A Mistral Small 3.1 24B Instruct 2503 a Small 3 2501-re épít: vizuális értelmezést ad hozzá, és a hosszú kontextus támogatását 128 ezer tokenre bővíti. 24 milliárd paramétere van, és a külön megnevezett Small 3.1 Base kiadásból finomhangolták utasításkövetésre. A modell szöveget és képeket fogad, és szöveget állít elő, például magyarázatot, kódot vagy strukturált rekordot.
Fő képességek
A látás lehetővé teszi, hogy a modell a felhasználó kérdése mellett látható anyagot is elemezzen. Dokumentumkép adhatja a vizsgálandó mezőt vagy állítást, ábra a magyarázandó kapcsolatot, diagram pedig az összehasonlítás mögötti adatokat. A címkék, mértékegységek és releváns környező tartalmak maradjanak olvashatók, hogy a kérdés a képen ténylegesen szereplő bizonyítékra utaljon.
A gyártó több tucat nyelv támogatását sorolja fel, köztük az oroszét, angolét, franciáét, németét, görögét, hindiét, indonézét, olaszét, japánét, koreaiét, malájét, nepáliét, lengyelét, portugálét, románét, szerbét, spanyolét, svédét, törökét, ukránét, vietnámiét, arabét, bengáliét, kínaiét és perzsáét. Többnyelvű válaszhoz határozd meg a célnyelvet, az olvasót és a terminológiát. A nevek, idézett címkék, változóazonosítók és mértékegységek változatlanok maradhatnak, miközben a környező próza átalakul.
A kártya társalgási és következtetési képességeket, natív függvényhívást, JSON-kimenetet és rendszerprompt-követést is leír. Tokenizere a Tekken, 131 ezer eleműként jelölt szókészlettel. Ezek a megnevezett, utasításkövetésre finomhangolt kiadás funkciói; a Base kiadás más szerepet szolgál, a későbbi Small 3.2 és Small 4 kiadások pedig saját változásaikkal és módjaikkal rendelkeznek.
Dokumentum-, programozási és matematikai előkészítés
Hosszú dokumentumos feladathoz azonosítsd a dokumentumokat, és tegyél fel egy meghatározott kérdést. Összehasonlításnál kérhetsz követelménymátrixot az állítással, forrásszakaszával és a dokumentumok közötti esetleges eltéréssel. Összefoglalóban kérheted csak a megnevezett változáshoz releváns anyagot. A hosszú kontextus együtt tartja e forrásokat, miközben a végső válasz tömör maradhat.
Programozási magyarázathoz add meg a függvényt és a bemenetet, amelynek működését végig kell követni. Mellékeld a releváns segédfüggvényeket vagy deklarációkat, és kérdezd meg, hogyan változik az állapot az érték visszaadása előtt. Javasolt módosításhoz add meg a követelményt, a megőrzendő nyilvános interfészt és az elvárt kimenetet. Az átdolgozott kódot külön kérd a magyarázattól és a példáktól.
Matematikai feladatnál a levezetés kérése előtt határozd meg a jelöléseket és az értelmezési tartomány feltételeit. Add meg, hogy a végső eredmény pontos, kerekített vagy egy állítás bizonyítása legyen. Ha a feltétel képen jelenik meg, a képlet és a kapcsolódó címkék legyenek egyértelműek, és kérd a modelltől e jelölés megőrzését a válaszban. Ezekkel az előkészítésekkel a modell dokumentált programozási és matematikai következtetési hangsúlya ellenőrizhető eredményanyaggá válik.
Utasításformátum és ajánlott használat
A gyártó V7-Tekken beszélgetési sablont tesz közzé, amely megkülönbözteti a rendszer-, felhasználói és asszisztensszerepeket, és a hozzá illő tokenizermegvalósítás használatát ajánlja irányadóként. A rendszerutasítás az asszisztens szerepét és válaszszabályait határozza meg, a felhasználói üzenet pedig a tényleges feladatot és forrásanyagot tartalmazza. A helyes beszélgetésformázás eltér attól, hogy szerepszerű címkéket teszel egy idézett dokumentumba.
A kártya viszonylag alacsony, például 0.15 temperature értéket és a felhasználási esethez igazított rendszerpromptot ajánl. Határozd meg a kimeneti mezőket vagy szakaszokat és az átírásban megőrzendő feltételeket. Ismételt adatkinyeréshez kérj JSON-t megadott nevekkel és típusokkal, valamint a forrásból hiányzó értékek jelölésével. Magyarázó bekezdés külön adható vissza, ha embernek kell megvizsgálnia az értelmezést.
Függvényhívási munkafolyamat
A modell kiválaszthat egy függvényt az alkalmazás által leírt eszközökből, és előállíthatja argumentumait. Az alkalmazás végrehajtja a függvényt, az eredményt a megfelelő eszközhívással együtt visszaadja, a modell pedig egy későbbi válaszban használja azt. A gyártó példája bemutatja ezt a beszélgetési ciklust, korábbi eszközhasználattal és új felhasználói kérdéssel együtt. A javasolt lekérdezés ezért elkülönül a lekérdezés által ténylegesen visszaadott adatoktól.
Gyakorlati asszisztens először kinyerhet egy kérdést a dokumentumból, majd megadott referenciafüggvénnyel beszerezhet egy hiányzó feltételt. Írd le a függvényt egyértelműen, add meg kötelező argumentumait, és a visszaadott eredményt tartsd az eredeti művelethez kapcsolva. A JSON szöveges eredményt rendez; a függvényhívás kapcsolódó műveletet kér, nem észrevétlenül hajt végre kódot vagy olvas adatbázist.
Tartalmi korlátok
A dokumentált vizuális képesség képeket olvas; nem generálja őket. A kiadott kártya asszisztensútmutatója a hang- és videóátírástól is megkülönbözteti ezt a modellt, így szóbeli vagy videós kérdés releváns tartalmát megfelelő, külön előkészítési lépésben kell megadni. A webhozzáférés és a külső műveletek szintén kapcsolódó eszközökből származnak, nem önmagában a szöveget és képet fogadó modellből.
A 128 ezer tokenes kontextus a feladat bemenetére és generált beszélgetésére vonatkozik, míg a kártya 512 tokenes generálási példája csak példabeállítás. A feldolgozott források nem adnak meg külön, szigorú válaszhossz-kapacitást. Őrizd meg a pontos Instruct 2503 kiadást, beszélgetésformátumát és a kért magyarázatot, rekordot vagy kódanyagot.
", "aboutText": "A Mistral Small 3.1 24B Instruct 2503 a Small 3 2501-re épít: vizuális értelmezést ad hozzá, és a hosszú kontextus támogatását 128 ezer tokenre bővíti. 24 milliárd paramétere van, és a külön megnevezett Small 3.1 Base kiadásból finomhangolták utasításkövetésre. A modell szöveget és képeket fogad, és szöveget állít elő, például magyarázatot, kódot vagy strukturált rekordot.\n\nFő képességek\n\nA látás lehetővé teszi, hogy a modell a felhasználó kérdése mellett látható anyagot is elemezzen. Dokumentumkép adhatja a vizsgálandó mezőt vagy állítást, ábra a magyarázandó kapcsolatot, diagram pedig az összehasonlítás mögötti adatokat. A címkék, mértékegységek és releváns környező tartalmak maradjanak olvashatók, hogy a kérdés a képen ténylegesen szereplő bizonyítékra utaljon.\n\nA gyártó több tucat nyelv támogatását sorolja fel, köztük az oroszét, angolét, franciáét, németét, görögét, hindiét, indonézét, olaszét, japánét, koreaiét, malájét, nepáliét, lengyelét, portugálét, románét, szerbét, spanyolét, svédét, törökét, ukránét, vietnámiét, arabét, bengáliét, kínaiét és perzsáét. Többnyelvű válaszhoz határozd meg a célnyelvet, az olvasót és a terminológiát. A nevek, idézett címkék, változóazonosítók és mértékegységek változatlanok maradhatnak, miközben a környező próza átalakul.\n\nA kártya társalgási és következtetési képességeket, natív függvényhívást, JSON-kimenetet és rendszerprompt-követést is leír. Tokenizere a Tekken, 131 ezer eleműként jelölt szókészlettel. Ezek a megnevezett, utasításkövetésre finomhangolt kiadás funkciói; a Base kiadás más szerepet szolgál, a későbbi Small 3.2 és Small 4 kiadások pedig saját változásaikkal és módjaikkal rendelkeznek.\n\nDokumentum-, programozási és matematikai előkészítés\n\nHosszú dokumentumos feladathoz azonosítsd a dokumentumokat, és tegyél fel egy meghatározott kérdést. Összehasonlításnál kérhetsz követelménymátrixot az állítással, forrásszakaszával és a dokumentumok közötti esetleges eltéréssel. Összefoglalóban kérheted csak a megnevezett változáshoz releváns anyagot. A hosszú kontextus együtt tartja e forrásokat, miközben a végső válasz tömör maradhat.\n\nProgramozási magyarázathoz add meg a függvényt és a bemenetet, amelynek működését végig kell követni. Mellékeld a releváns segédfüggvényeket vagy deklarációkat, és kérdezd meg, hogyan változik az állapot az érték visszaadása előtt. Javasolt módosításhoz add meg a követelményt, a megőrzendő nyilvános interfészt és az elvárt kimenetet. Az átdolgozott kódot külön kérd a magyarázattól és a példáktól.\n\nMatematikai feladatnál a levezetés kérése előtt határozd meg a jelöléseket és az értelmezési tartomány feltételeit. Add meg, hogy a végső eredmény pontos, kerekített vagy egy állítás bizonyítása legyen. Ha a feltétel képen jelenik meg, a képlet és a kapcsolódó címkék legyenek egyértelműek, és kérd a modelltől e jelölés megőrzését a válaszban. Ezekkel az előkészítésekkel a modell dokumentált programozási és matematikai következtetési hangsúlya ellenőrizhető eredményanyaggá válik.\n\nUtasításformátum és ajánlott használat\n\nA gyártó V7-Tekken beszélgetési sablont tesz közzé, amely megkülönbözteti a rendszer-, felhasználói és asszisztensszerepeket, és a hozzá illő tokenizermegvalósítás használatát ajánlja irányadóként. A rendszerutasítás az asszisztens szerepét és válaszszabályait határozza meg, a felhasználói üzenet pedig a tényleges feladatot és forrásanyagot tartalmazza. A helyes beszélgetésformázás eltér attól, hogy szerepszerű címkéket teszel egy idézett dokumentumba.\n\nA kártya viszonylag alacsony, például 0.15 temperature értéket és a felhasználási esethez igazított rendszerpromptot ajánl. Határozd meg a kimeneti mezőket vagy szakaszokat és az átírásban megőrzendő feltételeket. Ismételt adatkinyeréshez kérj JSON-t megadott nevekkel és típusokkal, valamint a forrásból hiányzó értékek jelölésével. Magyarázó bekezdés külön adható vissza, ha embernek kell megvizsgálnia az értelmezést.\n\nFüggvényhívási munkafolyamat\n\nA modell kiválaszthat egy függvényt az alkalmazás által leírt eszközökből, és előállíthatja argumentumait. Az alkalmazás végrehajtja a függvényt, az eredményt a megfelelő eszközhívással együtt visszaadja, a modell pedig egy későbbi válaszban használja azt. A gyártó példája bemutatja ezt a beszélgetési ciklust, korábbi eszközhasználattal és új felhasználói kérdéssel együtt. A javasolt lekérdezés ezért elkülönül a lekérdezés által ténylegesen visszaadott adatoktól.\n\nGyakorlati asszisztens először kinyerhet egy kérdést a dokumentumból, majd megadott referenciafüggvénnyel beszerezhet egy hiányzó feltételt. Írd le a függvényt egyértelműen, add meg kötelező argumentumait, és a visszaadott eredményt tartsd az eredeti művelethez kapcsolva. A JSON szöveges eredményt rendez; a függvényhívás kapcsolódó műveletet kér, nem észrevétlenül hajt végre kódot vagy olvas adatbázist.\n\nTartalmi korlátok\n\nA dokumentált vizuális képesség képeket olvas; nem generálja őket. A kiadott kártya asszisztensútmutatója a hang- és videóátírástól is megkülönbözteti ezt a modellt, így szóbeli vagy videós kérdés releváns tartalmát megfelelő, külön előkészítési lépésben kell megadni. A webhozzáférés és a külső műveletek szintén kapcsolódó eszközökből származnak, nem önmagában a szöveget és képet fogadó modellből.\n\nA 128 ezer tokenes kontextus a feladat bemenetére és generált beszélgetésére vonatkozik, míg a kártya 512 tokenes generálási példája csak példabeállítás. A feldolgozott források nem adnak meg külön, szigorú válaszhossz-kapacitást. Őrizd meg a pontos Instruct 2503 kiadást, beszélgetésformátumát és a kért magyarázatot, rekordot vagy kódanyagot.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructA Mistral Small 3.1 24B Instruct 2503 képértelmezéssel és a gyártó szerint 128 ezer tokenes kontextussal bővíti a Small 3 vonalat. Többnyelvű szövegfeldolgozást, programozást és matematikai következtetést egyesít rendszerutasításokkal, JSON-nal és natív függvényhívással, önálló, utasításkövetésre finomhangolt kiadásban.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Mistral Small 3.1 24B Instruct 2503 a Small 3 2501-re épít: vizuális értelmezést ad hozzá, és a hosszú kontextus támogatását 128 ezer tokenre bővíti. 24 milliárd paramétere van, és a külön megnevezett Small 3.1 Base kiadásból finomhangolták utasításkövetésre. A modell szöveget és képeket fogad, és szöveget állít elő, például magyarázatot, kódot vagy strukturált rekordot.
Fő képességek
A látás lehetővé teszi, hogy a modell a felhasználó kérdése mellett látható anyagot is elemezzen. Dokumentumkép adhatja a vizsgálandó mezőt vagy állítást, ábra a magyarázandó kapcsolatot, diagram pedig az összehasonlítás mögötti adatokat. A címkék, mértékegységek és releváns környező tartalmak maradjanak olvashatók, hogy a kérdés a képen ténylegesen szereplő bizonyítékra utaljon.
A gyártó több tucat nyelv támogatását sorolja fel, köztük az oroszét, angolét, franciáét, németét, görögét, hindiét, indonézét, olaszét, japánét, koreaiét, malájét, nepáliét, lengyelét, portugálét, románét, szerbét, spanyolét, svédét, törökét, ukránét, vietnámiét, arabét, bengáliét, kínaiét és perzsáét. Többnyelvű válaszhoz határozd meg a célnyelvet, az olvasót és a terminológiát. A nevek, idézett címkék, változóazonosítók és mértékegységek változatlanok maradhatnak, miközben a környező próza átalakul.
A kártya társalgási és következtetési képességeket, natív függvényhívást, JSON-kimenetet és rendszerprompt-követést is leír. Tokenizere a Tekken, 131 ezer eleműként jelölt szókészlettel. Ezek a megnevezett, utasításkövetésre finomhangolt kiadás funkciói; a Base kiadás más szerepet szolgál, a későbbi Small 3.2 és Small 4 kiadások pedig saját változásaikkal és módjaikkal rendelkeznek.
Dokumentum-, programozási és matematikai előkészítés
Hosszú dokumentumos feladathoz azonosítsd a dokumentumokat, és tegyél fel egy meghatározott kérdést. Összehasonlításnál kérhetsz követelménymátrixot az állítással, forrásszakaszával és a dokumentumok közötti esetleges eltéréssel. Összefoglalóban kérheted csak a megnevezett változáshoz releváns anyagot. A hosszú kontextus együtt tartja e forrásokat, miközben a végső válasz tömör maradhat.
Programozási magyarázathoz add meg a függvényt és a bemenetet, amelynek működését végig kell követni. Mellékeld a releváns segédfüggvényeket vagy deklarációkat, és kérdezd meg, hogyan változik az állapot az érték visszaadása előtt. Javasolt módosításhoz add meg a követelményt, a megőrzendő nyilvános interfészt és az elvárt kimenetet. Az átdolgozott kódot külön kérd a magyarázattól és a példáktól.
Matematikai feladatnál a levezetés kérése előtt határozd meg a jelöléseket és az értelmezési tartomány feltételeit. Add meg, hogy a végső eredmény pontos, kerekített vagy egy állítás bizonyítása legyen. Ha a feltétel képen jelenik meg, a képlet és a kapcsolódó címkék legyenek egyértelműek, és kérd a modelltől e jelölés megőrzését a válaszban. Ezekkel az előkészítésekkel a modell dokumentált programozási és matematikai következtetési hangsúlya ellenőrizhető eredményanyaggá válik.
Utasításformátum és ajánlott használat
A gyártó V7-Tekken beszélgetési sablont tesz közzé, amely megkülönbözteti a rendszer-, felhasználói és asszisztensszerepeket, és a hozzá illő tokenizermegvalósítás használatát ajánlja irányadóként. A rendszerutasítás az asszisztens szerepét és válaszszabályait határozza meg, a felhasználói üzenet pedig a tényleges feladatot és forrásanyagot tartalmazza. A helyes beszélgetésformázás eltér attól, hogy szerepszerű címkéket teszel egy idézett dokumentumba.
A kártya viszonylag alacsony, például 0.15 temperature értéket és a felhasználási esethez igazított rendszerpromptot ajánl. Határozd meg a kimeneti mezőket vagy szakaszokat és az átírásban megőrzendő feltételeket. Ismételt adatkinyeréshez kérj JSON-t megadott nevekkel és típusokkal, valamint a forrásból hiányzó értékek jelölésével. Magyarázó bekezdés külön adható vissza, ha embernek kell megvizsgálnia az értelmezést.
Függvényhívási munkafolyamat
A modell kiválaszthat egy függvényt az alkalmazás által leírt eszközökből, és előállíthatja argumentumait. Az alkalmazás végrehajtja a függvényt, az eredményt a megfelelő eszközhívással együtt visszaadja, a modell pedig egy későbbi válaszban használja azt. A gyártó példája bemutatja ezt a beszélgetési ciklust, korábbi eszközhasználattal és új felhasználói kérdéssel együtt. A javasolt lekérdezés ezért elkülönül a lekérdezés által ténylegesen visszaadott adatoktól.
Gyakorlati asszisztens először kinyerhet egy kérdést a dokumentumból, majd megadott referenciafüggvénnyel beszerezhet egy hiányzó feltételt. Írd le a függvényt egyértelműen, add meg kötelező argumentumait, és a visszaadott eredményt tartsd az eredeti művelethez kapcsolva. A JSON szöveges eredményt rendez; a függvényhívás kapcsolódó műveletet kér, nem észrevétlenül hajt végre kódot vagy olvas adatbázist.
Tartalmi korlátok
A dokumentált vizuális képesség képeket olvas; nem generálja őket. A kiadott kártya asszisztensútmutatója a hang- és videóátírástól is megkülönbözteti ezt a modellt, így szóbeli vagy videós kérdés releváns tartalmát megfelelő, külön előkészítési lépésben kell megadni. A webhozzáférés és a külső műveletek szintén kapcsolódó eszközökből származnak, nem önmagában a szöveget és képet fogadó modellből.
A 128 ezer tokenes kontextus a feladat bemenetére és generált beszélgetésére vonatkozik, míg a kártya 512 tokenes generálási példája csak példabeállítás. A feldolgozott források nem adnak meg külön, szigorú válaszhossz-kapacitást. Őrizd meg a pontos Instruct 2503 kiadást, beszélgetésformátumát és a kért magyarázatot, rekordot vagy kódanyagot.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Kimenet · Kimeneti tokenek $0.00111 / 1K token Bemenet · Gyorsítótár olvasása $0 / 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 $0.0011 / 1K token Kimenet · Kimeneti tokenek $0.00111 / 1K token Bemenet · Gyorsítótár olvasása $0 / 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/mistral-small-3.1-24b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-3.1-24b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-3.1-24b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/mistral-small-3.1-24b-instruct
Használja a fent látható metódusútvonalakat.
mistralai/mistral-small-3.1-24b-instructA Mistral Small 3.1 24B Instruct 2503 képértelmezéssel és a gyártó szerint 128 ezer tokenes kontextussal bővíti a Small 3 vonalat. Többnyelvű szövegfeldolgozást, programozást és matematikai következtetést egyesít rendszerutasításokkal, JSON-nal és natív függvényhívással, önálló, utasításkövetésre finomhangolt kiadásban.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Mistral Small 3.1 24B Instruct 2503 a Small 3 2501-re épít: vizuális értelmezést ad hozzá, és a hosszú kontextus támogatását 128 ezer tokenre bővíti. 24 milliárd paramétere van, és a külön megnevezett Small 3.1 Base kiadásból finomhangolták utasításkövetésre. A modell szöveget és képeket fogad, és szöveget állít elő, például magyarázatot, kódot vagy strukturált rekordot.
Fő képességek
A látás lehetővé teszi, hogy a modell a felhasználó kérdése mellett látható anyagot is elemezzen. Dokumentumkép adhatja a vizsgálandó mezőt vagy állítást, ábra a magyarázandó kapcsolatot, diagram pedig az összehasonlítás mögötti adatokat. A címkék, mértékegységek és releváns környező tartalmak maradjanak olvashatók, hogy a kérdés a képen ténylegesen szereplő bizonyítékra utaljon.
A gyártó több tucat nyelv támogatását sorolja fel, köztük az oroszét, angolét, franciáét, németét, görögét, hindiét, indonézét, olaszét, japánét, koreaiét, malájét, nepáliét, lengyelét, portugálét, románét, szerbét, spanyolét, svédét, törökét, ukránét, vietnámiét, arabét, bengáliét, kínaiét és perzsáét. Többnyelvű válaszhoz határozd meg a célnyelvet, az olvasót és a terminológiát. A nevek, idézett címkék, változóazonosítók és mértékegységek változatlanok maradhatnak, miközben a környező próza átalakul.
A kártya társalgási és következtetési képességeket, natív függvényhívást, JSON-kimenetet és rendszerprompt-követést is leír. Tokenizere a Tekken, 131 ezer eleműként jelölt szókészlettel. Ezek a megnevezett, utasításkövetésre finomhangolt kiadás funkciói; a Base kiadás más szerepet szolgál, a későbbi Small 3.2 és Small 4 kiadások pedig saját változásaikkal és módjaikkal rendelkeznek.
Dokumentum-, programozási és matematikai előkészítés
Hosszú dokumentumos feladathoz azonosítsd a dokumentumokat, és tegyél fel egy meghatározott kérdést. Összehasonlításnál kérhetsz követelménymátrixot az állítással, forrásszakaszával és a dokumentumok közötti esetleges eltéréssel. Összefoglalóban kérheted csak a megnevezett változáshoz releváns anyagot. A hosszú kontextus együtt tartja e forrásokat, miközben a végső válasz tömör maradhat.
Programozási magyarázathoz add meg a függvényt és a bemenetet, amelynek működését végig kell követni. Mellékeld a releváns segédfüggvényeket vagy deklarációkat, és kérdezd meg, hogyan változik az állapot az érték visszaadása előtt. Javasolt módosításhoz add meg a követelményt, a megőrzendő nyilvános interfészt és az elvárt kimenetet. Az átdolgozott kódot külön kérd a magyarázattól és a példáktól.
Matematikai feladatnál a levezetés kérése előtt határozd meg a jelöléseket és az értelmezési tartomány feltételeit. Add meg, hogy a végső eredmény pontos, kerekített vagy egy állítás bizonyítása legyen. Ha a feltétel képen jelenik meg, a képlet és a kapcsolódó címkék legyenek egyértelműek, és kérd a modelltől e jelölés megőrzését a válaszban. Ezekkel az előkészítésekkel a modell dokumentált programozási és matematikai következtetési hangsúlya ellenőrizhető eredményanyaggá válik.
Utasításformátum és ajánlott használat
A gyártó V7-Tekken beszélgetési sablont tesz közzé, amely megkülönbözteti a rendszer-, felhasználói és asszisztensszerepeket, és a hozzá illő tokenizermegvalósítás használatát ajánlja irányadóként. A rendszerutasítás az asszisztens szerepét és válaszszabályait határozza meg, a felhasználói üzenet pedig a tényleges feladatot és forrásanyagot tartalmazza. A helyes beszélgetésformázás eltér attól, hogy szerepszerű címkéket teszel egy idézett dokumentumba.
A kártya viszonylag alacsony, például 0.15 temperature értéket és a felhasználási esethez igazított rendszerpromptot ajánl. Határozd meg a kimeneti mezőket vagy szakaszokat és az átírásban megőrzendő feltételeket. Ismételt adatkinyeréshez kérj JSON-t megadott nevekkel és típusokkal, valamint a forrásból hiányzó értékek jelölésével. Magyarázó bekezdés külön adható vissza, ha embernek kell megvizsgálnia az értelmezést.
Függvényhívási munkafolyamat
A modell kiválaszthat egy függvényt az alkalmazás által leírt eszközökből, és előállíthatja argumentumait. Az alkalmazás végrehajtja a függvényt, az eredményt a megfelelő eszközhívással együtt visszaadja, a modell pedig egy későbbi válaszban használja azt. A gyártó példája bemutatja ezt a beszélgetési ciklust, korábbi eszközhasználattal és új felhasználói kérdéssel együtt. A javasolt lekérdezés ezért elkülönül a lekérdezés által ténylegesen visszaadott adatoktól.
Gyakorlati asszisztens először kinyerhet egy kérdést a dokumentumból, majd megadott referenciafüggvénnyel beszerezhet egy hiányzó feltételt. Írd le a függvényt egyértelműen, add meg kötelező argumentumait, és a visszaadott eredményt tartsd az eredeti művelethez kapcsolva. A JSON szöveges eredményt rendez; a függvényhívás kapcsolódó műveletet kér, nem észrevétlenül hajt végre kódot vagy olvas adatbázist.
Tartalmi korlátok
A dokumentált vizuális képesség képeket olvas; nem generálja őket. A kiadott kártya asszisztensútmutatója a hang- és videóátírástól is megkülönbözteti ezt a modellt, így szóbeli vagy videós kérdés releváns tartalmát megfelelő, külön előkészítési lépésben kell megadni. A webhozzáférés és a külső műveletek szintén kapcsolódó eszközökből származnak, nem önmagában a szöveget és képet fogadó modellből.
A 128 ezer tokenes kontextus a feladat bemenetére és generált beszélgetésére vonatkozik, míg a kártya 512 tokenes generálási példája csak példabeállítás. A feldolgozott források nem adnak meg külön, szigorú válaszhossz-kapacitást. Őrizd meg a pontos Instruct 2503 kiadást, beszélgetésformátumát és a kért magyarázatot, rekordot vagy kódanyagot.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Kimenet · Kimeneti tokenek $0.00111 / 1K token Bemenet · Gyorsítótár olvasása $0 / 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 $0.0011 / 1K token Kimenet · Kimeneti tokenek $0.00111 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-3.1-24b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-3.1-24b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/mistral-small-3.1-24b-instruct
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.