A Ministral 3 3B Instruct 2512 a Mistral AI Ministral 3 családjának legkisebb, utasításkövetésre finomhangolt kiadása. A gyártó kompakt, utasításalapú alkalmazásokhoz ajánlja, többek között képaláírásokhoz, szövegosztályozáshoz, adatkinyeréshez, fordításhoz és rövid tartalmakhoz. A kiadott modellállapot FP8 pontosságot használ, és a szövegfeldolgozást vizuális bemeneti komponenssel egyesíti.
Modellkomponensek és képességek
A modellkártya 3,4 milliárd paraméteres nyelvi modellt és 0,4 milliárd paraméteres képfeldolgozó kódolót sorol fel. Dokumentált kontextusablaka 256 ezer token, a használati útmutatóban szereplő alapértelmezett beállított hossz pedig 262 144. Ezek a komponensméretek a 3B kiadásra vonatkoznak, nem a család 8B vagy 14B tagjára. A modell szöveget és képeket fogad, és szöveget generál, beleértve a JSON-formátumú rekordokat és a javasolt függvényhívásokat.
A gyártó több tucat nyelv támogatását írja le, köztük az angolét, franciáét, spanyolét, németét, olaszét, portugálét, hollandét, kínaiét, japánét, koreaiét és arabét. A rendszerprompt követését is kiemeli. Add meg a kívánt kimeneti nyelvet, valamint a változatlanul megőrzendő címkéket vagy kifejezéseket. Így a lefordított magyarázat vagy a kinyert rekord összhangban marad az alkalmazás tervezett használatával.
Célzott osztályozás és adatkinyerés
Osztályozási feladathoz add meg az engedélyezett címkéket, a köztük különbséget tevő szabályt és az osztályozandó üzenetet. Kérj egy kiválasztott címkét és a megadott üzenetre támaszkodó rövid magyarázatot. Ha a címkék nem egyértelműek, határozd meg, milyen információ különböztetné meg őket, ahelyett, hogy pusztán a nevükre hagyatkoznál. Így tömör, nagyobb munkafolyamatban is következetesen használható eredményt kapsz.
Adatkinyerésnél sorold fel a mezőket és típusaikat, és add meg, hogyan jelenjen meg a hiányzó információ. A kérés vonatkozhat például egy tétel azonosítójára, a kifejezetten leírt állapotra és a felhasználó által kért műveletre. Ha a pontos megfogalmazás számít, követeld meg a forrás szövegét; normalizált értéket akkor kérj, ha az alkalmazás megadja a normalizálás szabályát. A JSON-kimenet rendezi az eredményt; a mezők kialakítása továbbra is a feladat része, nem beépített, univerzális séma.
A kártya képaláírások és rövid tartalmak generálását is említi. Képaláíráshoz határozd meg, a kép mely részét kell leírni és kinek szól a leírás. Rövid magyarázathoz add meg a megőrzendő tényeket és a kívánt hosszt. Egy ügyféltámogatási válasz az eredeti kérdésből és a megadott útmutatásból tömör következő lépést készíthet, az alkalmazhatóságát meghatározó feltétellel együtt.
Vizuális és többnyelvű előkészítés
A képhez kapcsolj egyértelmű szöveges kérdést. Dokumentummező esetén őrizd meg a címkét, az értéket és az értelmezéshez szükséges környező tartalmat. Tárgyleírásnál add meg, melyik látható jellemző számít. A gyártó az 1:1-hez közeli képarányt ajánlja, és a nagyon keskeny vagy széles bemenetek kerülését; szükség szerint vágd a képet úgy, hogy a kérdéshez szükséges bizonyíték megmaradjon.
Fordításhoz add meg az eredeti szöveget, a célnyelvet és az esetleges terminológiai listát. A lefordított részletet külön kérd az opcionális magyarázattól. Többnyelvű osztályozási feladatban az alkalmazás címkéi változatlanok maradhatnak, miközben a kiválasztott címke magyarázata az olvasó nyelvén készül. Ezek meghatározott kimenetek, nem egy üzenet vagy kép kötetlen megvitatására irányuló kérések.
Eszközök és ajánlott beállítások
A natív függvényhívás lehetővé teszi, hogy az alkalmazás egy leírt művelettel kapcsolja össze a beszélgetést. A modell előkészíti a függvény argumentumait, az alkalmazás végrehajtja a függvényt, az eredmény pedig információként szolgál a következő válaszhoz. Egy lekérdezés pótolhat egy hiányzó értéket, egy számítási eszköz pedig a képből azonosított értékekkel dolgozhat. A szöveges modell önmagában nem hajtja végre a függvényt attól, hogy előállítja a nevét és argumentumait.
A gyártó a környezetet és a felhasználási esetet meghatározó rendszerutasítást ajánl, az eszközhasználati útmutatással együtt. Az eszközleírások legyenek egyértelműek, az eszközkészlet pedig a minimálisan szükséges műveletekre korlátozódjon. Szűk feladatkörű asszisztensnél egy kifejezett adatkinyerési vagy lekérdezési feladat könnyebben értelmezhető lehet, mint egy sok, egymástól független függvényt felsoroló prompt, amely nem ad kiválasztási szabályt.
A kártya alacsony temperature értékeket ajánl: mindennapi és éles használathoz 0.1 alatti értéket, külön mintavételezési megjegyzésében pedig a legtöbb felhasználási esethez 0.1 kezdőértéket. Kreatív tartalomhoz magasabb értékek is kipróbálhatók. Ezen ajánlások megadott hatóköre eltér; nem garantálják, hogy egyetlen mintavételezési beállítás minden kinyert értéket vagy osztályozást helyessé tesz.
Kiadás és kontextushatárok
A Ministral 3 minden modellmérethez külön Base, Instruct és Reasoning kiadást kínál. Ez a bejegyzés az Instruct 2512 modellállapotot azonosítja, nem egy automatikusan bekapcsolt következtetési módot vagy az előtanított alapmodellt. A gyártó a specializálást és a finomhangolást lehetséges alkalmazásként sorolja fel, de az aktuális utasításos feladat bemenetét, szabályait és kimenetét továbbra is egyértelműen meg kell határozni.
A releváns forrásanyagot és beszélgetést tartsd a beállított kontextuson belül, és azt a tömör eredményt kérd, amelyre az alkalmazás következő lépésének szüksége van. A használati útmutató lehetővé teszi a beállított kontextushossz csökkentését, ha a feladathoz nincs szükség a teljes ablakra. Az 512 tokenes generálási példa és egy nagy példabeli generálási keret önmagában nem dokumentált maximális kimeneti kapacitás. A képgeneráláshoz, hangkimenethez és külső műveletekhez további komponensek szükségesek ezen a szöveges eredményt adó modellen túl.
", "aboutText": "A Ministral 3 3B Instruct 2512 a Mistral AI Ministral 3 családjának legkisebb, utasításkövetésre finomhangolt kiadása. A gyártó kompakt, utasításalapú alkalmazásokhoz ajánlja, többek között képaláírásokhoz, szövegosztályozáshoz, adatkinyeréshez, fordításhoz és rövid tartalmakhoz. A kiadott modellállapot FP8 pontosságot használ, és a szövegfeldolgozást vizuális bemeneti komponenssel egyesíti.\n\nModellkomponensek és képességek\n\nA modellkártya 3,4 milliárd paraméteres nyelvi modellt és 0,4 milliárd paraméteres képfeldolgozó kódolót sorol fel. Dokumentált kontextusablaka 256 ezer token, a használati útmutatóban szereplő alapértelmezett beállított hossz pedig 262 144. Ezek a komponensméretek a 3B kiadásra vonatkoznak, nem a család 8B vagy 14B tagjára. A modell szöveget és képeket fogad, és szöveget generál, beleértve a JSON-formátumú rekordokat és a javasolt függvényhívásokat.\n\nA gyártó több tucat nyelv támogatását írja le, köztük az angolét, franciáét, spanyolét, németét, olaszét, portugálét, hollandét, kínaiét, japánét, koreaiét és arabét. A rendszerprompt követését is kiemeli. Add meg a kívánt kimeneti nyelvet, valamint a változatlanul megőrzendő címkéket vagy kifejezéseket. Így a lefordított magyarázat vagy a kinyert rekord összhangban marad az alkalmazás tervezett használatával.\n\nCélzott osztályozás és adatkinyerés\n\nOsztályozási feladathoz add meg az engedélyezett címkéket, a köztük különbséget tevő szabályt és az osztályozandó üzenetet. Kérj egy kiválasztott címkét és a megadott üzenetre támaszkodó rövid magyarázatot. Ha a címkék nem egyértelműek, határozd meg, milyen információ különböztetné meg őket, ahelyett, hogy pusztán a nevükre hagyatkoznál. Így tömör, nagyobb munkafolyamatban is következetesen használható eredményt kapsz.\n\nAdatkinyerésnél sorold fel a mezőket és típusaikat, és add meg, hogyan jelenjen meg a hiányzó információ. A kérés vonatkozhat például egy tétel azonosítójára, a kifejezetten leírt állapotra és a felhasználó által kért műveletre. Ha a pontos megfogalmazás számít, követeld meg a forrás szövegét; normalizált értéket akkor kérj, ha az alkalmazás megadja a normalizálás szabályát. A JSON-kimenet rendezi az eredményt; a mezők kialakítása továbbra is a feladat része, nem beépített, univerzális séma.\n\nA kártya képaláírások és rövid tartalmak generálását is említi. Képaláíráshoz határozd meg, a kép mely részét kell leírni és kinek szól a leírás. Rövid magyarázathoz add meg a megőrzendő tényeket és a kívánt hosszt. Egy ügyféltámogatási válasz az eredeti kérdésből és a megadott útmutatásból tömör következő lépést készíthet, az alkalmazhatóságát meghatározó feltétellel együtt.\n\nVizuális és többnyelvű előkészítés\n\nA képhez kapcsolj egyértelmű szöveges kérdést. Dokumentummező esetén őrizd meg a címkét, az értéket és az értelmezéshez szükséges környező tartalmat. Tárgyleírásnál add meg, melyik látható jellemző számít. A gyártó az 1:1-hez közeli képarányt ajánlja, és a nagyon keskeny vagy széles bemenetek kerülését; szükség szerint vágd a képet úgy, hogy a kérdéshez szükséges bizonyíték megmaradjon.\n\nFordításhoz add meg az eredeti szöveget, a célnyelvet és az esetleges terminológiai listát. A lefordított részletet külön kérd az opcionális magyarázattól. Többnyelvű osztályozási feladatban az alkalmazás címkéi változatlanok maradhatnak, miközben a kiválasztott címke magyarázata az olvasó nyelvén készül. Ezek meghatározott kimenetek, nem egy üzenet vagy kép kötetlen megvitatására irányuló kérések.\n\nEszközök és ajánlott beállítások\n\nA natív függvényhívás lehetővé teszi, hogy az alkalmazás egy leírt művelettel kapcsolja össze a beszélgetést. A modell előkészíti a függvény argumentumait, az alkalmazás végrehajtja a függvényt, az eredmény pedig információként szolgál a következő válaszhoz. Egy lekérdezés pótolhat egy hiányzó értéket, egy számítási eszköz pedig a képből azonosított értékekkel dolgozhat. A szöveges modell önmagában nem hajtja végre a függvényt attól, hogy előállítja a nevét és argumentumait.\n\nA gyártó a környezetet és a felhasználási esetet meghatározó rendszerutasítást ajánl, az eszközhasználati útmutatással együtt. Az eszközleírások legyenek egyértelműek, az eszközkészlet pedig a minimálisan szükséges műveletekre korlátozódjon. Szűk feladatkörű asszisztensnél egy kifejezett adatkinyerési vagy lekérdezési feladat könnyebben értelmezhető lehet, mint egy sok, egymástól független függvényt felsoroló prompt, amely nem ad kiválasztási szabályt.\n\nA kártya alacsony temperature értékeket ajánl: mindennapi és éles használathoz 0.1 alatti értéket, külön mintavételezési megjegyzésében pedig a legtöbb felhasználási esethez 0.1 kezdőértéket. Kreatív tartalomhoz magasabb értékek is kipróbálhatók. Ezen ajánlások megadott hatóköre eltér; nem garantálják, hogy egyetlen mintavételezési beállítás minden kinyert értéket vagy osztályozást helyessé tesz.\n\nKiadás és kontextushatárok\n\nA Ministral 3 minden modellmérethez külön Base, Instruct és Reasoning kiadást kínál. Ez a bejegyzés az Instruct 2512 modellállapotot azonosítja, nem egy automatikusan bekapcsolt következtetési módot vagy az előtanított alapmodellt. A gyártó a specializálást és a finomhangolást lehetséges alkalmazásként sorolja fel, de az aktuális utasításos feladat bemenetét, szabályait és kimenetét továbbra is egyértelműen meg kell határozni.\n\nA releváns forrásanyagot és beszélgetést tartsd a beállított kontextuson belül, és azt a tömör eredményt kérd, amelyre az alkalmazás következő lépésének szüksége van. A használati útmutató lehetővé teszi a beállított kontextushossz csökkentését, ha a feladathoz nincs szükség a teljes ablakra. Az 512 tokenes generálási példa és egy nagy példabeli generálási keret önmagában nem dokumentált maximális kimeneti kapacitás. A képgeneráláshoz, hangkimenethez és külső műveletekhez további komponensek szükségesek ezen a szöveges eredményt adó modellen túl.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512A Ministral 3 3B Instruct 2512 kompakt, többnyelvű, szöveget és képet fogadó modell osztályozáshoz, adatkinyeréshez, képaláírásokhoz és rövid tartalmakhoz. A 3,4 milliárd paraméteres nyelvi komponens és a 0,4 milliárd paraméteres képfeldolgozó kódoló rendszerutasításokat, JSON-t, függvényhívásokat és a gyártó szerint 256 ezer tokenes kontextust támogat.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Ministral 3 3B Instruct 2512 a Mistral AI Ministral 3 családjának legkisebb, utasításkövetésre finomhangolt kiadása. A gyártó kompakt, utasításalapú alkalmazásokhoz ajánlja, többek között képaláírásokhoz, szövegosztályozáshoz, adatkinyeréshez, fordításhoz és rövid tartalmakhoz. A kiadott modellállapot FP8 pontosságot használ, és a szövegfeldolgozást vizuális bemeneti komponenssel egyesíti.
Modellkomponensek és képességek
A modellkártya 3,4 milliárd paraméteres nyelvi modellt és 0,4 milliárd paraméteres képfeldolgozó kódolót sorol fel. Dokumentált kontextusablaka 256 ezer token, a használati útmutatóban szereplő alapértelmezett beállított hossz pedig 262 144. Ezek a komponensméretek a 3B kiadásra vonatkoznak, nem a család 8B vagy 14B tagjára. A modell szöveget és képeket fogad, és szöveget generál, beleértve a JSON-formátumú rekordokat és a javasolt függvényhívásokat.
A gyártó több tucat nyelv támogatását írja le, köztük az angolét, franciáét, spanyolét, németét, olaszét, portugálét, hollandét, kínaiét, japánét, koreaiét és arabét. A rendszerprompt követését is kiemeli. Add meg a kívánt kimeneti nyelvet, valamint a változatlanul megőrzendő címkéket vagy kifejezéseket. Így a lefordított magyarázat vagy a kinyert rekord összhangban marad az alkalmazás tervezett használatával.
Célzott osztályozás és adatkinyerés
Osztályozási feladathoz add meg az engedélyezett címkéket, a köztük különbséget tevő szabályt és az osztályozandó üzenetet. Kérj egy kiválasztott címkét és a megadott üzenetre támaszkodó rövid magyarázatot. Ha a címkék nem egyértelműek, határozd meg, milyen információ különböztetné meg őket, ahelyett, hogy pusztán a nevükre hagyatkoznál. Így tömör, nagyobb munkafolyamatban is következetesen használható eredményt kapsz.
Adatkinyerésnél sorold fel a mezőket és típusaikat, és add meg, hogyan jelenjen meg a hiányzó információ. A kérés vonatkozhat például egy tétel azonosítójára, a kifejezetten leírt állapotra és a felhasználó által kért műveletre. Ha a pontos megfogalmazás számít, követeld meg a forrás szövegét; normalizált értéket akkor kérj, ha az alkalmazás megadja a normalizálás szabályát. A JSON-kimenet rendezi az eredményt; a mezők kialakítása továbbra is a feladat része, nem beépített, univerzális séma.
A kártya képaláírások és rövid tartalmak generálását is említi. Képaláíráshoz határozd meg, a kép mely részét kell leírni és kinek szól a leírás. Rövid magyarázathoz add meg a megőrzendő tényeket és a kívánt hosszt. Egy ügyféltámogatási válasz az eredeti kérdésből és a megadott útmutatásból tömör következő lépést készíthet, az alkalmazhatóságát meghatározó feltétellel együtt.
Vizuális és többnyelvű előkészítés
A képhez kapcsolj egyértelmű szöveges kérdést. Dokumentummező esetén őrizd meg a címkét, az értéket és az értelmezéshez szükséges környező tartalmat. Tárgyleírásnál add meg, melyik látható jellemző számít. A gyártó az 1:1-hez közeli képarányt ajánlja, és a nagyon keskeny vagy széles bemenetek kerülését; szükség szerint vágd a képet úgy, hogy a kérdéshez szükséges bizonyíték megmaradjon.
Fordításhoz add meg az eredeti szöveget, a célnyelvet és az esetleges terminológiai listát. A lefordított részletet külön kérd az opcionális magyarázattól. Többnyelvű osztályozási feladatban az alkalmazás címkéi változatlanok maradhatnak, miközben a kiválasztott címke magyarázata az olvasó nyelvén készül. Ezek meghatározott kimenetek, nem egy üzenet vagy kép kötetlen megvitatására irányuló kérések.
Eszközök és ajánlott beállítások
A natív függvényhívás lehetővé teszi, hogy az alkalmazás egy leírt művelettel kapcsolja össze a beszélgetést. A modell előkészíti a függvény argumentumait, az alkalmazás végrehajtja a függvényt, az eredmény pedig információként szolgál a következő válaszhoz. Egy lekérdezés pótolhat egy hiányzó értéket, egy számítási eszköz pedig a képből azonosított értékekkel dolgozhat. A szöveges modell önmagában nem hajtja végre a függvényt attól, hogy előállítja a nevét és argumentumait.
A gyártó a környezetet és a felhasználási esetet meghatározó rendszerutasítást ajánl, az eszközhasználati útmutatással együtt. Az eszközleírások legyenek egyértelműek, az eszközkészlet pedig a minimálisan szükséges műveletekre korlátozódjon. Szűk feladatkörű asszisztensnél egy kifejezett adatkinyerési vagy lekérdezési feladat könnyebben értelmezhető lehet, mint egy sok, egymástól független függvényt felsoroló prompt, amely nem ad kiválasztási szabályt.
A kártya alacsony temperature értékeket ajánl: mindennapi és éles használathoz 0.1 alatti értéket, külön mintavételezési megjegyzésében pedig a legtöbb felhasználási esethez 0.1 kezdőértéket. Kreatív tartalomhoz magasabb értékek is kipróbálhatók. Ezen ajánlások megadott hatóköre eltér; nem garantálják, hogy egyetlen mintavételezési beállítás minden kinyert értéket vagy osztályozást helyessé tesz.
Kiadás és kontextushatárok
A Ministral 3 minden modellmérethez külön Base, Instruct és Reasoning kiadást kínál. Ez a bejegyzés az Instruct 2512 modellállapotot azonosítja, nem egy automatikusan bekapcsolt következtetési módot vagy az előtanított alapmodellt. A gyártó a specializálást és a finomhangolást lehetséges alkalmazásként sorolja fel, de az aktuális utasításos feladat bemenetét, szabályait és kimenetét továbbra is egyértelműen meg kell határozni.
A releváns forrásanyagot és beszélgetést tartsd a beállított kontextuson belül, és azt a tömör eredményt kérd, amelyre az alkalmazás következő lépésének szüksége van. A használati útmutató lehetővé teszi a beállított kontextushossz csökkentését, ha a feladathoz nincs szükség a teljes ablakra. Az 512 tokenes generálási példa és egy nagy példabeli generálási keret önmagában nem dokumentált maximális kimeneti kapacitás. A képgeneráláshoz, hangkimenethez és külső műveletekhez további komponensek szükségesek ezen a szöveges eredményt adó modellen túl.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok mistralai/ministral-3b-2512 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.00066 / 1K token Kimenet · Kimeneti tokenek $0.00066 / 1K token Bemenet · Gyorsítótár olvasása $0.00002 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.00066 / 1K token Kimenet · Kimeneti tokenek $0.00066 / 1K token Bemenet · Gyorsítótár olvasása $0.00002 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/ministral-3b-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra mistralai/ministral-3b-2512
Használja a fent látható metódusútvonalakat.
mistralai/ministral-3b-2512A Ministral 3 3B Instruct 2512 kompakt, többnyelvű, szöveget és képet fogadó modell osztályozáshoz, adatkinyeréshez, képaláírásokhoz és rövid tartalmakhoz. A 3,4 milliárd paraméteres nyelvi komponens és a 0,4 milliárd paraméteres képfeldolgozó kódoló rendszerutasításokat, JSON-t, függvényhívásokat és a gyártó szerint 256 ezer tokenes kontextust támogat.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Ministral 3 3B Instruct 2512 a Mistral AI Ministral 3 családjának legkisebb, utasításkövetésre finomhangolt kiadása. A gyártó kompakt, utasításalapú alkalmazásokhoz ajánlja, többek között képaláírásokhoz, szövegosztályozáshoz, adatkinyeréshez, fordításhoz és rövid tartalmakhoz. A kiadott modellállapot FP8 pontosságot használ, és a szövegfeldolgozást vizuális bemeneti komponenssel egyesíti.
Modellkomponensek és képességek
A modellkártya 3,4 milliárd paraméteres nyelvi modellt és 0,4 milliárd paraméteres képfeldolgozó kódolót sorol fel. Dokumentált kontextusablaka 256 ezer token, a használati útmutatóban szereplő alapértelmezett beállított hossz pedig 262 144. Ezek a komponensméretek a 3B kiadásra vonatkoznak, nem a család 8B vagy 14B tagjára. A modell szöveget és képeket fogad, és szöveget generál, beleértve a JSON-formátumú rekordokat és a javasolt függvényhívásokat.
A gyártó több tucat nyelv támogatását írja le, köztük az angolét, franciáét, spanyolét, németét, olaszét, portugálét, hollandét, kínaiét, japánét, koreaiét és arabét. A rendszerprompt követését is kiemeli. Add meg a kívánt kimeneti nyelvet, valamint a változatlanul megőrzendő címkéket vagy kifejezéseket. Így a lefordított magyarázat vagy a kinyert rekord összhangban marad az alkalmazás tervezett használatával.
Célzott osztályozás és adatkinyerés
Osztályozási feladathoz add meg az engedélyezett címkéket, a köztük különbséget tevő szabályt és az osztályozandó üzenetet. Kérj egy kiválasztott címkét és a megadott üzenetre támaszkodó rövid magyarázatot. Ha a címkék nem egyértelműek, határozd meg, milyen információ különböztetné meg őket, ahelyett, hogy pusztán a nevükre hagyatkoznál. Így tömör, nagyobb munkafolyamatban is következetesen használható eredményt kapsz.
Adatkinyerésnél sorold fel a mezőket és típusaikat, és add meg, hogyan jelenjen meg a hiányzó információ. A kérés vonatkozhat például egy tétel azonosítójára, a kifejezetten leírt állapotra és a felhasználó által kért műveletre. Ha a pontos megfogalmazás számít, követeld meg a forrás szövegét; normalizált értéket akkor kérj, ha az alkalmazás megadja a normalizálás szabályát. A JSON-kimenet rendezi az eredményt; a mezők kialakítása továbbra is a feladat része, nem beépített, univerzális séma.
A kártya képaláírások és rövid tartalmak generálását is említi. Képaláíráshoz határozd meg, a kép mely részét kell leírni és kinek szól a leírás. Rövid magyarázathoz add meg a megőrzendő tényeket és a kívánt hosszt. Egy ügyféltámogatási válasz az eredeti kérdésből és a megadott útmutatásból tömör következő lépést készíthet, az alkalmazhatóságát meghatározó feltétellel együtt.
Vizuális és többnyelvű előkészítés
A képhez kapcsolj egyértelmű szöveges kérdést. Dokumentummező esetén őrizd meg a címkét, az értéket és az értelmezéshez szükséges környező tartalmat. Tárgyleírásnál add meg, melyik látható jellemző számít. A gyártó az 1:1-hez közeli képarányt ajánlja, és a nagyon keskeny vagy széles bemenetek kerülését; szükség szerint vágd a képet úgy, hogy a kérdéshez szükséges bizonyíték megmaradjon.
Fordításhoz add meg az eredeti szöveget, a célnyelvet és az esetleges terminológiai listát. A lefordított részletet külön kérd az opcionális magyarázattól. Többnyelvű osztályozási feladatban az alkalmazás címkéi változatlanok maradhatnak, miközben a kiválasztott címke magyarázata az olvasó nyelvén készül. Ezek meghatározott kimenetek, nem egy üzenet vagy kép kötetlen megvitatására irányuló kérések.
Eszközök és ajánlott beállítások
A natív függvényhívás lehetővé teszi, hogy az alkalmazás egy leírt művelettel kapcsolja össze a beszélgetést. A modell előkészíti a függvény argumentumait, az alkalmazás végrehajtja a függvényt, az eredmény pedig információként szolgál a következő válaszhoz. Egy lekérdezés pótolhat egy hiányzó értéket, egy számítási eszköz pedig a képből azonosított értékekkel dolgozhat. A szöveges modell önmagában nem hajtja végre a függvényt attól, hogy előállítja a nevét és argumentumait.
A gyártó a környezetet és a felhasználási esetet meghatározó rendszerutasítást ajánl, az eszközhasználati útmutatással együtt. Az eszközleírások legyenek egyértelműek, az eszközkészlet pedig a minimálisan szükséges műveletekre korlátozódjon. Szűk feladatkörű asszisztensnél egy kifejezett adatkinyerési vagy lekérdezési feladat könnyebben értelmezhető lehet, mint egy sok, egymástól független függvényt felsoroló prompt, amely nem ad kiválasztási szabályt.
A kártya alacsony temperature értékeket ajánl: mindennapi és éles használathoz 0.1 alatti értéket, külön mintavételezési megjegyzésében pedig a legtöbb felhasználási esethez 0.1 kezdőértéket. Kreatív tartalomhoz magasabb értékek is kipróbálhatók. Ezen ajánlások megadott hatóköre eltér; nem garantálják, hogy egyetlen mintavételezési beállítás minden kinyert értéket vagy osztályozást helyessé tesz.
Kiadás és kontextushatárok
A Ministral 3 minden modellmérethez külön Base, Instruct és Reasoning kiadást kínál. Ez a bejegyzés az Instruct 2512 modellállapotot azonosítja, nem egy automatikusan bekapcsolt következtetési módot vagy az előtanított alapmodellt. A gyártó a specializálást és a finomhangolást lehetséges alkalmazásként sorolja fel, de az aktuális utasításos feladat bemenetét, szabályait és kimenetét továbbra is egyértelműen meg kell határozni.
A releváns forrásanyagot és beszélgetést tartsd a beállított kontextuson belül, és azt a tömör eredményt kérd, amelyre az alkalmazás következő lépésének szüksége van. A használati útmutató lehetővé teszi a beállított kontextushossz csökkentését, ha a feladathoz nincs szükség a teljes ablakra. Az 512 tokenes generálási példa és egy nagy példabeli generálási keret önmagában nem dokumentált maximális kimeneti kapacitás. A képgeneráláshoz, hangkimenethez és külső műveletekhez további komponensek szükségesek ezen a szöveges eredményt adó modellen túl.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok mistralai/ministral-3b-2512 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.00066 / 1K token Kimenet · Kimeneti tokenek $0.00066 / 1K token Bemenet · Gyorsítótár olvasása $0.00002 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.00066 / 1K token Kimenet · Kimeneti tokenek $0.00066 / 1K token Bemenet · Gyorsítótár olvasása $0.00002 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra mistralai/ministral-3b-2512
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.