Mistral Small 3 Instruct 2501 est la version de Mistral Small 3 adaptée au suivi d’instructions, dotée de 24 milliards de paramètres. Elle est ajustée à partir du modèle Small 24B Base 2501 nommé séparément. Le fabricant la destine à l’assistance conversationnelle réactive, aux appels de fonctions et à l’adaptation spécialisée, avec du texte en entrée comme en sortie.
Fonctions principales et particularités de l’entraînement
La fiche du modèle documente la prise en charge multilingue, les capacités de conversation et de raisonnement, l’appel natif de fonctions, la sortie JSON et le respect des prompts système. Sa fenêtre de contexte est de 32k, et il utilise un tokenizer Tekken avec un vocabulaire indiqué à 131k. L’indication de contexte concerne le texte conservé pour la tâche, tandis que celle du vocabulaire décrit la tokenisation ; ce sont des spécifications distinctes.
Le fabricant cite notamment l’anglais, le français, l’allemand, l’espagnol, l’italien, le chinois, le japonais, le coréen, le portugais, le néerlandais et le polonais, le russe figurant aussi dans les métadonnées linguistiques de la fiche publiée. Définissez la langue finale et les termes à conserver. Une explication traduite peut préserver identifiants, noms et unités tout en adaptant la prose environnante au lecteur.
L’annonce de la version indique que Small 3 n’est entraîné ni par renforcement ni sur des données synthétiques, et distingue les points de contrôle préentraînés de ceux adaptés aux instructions. Elle décrit le modèle comme une base personnalisable davantage, plutôt que comme un point de contrôle hybride doté des contrôles de raisonnement ultérieurs de Small 4. Cette entrée correspond à l’édition Instruct 2501 pour le suivi d’une tâche conversationnelle.
Tâches conversationnelles et structurées
Pour un assistant de type support, fournissez la question utilisateur, les références pertinentes et les règles de réponse. Demandez l’action qui répond à la question et la condition de son application. Une sortie pratique peut séparer une réponse concise des champs extraits nécessaires à l’étape suivante de l’application, plutôt que de les mélanger dans une explication non structurée.
Pour la classification, fournissez les étiquettes autorisées et les distinctions entre elles. Pour l’extraction, nommez les champs, les types attendus et la représentation des informations manquantes. Un enregistrement peut contenir la catégorie du problème, un identifiant copié du message et un bref résumé de l’action demandée. JSON organise le résultat, tandis que la conception des champs et les règles d’interprétation restent propres à la tâche fournie.
Pour expliquer du code, incluez la fonction, les déclarations pertinentes et une entrée concrète. Demandez quel chemin dans le code détermine le résultat. Pour une explication mathématique, définissez variables et hypothèses et identifiez l’expression ou l’affirmation à établir. Ces tâches textuelles peuvent retourner une méthode, une explication et un livrable final sans supposer que le modèle exécute lui-même le code ou un calcul externe.
Instructions système et réglages recommandés
La fiche recommande un prompt système adapté à l’assistant prévu et une température relativement basse, comme 0,15. Utilisez l’instruction système pour définir le rôle, le style et les règles de réponse, tandis que le message utilisateur contient le problème ou les sources réels. Séparez les instructions citées dans un document de celles de l’application indiquant comment traiter ce document.
Pour un assistant quotidien, précisez si le résultat doit être une réponse courte, un enregistrement structuré ou une explication longue. Si une réponse doit être analysée automatiquement, demandez l’enregistrement séparément de la prose facultative. Dans un processus documentaire répété, conservez l’identifiant source à côté de chaque résultat afin que l’application puisse retourner les bons éléments à l’utilisateur.
Appels de fonctions et spécialisation
Le modèle peut sélectionner une fonction décrite et produire ses arguments. L’application exécute l’opération et renvoie le résultat avec l’appel d’outil correspondant, après quoi la réponse suivante peut utiliser l’information. L’exemple de la fiche montre une conversation comprenant une utilisation antérieure d’outils suivie d’une nouvelle question. L’assistant peut ainsi demander des informations aux outils connectés sans considérer un appel proposé comme une recherche terminée.
Décrivez clairement l’objectif de chaque fonction et ses valeurs requises. Une recherche peut nommer l’information nécessaire et retourner le résultat réel de l’outil à la conversation ; une fonction de traitement de texte peut fournir un passage transformé pour la réponse suivante. Gardez un ensemble d’outils lié au processus actuel et préservez le lien entre l’opération proposée et son résultat.
Le fabricant décrit également l’ajustement fin pour une spécialisation métier. Ce processus modifie un modèle pour un domaine défini ; fournir un document dans une conversation constitue plutôt un conditionnement par les sources pour cette tâche. Fournissez les éléments métier et les exigences de réponse nécessaires à l’assistant particulier, au lieu de supposer qu’une personnalisation a déjà été réalisée.
Contexte et limites de fond
Small 3 2501 est un modèle purement textuel avec un contexte de 32k. La vision et le contexte de 128k introduits dans Small 3.1 appartiennent à cette version ultérieure, et les modes hybrides de Small 4 ne doivent pas davantage être transférés ici. Une image, un enregistrement audio ou une vidéo doit voir son contenu pertinent préparé par un autre composant avant cette tâche textuelle.
Les réglages de génération de 256 et 512 tokens de la fiche sont des exemples d’utilisation, et non des capacités maximales indépendantes de sortie. Gardez explicites l’identité exacte Instruct 2501, le tokenizer et le résultat demandé. Le livrable final utile est la réponse, l’enregistrement JSON ou la proposition de code dont le sens et le format correspondent à la tâche écrite originale.
", "aboutText": "Mistral Small 3 Instruct 2501 est la version de Mistral Small 3 adaptée au suivi d’instructions, dotée de 24 milliards de paramètres. Elle est ajustée à partir du modèle Small 24B Base 2501 nommé séparément. Le fabricant la destine à l’assistance conversationnelle réactive, aux appels de fonctions et à l’adaptation spécialisée, avec du texte en entrée comme en sortie.\n\nFonctions principales et particularités de l’entraînement\n\nLa fiche du modèle documente la prise en charge multilingue, les capacités de conversation et de raisonnement, l’appel natif de fonctions, la sortie JSON et le respect des prompts système. Sa fenêtre de contexte est de 32k, et il utilise un tokenizer Tekken avec un vocabulaire indiqué à 131k. L’indication de contexte concerne le texte conservé pour la tâche, tandis que celle du vocabulaire décrit la tokenisation ; ce sont des spécifications distinctes.\n\nLe fabricant cite notamment l’anglais, le français, l’allemand, l’espagnol, l’italien, le chinois, le japonais, le coréen, le portugais, le néerlandais et le polonais, le russe figurant aussi dans les métadonnées linguistiques de la fiche publiée. Définissez la langue finale et les termes à conserver. Une explication traduite peut préserver identifiants, noms et unités tout en adaptant la prose environnante au lecteur.\n\nL’annonce de la version indique que Small 3 n’est entraîné ni par renforcement ni sur des données synthétiques, et distingue les points de contrôle préentraînés de ceux adaptés aux instructions. Elle décrit le modèle comme une base personnalisable davantage, plutôt que comme un point de contrôle hybride doté des contrôles de raisonnement ultérieurs de Small 4. Cette entrée correspond à l’édition Instruct 2501 pour le suivi d’une tâche conversationnelle.\n\nTâches conversationnelles et structurées\n\nPour un assistant de type support, fournissez la question utilisateur, les références pertinentes et les règles de réponse. Demandez l’action qui répond à la question et la condition de son application. Une sortie pratique peut séparer une réponse concise des champs extraits nécessaires à l’étape suivante de l’application, plutôt que de les mélanger dans une explication non structurée.\n\nPour la classification, fournissez les étiquettes autorisées et les distinctions entre elles. Pour l’extraction, nommez les champs, les types attendus et la représentation des informations manquantes. Un enregistrement peut contenir la catégorie du problème, un identifiant copié du message et un bref résumé de l’action demandée. JSON organise le résultat, tandis que la conception des champs et les règles d’interprétation restent propres à la tâche fournie.\n\nPour expliquer du code, incluez la fonction, les déclarations pertinentes et une entrée concrète. Demandez quel chemin dans le code détermine le résultat. Pour une explication mathématique, définissez variables et hypothèses et identifiez l’expression ou l’affirmation à établir. Ces tâches textuelles peuvent retourner une méthode, une explication et un livrable final sans supposer que le modèle exécute lui-même le code ou un calcul externe.\n\nInstructions système et réglages recommandés\n\nLa fiche recommande un prompt système adapté à l’assistant prévu et une température relativement basse, comme 0,15. Utilisez l’instruction système pour définir le rôle, le style et les règles de réponse, tandis que le message utilisateur contient le problème ou les sources réels. Séparez les instructions citées dans un document de celles de l’application indiquant comment traiter ce document.\n\nPour un assistant quotidien, précisez si le résultat doit être une réponse courte, un enregistrement structuré ou une explication longue. Si une réponse doit être analysée automatiquement, demandez l’enregistrement séparément de la prose facultative. Dans un processus documentaire répété, conservez l’identifiant source à côté de chaque résultat afin que l’application puisse retourner les bons éléments à l’utilisateur.\n\nAppels de fonctions et spécialisation\n\nLe modèle peut sélectionner une fonction décrite et produire ses arguments. L’application exécute l’opération et renvoie le résultat avec l’appel d’outil correspondant, après quoi la réponse suivante peut utiliser l’information. L’exemple de la fiche montre une conversation comprenant une utilisation antérieure d’outils suivie d’une nouvelle question. L’assistant peut ainsi demander des informations aux outils connectés sans considérer un appel proposé comme une recherche terminée.\n\nDécrivez clairement l’objectif de chaque fonction et ses valeurs requises. Une recherche peut nommer l’information nécessaire et retourner le résultat réel de l’outil à la conversation ; une fonction de traitement de texte peut fournir un passage transformé pour la réponse suivante. Gardez un ensemble d’outils lié au processus actuel et préservez le lien entre l’opération proposée et son résultat.\n\nLe fabricant décrit également l’ajustement fin pour une spécialisation métier. Ce processus modifie un modèle pour un domaine défini ; fournir un document dans une conversation constitue plutôt un conditionnement par les sources pour cette tâche. Fournissez les éléments métier et les exigences de réponse nécessaires à l’assistant particulier, au lieu de supposer qu’une personnalisation a déjà été réalisée.\n\nContexte et limites de fond\n\nSmall 3 2501 est un modèle purement textuel avec un contexte de 32k. La vision et le contexte de 128k introduits dans Small 3.1 appartiennent à cette version ultérieure, et les modes hybrides de Small 4 ne doivent pas davantage être transférés ici. Une image, un enregistrement audio ou une vidéo doit voir son contenu pertinent préparé par un autre composant avant cette tâche textuelle.\n\nLes réglages de génération de 256 et 512 tokens de la fiche sont des exemples d’utilisation, et non des capacités maximales indépendantes de sortie. Gardez explicites l’identité exacte Instruct 2501, le tokenizer et le résultat demandé. Le livrable final utile est la réponse, l’enregistrement JSON ou la proposition de code dont le sens et le format correspondent à la tâche écrite originale.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 est un modèle textuel de 24 milliards de paramètres pour les instructions conversationnelles, l’extraction structurée et les applications assistées par des outils. Il offre un contexte de 32k annoncé par le fabricant, des réponses multilingues, le prompt système, JSON et les appels natifs de fonctions dans une version distincte purement textuelle.
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 Instruct 2501 est la version de Mistral Small 3 adaptée au suivi d’instructions, dotée de 24 milliards de paramètres. Elle est ajustée à partir du modèle Small 24B Base 2501 nommé séparément. Le fabricant la destine à l’assistance conversationnelle réactive, aux appels de fonctions et à l’adaptation spécialisée, avec du texte en entrée comme en sortie.
Fonctions principales et particularités de l’entraînement
La fiche du modèle documente la prise en charge multilingue, les capacités de conversation et de raisonnement, l’appel natif de fonctions, la sortie JSON et le respect des prompts système. Sa fenêtre de contexte est de 32k, et il utilise un tokenizer Tekken avec un vocabulaire indiqué à 131k. L’indication de contexte concerne le texte conservé pour la tâche, tandis que celle du vocabulaire décrit la tokenisation ; ce sont des spécifications distinctes.
Le fabricant cite notamment l’anglais, le français, l’allemand, l’espagnol, l’italien, le chinois, le japonais, le coréen, le portugais, le néerlandais et le polonais, le russe figurant aussi dans les métadonnées linguistiques de la fiche publiée. Définissez la langue finale et les termes à conserver. Une explication traduite peut préserver identifiants, noms et unités tout en adaptant la prose environnante au lecteur.
L’annonce de la version indique que Small 3 n’est entraîné ni par renforcement ni sur des données synthétiques, et distingue les points de contrôle préentraînés de ceux adaptés aux instructions. Elle décrit le modèle comme une base personnalisable davantage, plutôt que comme un point de contrôle hybride doté des contrôles de raisonnement ultérieurs de Small 4. Cette entrée correspond à l’édition Instruct 2501 pour le suivi d’une tâche conversationnelle.
Tâches conversationnelles et structurées
Pour un assistant de type support, fournissez la question utilisateur, les références pertinentes et les règles de réponse. Demandez l’action qui répond à la question et la condition de son application. Une sortie pratique peut séparer une réponse concise des champs extraits nécessaires à l’étape suivante de l’application, plutôt que de les mélanger dans une explication non structurée.
Pour la classification, fournissez les étiquettes autorisées et les distinctions entre elles. Pour l’extraction, nommez les champs, les types attendus et la représentation des informations manquantes. Un enregistrement peut contenir la catégorie du problème, un identifiant copié du message et un bref résumé de l’action demandée. JSON organise le résultat, tandis que la conception des champs et les règles d’interprétation restent propres à la tâche fournie.
Pour expliquer du code, incluez la fonction, les déclarations pertinentes et une entrée concrète. Demandez quel chemin dans le code détermine le résultat. Pour une explication mathématique, définissez variables et hypothèses et identifiez l’expression ou l’affirmation à établir. Ces tâches textuelles peuvent retourner une méthode, une explication et un livrable final sans supposer que le modèle exécute lui-même le code ou un calcul externe.
Instructions système et réglages recommandés
La fiche recommande un prompt système adapté à l’assistant prévu et une température relativement basse, comme 0,15. Utilisez l’instruction système pour définir le rôle, le style et les règles de réponse, tandis que le message utilisateur contient le problème ou les sources réels. Séparez les instructions citées dans un document de celles de l’application indiquant comment traiter ce document.
Pour un assistant quotidien, précisez si le résultat doit être une réponse courte, un enregistrement structuré ou une explication longue. Si une réponse doit être analysée automatiquement, demandez l’enregistrement séparément de la prose facultative. Dans un processus documentaire répété, conservez l’identifiant source à côté de chaque résultat afin que l’application puisse retourner les bons éléments à l’utilisateur.
Appels de fonctions et spécialisation
Le modèle peut sélectionner une fonction décrite et produire ses arguments. L’application exécute l’opération et renvoie le résultat avec l’appel d’outil correspondant, après quoi la réponse suivante peut utiliser l’information. L’exemple de la fiche montre une conversation comprenant une utilisation antérieure d’outils suivie d’une nouvelle question. L’assistant peut ainsi demander des informations aux outils connectés sans considérer un appel proposé comme une recherche terminée.
Décrivez clairement l’objectif de chaque fonction et ses valeurs requises. Une recherche peut nommer l’information nécessaire et retourner le résultat réel de l’outil à la conversation ; une fonction de traitement de texte peut fournir un passage transformé pour la réponse suivante. Gardez un ensemble d’outils lié au processus actuel et préservez le lien entre l’opération proposée et son résultat.
Le fabricant décrit également l’ajustement fin pour une spécialisation métier. Ce processus modifie un modèle pour un domaine défini ; fournir un document dans une conversation constitue plutôt un conditionnement par les sources pour cette tâche. Fournissez les éléments métier et les exigences de réponse nécessaires à l’assistant particulier, au lieu de supposer qu’une personnalisation a déjà été réalisée.
Contexte et limites de fond
Small 3 2501 est un modèle purement textuel avec un contexte de 32k. La vision et le contexte de 128k introduits dans Small 3.1 appartiennent à cette version ultérieure, et les modes hybrides de Small 4 ne doivent pas davantage être transférés ici. Une image, un enregistrement audio ou une vidéo doit voir son contenu pertinent préparé par un autre composant avant cette tâche textuelle.
Les réglages de génération de 256 et 512 tokens de la fiche sont des exemples d’utilisation, et non des capacités maximales indépendantes de sortie. Gardez explicites l’identité exacte Instruct 2501, le tokenizer et le résultat demandé. Le livrable final utile est la réponse, l’enregistrement JSON ou la proposition de code dont le sens et le format correspondent à la tâche écrite originale.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00016 / 1K tokens Entrée · Lecture du cache — / 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00016 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "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-24b-instruct-2501',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-24b-instruct-2501',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-24b-instruct-2501
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 est un modèle textuel de 24 milliards de paramètres pour les instructions conversationnelles, l’extraction structurée et les applications assistées par des outils. Il offre un contexte de 32k annoncé par le fabricant, des réponses multilingues, le prompt système, JSON et les appels natifs de fonctions dans une version distincte purement textuelle.
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 Instruct 2501 est la version de Mistral Small 3 adaptée au suivi d’instructions, dotée de 24 milliards de paramètres. Elle est ajustée à partir du modèle Small 24B Base 2501 nommé séparément. Le fabricant la destine à l’assistance conversationnelle réactive, aux appels de fonctions et à l’adaptation spécialisée, avec du texte en entrée comme en sortie.
Fonctions principales et particularités de l’entraînement
La fiche du modèle documente la prise en charge multilingue, les capacités de conversation et de raisonnement, l’appel natif de fonctions, la sortie JSON et le respect des prompts système. Sa fenêtre de contexte est de 32k, et il utilise un tokenizer Tekken avec un vocabulaire indiqué à 131k. L’indication de contexte concerne le texte conservé pour la tâche, tandis que celle du vocabulaire décrit la tokenisation ; ce sont des spécifications distinctes.
Le fabricant cite notamment l’anglais, le français, l’allemand, l’espagnol, l’italien, le chinois, le japonais, le coréen, le portugais, le néerlandais et le polonais, le russe figurant aussi dans les métadonnées linguistiques de la fiche publiée. Définissez la langue finale et les termes à conserver. Une explication traduite peut préserver identifiants, noms et unités tout en adaptant la prose environnante au lecteur.
L’annonce de la version indique que Small 3 n’est entraîné ni par renforcement ni sur des données synthétiques, et distingue les points de contrôle préentraînés de ceux adaptés aux instructions. Elle décrit le modèle comme une base personnalisable davantage, plutôt que comme un point de contrôle hybride doté des contrôles de raisonnement ultérieurs de Small 4. Cette entrée correspond à l’édition Instruct 2501 pour le suivi d’une tâche conversationnelle.
Tâches conversationnelles et structurées
Pour un assistant de type support, fournissez la question utilisateur, les références pertinentes et les règles de réponse. Demandez l’action qui répond à la question et la condition de son application. Une sortie pratique peut séparer une réponse concise des champs extraits nécessaires à l’étape suivante de l’application, plutôt que de les mélanger dans une explication non structurée.
Pour la classification, fournissez les étiquettes autorisées et les distinctions entre elles. Pour l’extraction, nommez les champs, les types attendus et la représentation des informations manquantes. Un enregistrement peut contenir la catégorie du problème, un identifiant copié du message et un bref résumé de l’action demandée. JSON organise le résultat, tandis que la conception des champs et les règles d’interprétation restent propres à la tâche fournie.
Pour expliquer du code, incluez la fonction, les déclarations pertinentes et une entrée concrète. Demandez quel chemin dans le code détermine le résultat. Pour une explication mathématique, définissez variables et hypothèses et identifiez l’expression ou l’affirmation à établir. Ces tâches textuelles peuvent retourner une méthode, une explication et un livrable final sans supposer que le modèle exécute lui-même le code ou un calcul externe.
Instructions système et réglages recommandés
La fiche recommande un prompt système adapté à l’assistant prévu et une température relativement basse, comme 0,15. Utilisez l’instruction système pour définir le rôle, le style et les règles de réponse, tandis que le message utilisateur contient le problème ou les sources réels. Séparez les instructions citées dans un document de celles de l’application indiquant comment traiter ce document.
Pour un assistant quotidien, précisez si le résultat doit être une réponse courte, un enregistrement structuré ou une explication longue. Si une réponse doit être analysée automatiquement, demandez l’enregistrement séparément de la prose facultative. Dans un processus documentaire répété, conservez l’identifiant source à côté de chaque résultat afin que l’application puisse retourner les bons éléments à l’utilisateur.
Appels de fonctions et spécialisation
Le modèle peut sélectionner une fonction décrite et produire ses arguments. L’application exécute l’opération et renvoie le résultat avec l’appel d’outil correspondant, après quoi la réponse suivante peut utiliser l’information. L’exemple de la fiche montre une conversation comprenant une utilisation antérieure d’outils suivie d’une nouvelle question. L’assistant peut ainsi demander des informations aux outils connectés sans considérer un appel proposé comme une recherche terminée.
Décrivez clairement l’objectif de chaque fonction et ses valeurs requises. Une recherche peut nommer l’information nécessaire et retourner le résultat réel de l’outil à la conversation ; une fonction de traitement de texte peut fournir un passage transformé pour la réponse suivante. Gardez un ensemble d’outils lié au processus actuel et préservez le lien entre l’opération proposée et son résultat.
Le fabricant décrit également l’ajustement fin pour une spécialisation métier. Ce processus modifie un modèle pour un domaine défini ; fournir un document dans une conversation constitue plutôt un conditionnement par les sources pour cette tâche. Fournissez les éléments métier et les exigences de réponse nécessaires à l’assistant particulier, au lieu de supposer qu’une personnalisation a déjà été réalisée.
Contexte et limites de fond
Small 3 2501 est un modèle purement textuel avec un contexte de 32k. La vision et le contexte de 128k introduits dans Small 3.1 appartiennent à cette version ultérieure, et les modes hybrides de Small 4 ne doivent pas davantage être transférés ici. Une image, un enregistrement audio ou une vidéo doit voir son contenu pertinent préparé par un autre composant avant cette tâche textuelle.
Les réglages de génération de 256 et 512 tokens de la fiche sont des exemples d’utilisation, et non des capacités maximales indépendantes de sortie. Gardez explicites l’identité exacte Instruct 2501, le tokenizer et le résultat demandé. Le livrable final utile est la réponse, l’enregistrement JSON ou la proposition de code dont le sens et le format correspondent à la tâche écrite originale.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00016 / 1K tokens Entrée · Lecture du cache — / 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 $0.0001 / 1K tokens Sortie · Tokens en sortie $0.00016 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-24b-instruct-2501', '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-24b-instruct-2501', '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-24b-instruct-2501
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.