Mistral Small 4 réunit le suivi général d’instructions, le raisonnement et la programmation dans un modèle multimodal unique. Le fabricant le décrit comme unifiant les familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON pour les applications assistées par des outils.
Architecture et fonctions principales
La version compte 119 milliards de paramètres au total et en active 6,5 milliards par token. Son architecture à mélange d’experts comporte 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle ; il se distingue de la quantité de texte ou d’images incluse dans une tâche.
Le modèle fournit les fonctions d’instructions et de raisonnement dans le même point de contrôle. Le fabricant cite aussi la vision, le respect du prompt système et une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Une instruction textuelle peut donc interroger une image ou associer une exigence écrite à des éléments visibles, avec une réponse textuelle.
Une tâche visuelle peut fournir une page documentaire et demander les valeurs utiles à une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture d’écran à l’objectif utilisateur et demander la commande visible pertinente et les éléments justifiant une prochaine étape proposée.
Choisir le mode instructions ou raisonnement
La fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de type instruction et high pour le raisonnement, high étant recommandé pour les prompts complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification ordinaire ou une réécriture courte peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de programmation nécessitant une explication développée.
Le fabricant recommande temperature 0.7 pour l’effort de raisonnement high. Pour none, il précise des températures entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie d’exactitude. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées suivies de l’expression finale. Pour le code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et du raisonnement visuel, illustrant l’entrée d’éléments textuels et visuels dans ces différentes tâches.
Programmation, documents et outils
Le modèle est destiné à l’exploration de code et aux agents de génie logiciel, aux assistants généralistes, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources pertinentes et les éléments attestant l’échec. Le modèle peut proposer l’opération suivante ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et les retours.
Pour une extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer identifiant documentaire, énoncé source, exigence interprétée et question non résolue. La fiche de service du fabricant mentionne les sorties structurées personnalisées et les questions sur documents ; ces dernières utilisent le traitement documentaire et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent garder leur propre préparation d’entrée.
L’appel de fonctions exige des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments ; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La même logique s’applique à une recherche, à un calcul ou à une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe ; les deux ne doivent pas être considérés comme des résultats interchangeables.
La fiche de service mentionne aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites servent lorsqu’un document ou fichier de code doit être régénéré avec une modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début de réponse connu, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Périmètre du contexte et de l’édition
Organisez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée selon le contexte documenté de 256k. L’exemple d’utilisation publié configure un contexte de 262 144 tokens, tandis que son exemple de génération de 1 024 tokens ne constitue pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit hériter ni de l’architecture dense de 128 milliards de paramètres de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie aussi des artefacts quantifiés et de décodage spéculatif distincts ; ce sont des artefacts de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la version Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.
", "aboutText": "Mistral Small 4 réunit le suivi général d’instructions, le raisonnement et la programmation dans un modèle multimodal unique. Le fabricant le décrit comme unifiant les familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON pour les applications assistées par des outils.\n\nArchitecture et fonctions principales\n\nLa version compte 119 milliards de paramètres au total et en active 6,5 milliards par token. Son architecture à mélange d’experts comporte 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle ; il se distingue de la quantité de texte ou d’images incluse dans une tâche.\n\nLe modèle fournit les fonctions d’instructions et de raisonnement dans le même point de contrôle. Le fabricant cite aussi la vision, le respect du prompt système et une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Une instruction textuelle peut donc interroger une image ou associer une exigence écrite à des éléments visibles, avec une réponse textuelle.\n\nUne tâche visuelle peut fournir une page documentaire et demander les valeurs utiles à une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture d’écran à l’objectif utilisateur et demander la commande visible pertinente et les éléments justifiant une prochaine étape proposée.\n\nChoisir le mode instructions ou raisonnement\n\nLa fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de type instruction et high pour le raisonnement, high étant recommandé pour les prompts complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification ordinaire ou une réécriture courte peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de programmation nécessitant une explication développée.\n\nLe fabricant recommande temperature 0.7 pour l’effort de raisonnement high. Pour none, il précise des températures entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie d’exactitude. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.\n\nPour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées suivies de l’expression finale. Pour le code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et du raisonnement visuel, illustrant l’entrée d’éléments textuels et visuels dans ces différentes tâches.\n\nProgrammation, documents et outils\n\nLe modèle est destiné à l’exploration de code et aux agents de génie logiciel, aux assistants généralistes, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources pertinentes et les éléments attestant l’échec. Le modèle peut proposer l’opération suivante ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et les retours.\n\nPour une extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer identifiant documentaire, énoncé source, exigence interprétée et question non résolue. La fiche de service du fabricant mentionne les sorties structurées personnalisées et les questions sur documents ; ces dernières utilisent le traitement documentaire et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent garder leur propre préparation d’entrée.\n\nL’appel de fonctions exige des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments ; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La même logique s’applique à une recherche, à un calcul ou à une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe ; les deux ne doivent pas être considérés comme des résultats interchangeables.\n\nLa fiche de service mentionne aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites servent lorsqu’un document ou fichier de code doit être régénéré avec une modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début de réponse connu, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.\n\nPérimètre du contexte et de l’édition\n\nOrganisez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée selon le contexte documenté de 256k. L’exemple d’utilisation publié configure un contexte de 262 144 tokens, tandis que son exemple de génération de 1 024 tokens ne constitue pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.\n\nSmall 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit hériter ni de l’architecture dense de 128 milliards de paramètres de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie aussi des artefacts quantifiés et de décodage spéculatif distincts ; ce sont des artefacts de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la version Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 est un modèle hybride de texte et d’image doté de capacités d’instructions, de raisonnement et de programmation. Sa version à mélange d’experts de 119 milliards de paramètres en active 6,5 milliards par token et prend en charge un contexte de 256k annoncé par le fabricant, un effort de raisonnement sélectionnable, JSON et les appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 4 réunit le suivi général d’instructions, le raisonnement et la programmation dans un modèle multimodal unique. Le fabricant le décrit comme unifiant les familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON pour les applications assistées par des outils.
Architecture et fonctions principales
La version compte 119 milliards de paramètres au total et en active 6,5 milliards par token. Son architecture à mélange d’experts comporte 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle ; il se distingue de la quantité de texte ou d’images incluse dans une tâche.
Le modèle fournit les fonctions d’instructions et de raisonnement dans le même point de contrôle. Le fabricant cite aussi la vision, le respect du prompt système et une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Une instruction textuelle peut donc interroger une image ou associer une exigence écrite à des éléments visibles, avec une réponse textuelle.
Une tâche visuelle peut fournir une page documentaire et demander les valeurs utiles à une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture d’écran à l’objectif utilisateur et demander la commande visible pertinente et les éléments justifiant une prochaine étape proposée.
Choisir le mode instructions ou raisonnement
La fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de type instruction et high pour le raisonnement, high étant recommandé pour les prompts complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification ordinaire ou une réécriture courte peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de programmation nécessitant une explication développée.
Le fabricant recommande temperature 0.7 pour l’effort de raisonnement high. Pour none, il précise des températures entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie d’exactitude. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées suivies de l’expression finale. Pour le code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et du raisonnement visuel, illustrant l’entrée d’éléments textuels et visuels dans ces différentes tâches.
Programmation, documents et outils
Le modèle est destiné à l’exploration de code et aux agents de génie logiciel, aux assistants généralistes, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources pertinentes et les éléments attestant l’échec. Le modèle peut proposer l’opération suivante ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et les retours.
Pour une extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer identifiant documentaire, énoncé source, exigence interprétée et question non résolue. La fiche de service du fabricant mentionne les sorties structurées personnalisées et les questions sur documents ; ces dernières utilisent le traitement documentaire et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent garder leur propre préparation d’entrée.
L’appel de fonctions exige des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments ; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La même logique s’applique à une recherche, à un calcul ou à une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe ; les deux ne doivent pas être considérés comme des résultats interchangeables.
La fiche de service mentionne aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites servent lorsqu’un document ou fichier de code doit être régénéré avec une modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début de réponse connu, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Périmètre du contexte et de l’édition
Organisez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée selon le contexte documenté de 256k. L’exemple d’utilisation publié configure un contexte de 262 144 tokens, tandis que son exemple de génération de 1 024 tokens ne constitue pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit hériter ni de l’architecture dense de 128 milliards de paramètres de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie aussi des artefacts quantifiés et de décodage spéculatif distincts ; ce sont des artefacts de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la version Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-2603 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-2603", "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-2603',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-2603',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-2603
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-small-2603Mistral Small 4 est un modèle hybride de texte et d’image doté de capacités d’instructions, de raisonnement et de programmation. Sa version à mélange d’experts de 119 milliards de paramètres en active 6,5 milliards par token et prend en charge un contexte de 256k annoncé par le fabricant, un effort de raisonnement sélectionnable, JSON et les appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 4 réunit le suivi général d’instructions, le raisonnement et la programmation dans un modèle multimodal unique. Le fabricant le décrit comme unifiant les familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON pour les applications assistées par des outils.
Architecture et fonctions principales
La version compte 119 milliards de paramètres au total et en active 6,5 milliards par token. Son architecture à mélange d’experts comporte 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle ; il se distingue de la quantité de texte ou d’images incluse dans une tâche.
Le modèle fournit les fonctions d’instructions et de raisonnement dans le même point de contrôle. Le fabricant cite aussi la vision, le respect du prompt système et une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Une instruction textuelle peut donc interroger une image ou associer une exigence écrite à des éléments visibles, avec une réponse textuelle.
Une tâche visuelle peut fournir une page documentaire et demander les valeurs utiles à une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture d’écran à l’objectif utilisateur et demander la commande visible pertinente et les éléments justifiant une prochaine étape proposée.
Choisir le mode instructions ou raisonnement
La fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de type instruction et high pour le raisonnement, high étant recommandé pour les prompts complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification ordinaire ou une réécriture courte peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de programmation nécessitant une explication développée.
Le fabricant recommande temperature 0.7 pour l’effort de raisonnement high. Pour none, il précise des températures entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie d’exactitude. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées suivies de l’expression finale. Pour le code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et du raisonnement visuel, illustrant l’entrée d’éléments textuels et visuels dans ces différentes tâches.
Programmation, documents et outils
Le modèle est destiné à l’exploration de code et aux agents de génie logiciel, aux assistants généralistes, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources pertinentes et les éléments attestant l’échec. Le modèle peut proposer l’opération suivante ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et les retours.
Pour une extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer identifiant documentaire, énoncé source, exigence interprétée et question non résolue. La fiche de service du fabricant mentionne les sorties structurées personnalisées et les questions sur documents ; ces dernières utilisent le traitement documentaire et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent garder leur propre préparation d’entrée.
L’appel de fonctions exige des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments ; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La même logique s’applique à une recherche, à un calcul ou à une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe ; les deux ne doivent pas être considérés comme des résultats interchangeables.
La fiche de service mentionne aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites servent lorsqu’un document ou fichier de code doit être régénéré avec une modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début de réponse connu, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Périmètre du contexte et de l’édition
Organisez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée selon le contexte documenté de 256k. L’exemple d’utilisation publié configure un contexte de 262 144 tokens, tandis que son exemple de génération de 1 024 tokens ne constitue pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit hériter ni de l’architecture dense de 128 milliards de paramètres de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie aussi des artefacts quantifiés et de décodage spéculatif distincts ; ce sont des artefacts de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la version Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-2603 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0003 / 1K tokens Sortie · Tokens en sortie $0.0012 / 1K tokens Entrée · Lecture du cache $0.00003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2603', '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-2603', '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-2603
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.