les rôles système, utilisateur et assistant, et recommande d’utiliser l’implémentation de segmentation correspondante comme référence faisant autorité. Une instruction système doit définir le rôle de l’assistant et les règles de réponse, tandis que le message utilisateur contient la tâche réelle et les sources. Un formatage correct de conversation diffère du placement de libellés ressemblant à des rôles dans un document cité.
La fiche recommande une température relativement basse, par exemple 0.15, et une instruction système adaptée au cas d’usage. Définissez les champs ou sections de sortie et les conditions qui doivent subsister après réécriture. Pour une extraction répétée, demandez JSON avec des noms et types spécifiés et une représentation des valeurs absentes de la source. Un paragraphe explicatif peut être renvoyé séparément lorsqu’une personne doit examiner l’interprétation.
Processus d’appels de fonctions
Le modèle peut sélectionner une fonction parmi les outils décrits par l’application et générer ses arguments. L’application exécute la fonction, renvoie le résultat avec l’appel d’outil correspondant, puis le modèle utilise ce résultat dans une réponse ultérieure. L’exemple du fabricant montre ce cycle conversationnel, avec l’utilisation précédente d’outils et une nouvelle question utilisateur. Une recherche proposée se distingue donc des données réellement renvoyées par cette recherche.
Un assistant pratique peut d’abord extraire une question d’un document, puis utiliser une fonction de référence fournie pour obtenir une condition manquante. Décrivez clairement la fonction, incluez ses arguments requis et gardez le résultat renvoyé associé à l’opération d’origine. JSON organise un résultat textuel ; un appel de fonction demande une opération connectée plutôt que d’exécuter silencieusement du code ou de lire une base de données.
Limites de fond
La capacité visuelle documentée lit les images ; elle ne les génère pas. Les consignes de la fiche publiée distinguent également ce modèle de la transcription audio et vidéo ; une question parlée ou vidéo nécessite donc que son contenu pertinent soit fourni par une étape de préparation séparée et adaptée. L’accès au web et les actions externes proviennent de même d’outils connectés, et non du seul modèle traitant le texte et les images.
Le contexte de 128 k concerne les entrées de la tâche et la conversation générée, tandis que l’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage. Aucune capacité stricte distincte de longueur de réponse n’est indiquée dans les sources consultées. Préservez l’édition Instruct 2503 exacte, son format de conversation et le livrable d’explication, d’enregistrement ou de code demandé.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokens Sortie · Tokens en sortie $0.00111 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| 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 $0.0011 / 1K tokens Sortie · Tokens en sortie $0.00111 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-small-3.1-24b-instruct',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-small-3.1-24b-instruct',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-small-3.1-24b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 ajoute la compréhension d’images et un contexte fabricant de 128 k à la lignée Small 3. Il associe texte multilingue, programmation et raisonnement mathématique aux instructions système, à JSON et aux appels de fonctions natifs dans une publication distincte ajustée pour suivre des instructions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 3.1 24B Instruct 2503 prolonge Small 3 2501 en ajoutant la compréhension visuelle et en étendant la prise en charge du contexte long à 128 k jetons. Il compte 24 milliards de paramètres et a été ajusté pour suivre des instructions à partir de la publication Small 3.1 Base nommée séparément. Le modèle accepte du texte et des images et produit du texte, notamment une explication, du code ou un enregistrement structuré.
Capacités clés
La vision permet au modèle d’analyser les éléments visibles avec la question de l’utilisateur. Une image de document peut fournir le champ ou l’énoncé à examiner, un diagramme la relation à expliquer et un graphique les données d’une comparaison. Gardez lisibles les libellés, les unités et le contenu environnant pertinent afin que la question se réfère à des éléments réellement présents dans l’image.
Le fabricant répertorie la prise en charge de dizaines de langues, dont le russe, l’anglais, le français, l’allemand, le grec, l’hindi, l’indonésien, l’italien, le japonais, le coréen, le malais, le népalais, le polonais, le portugais, le roumain, le serbe, l’espagnol, le suédois, le turc, l’ukrainien, le vietnamien, l’arabe, le bengali, le chinois et le persan. Définissez la langue finale, le lecteur et la terminologie pour une réponse multilingue. Les noms, libellés cités, identifiants de variables et unités peuvent rester inchangés tandis que le texte environnant est adapté.
La fiche décrit aussi les capacités conversationnelles et de raisonnement, les appels de fonctions natifs, la sortie JSON et le respect des instructions système. Son système de segmentation en jetons est Tekken, avec un vocabulaire indiqué à 131 k. Ces fonctions appartiennent à la publication nommée ajustée pour suivre des instructions ; son édition Base remplit un rôle différent, et les versions ultérieures Small 3.2 et Small 4 conservent leurs propres changements et modes.
Préparation documentaire, informatique et mathématique
Pour une tâche sur documents longs, identifiez les documents et posez une question définie. Une comparaison peut demander une matrice d’exigences avec l’énoncé, sa section source et tout désaccord entre documents. Un résumé peut demander uniquement les éléments pertinents pour une modification nommée. Le contexte long garde ces sources ensemble, tandis que la réponse finale peut rester concise.
Pour une explication de code, fournissez la fonction et l’entrée dont le comportement doit être suivi. Incluez les auxiliaires ou déclarations pertinents et demandez comment l’état évolue avant le renvoi de la valeur. Pour une modification proposée, indiquez l’exigence, l’interface publique à préserver et la sortie attendue. Demandez le code révisé séparément de son explication et de ses exemples.
Pour une tâche mathématique, définissez les symboles et les hypothèses de domaine avant de demander une dérivation. Précisez si le résultat final doit être exact, arrondi ou constituer une preuve. Si la condition apparaît dans une image, gardez la formule et les libellés associés clairs et demandez au modèle de préserver cette notation dans sa réponse. Ces préparations transforment les capacités documentées de programmation et de raisonnement mathématique en un livrable examinable.
Format d’instructions et utilisation recommandée
Le fabricant publie un modèle de conversation V7-Tekken qui distingue les rôles système, utilisateur et assistant, et recommande d’utiliser l’implémentation de segmentation correspondante comme référence faisant autorité. Une instruction système doit définir le rôle de l’assistant et les règles de réponse, tandis que le message utilisateur contient la tâche réelle et les sources. Un formatage correct de conversation diffère du placement de libellés ressemblant à des rôles dans un document cité.
La fiche recommande une température relativement basse, par exemple 0.15, et une instruction système adaptée au cas d’usage. Définissez les champs ou sections de sortie et les conditions qui doivent subsister après réécriture. Pour une extraction répétée, demandez JSON avec des noms et types spécifiés et une représentation des valeurs absentes de la source. Un paragraphe explicatif peut être renvoyé séparément lorsqu’une personne doit examiner l’interprétation.
Processus d’appels de fonctions
Le modèle peut sélectionner une fonction parmi les outils décrits par l’application et générer ses arguments. L’application exécute la fonction, renvoie le résultat avec l’appel d’outil correspondant, puis le modèle utilise ce résultat dans une réponse ultérieure. L’exemple du fabricant montre ce cycle conversationnel, avec l’utilisation précédente d’outils et une nouvelle question utilisateur. Une recherche proposée se distingue donc des données réellement renvoyées par cette recherche.
Un assistant pratique peut d’abord extraire une question d’un document, puis utiliser une fonction de référence fournie pour obtenir une condition manquante. Décrivez clairement la fonction, incluez ses arguments requis et gardez le résultat renvoyé associé à l’opération d’origine. JSON organise un résultat textuel ; un appel de fonction demande une opération connectée plutôt que d’exécuter silencieusement du code ou de lire une base de données.
Limites de fond
La capacité visuelle documentée lit les images ; elle ne les génère pas. Les consignes de la fiche publiée distinguent également ce modèle de la transcription audio et vidéo ; une question parlée ou vidéo nécessite donc que son contenu pertinent soit fourni par une étape de préparation séparée et adaptée. L’accès au web et les actions externes proviennent de même d’outils connectés, et non du seul modèle traitant le texte et les images.
Le contexte de 128 k concerne les entrées de la tâche et la conversation générée, tandis que l’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage. Aucune capacité stricte distincte de longueur de réponse n’est indiquée dans les sources consultées. Préservez l’édition Instruct 2503 exacte, son format de conversation et le livrable d’explication, d’enregistrement ou de code demandé.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokens Sortie · Tokens en sortie $0.00111 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| 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 $0.0011 / 1K tokens Sortie · Tokens en sortie $0.00111 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small-3.1-24b-instruct', '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-small-3.1-24b-instruct', '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-small-3.1-24b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.