Devstral Small 2505 adalah rilis pertama Devstral Small, yang dikembangkan oleh Mistral AI bersama All Hands AI untuk agen rekayasa perangkat lunak. Model dengan 24 miliar parameter ini dibuat untuk menjelajahi basis kode, menggunakan alat, dan mengubah beberapa file. Kartu pengembang menjelaskannya sebagai model khusus teks dengan jendela konteks 128K; encoder visual telah dihapus dari model Mistral Small 3.1 yang digunakan untuk fine-tuning.
Jelaskan perilaku yang diperlukan serta repositori atau kode relevan yang harus dikerjakan. Tugas yang berguna menyebutkan fitur, file atau bagian aplikasi yang terlibat, dan kondisi yang membuktikan penyelesaian. Sertakan kesalahan yang diamati untuk perbaikan bug, atau tindakan pengguna dan perilaku data yang diharapkan untuk fitur baru.
Contoh pengembang membuat aplikasi daftar tugas satu halaman dengan FastAPI, React, dan SQLite. Prompt-nya mencantumkan penambahan, penghapusan, dan penyelesaian tugas, serta penayangan daftar tugas. Persyaratan tersebut menghubungkan antarmuka yang dibuat dengan perilaku aplikasi dan penyimpanan yang dibutuhkannya. Permintaan lanjutan kemudian meminta peningkatan tertentu pada aplikasi yang telah selesai.
Alur kerja yang didokumentasikan menggunakan kerangka agen yang dapat memeriksa file repositori, membuat perubahan, dan menjalankan alat pengembangan. Devstral menyediakan keputusan dan kode; agen yang menaunginya menjalankan tindakan alat dan mengembalikan pengamatan. Berikan petunjuk penyiapan proyek dan jelaskan pemeriksaan yang seharusnya membuktikan bahwa perubahan berfungsi.
Untuk perubahan yang mencakup beberapa file, minta agen mengidentifikasi dependensi yang relevan sebelum mengedit. Simpan pengamatan alat bersama patch yang dihasilkan agar usulan perbaikan dapat dibandingkan dengan apa yang benar-benar dijalankan. Implementasi yang dibuat menjadi hasil yang berfungsi ketika aplikasi menyimpan dan menjalankannya di lingkungan yang dituju.
Contoh pengembang lainnya meminta agen memeriksa cakupan pengujian dan membuat grafik. Alur kerja pertama-tama menjelajahi repositori dan konfigurasi pengujiannya, lalu menjalankan pemeriksaan cakupan dan membuat visualisasi. Permintaan serupa perlu menyebutkan repositori, ukuran yang akan diperiksa, dan hasil yang diminta, seperti grafik beserta file yang dirangkumnya.
Perbedaan antara keluaran model dan bukti eksekusi penting dalam konteks ini. Minta file hasil dan pengamatan dari alat pengembangan, beserta penjelasan yang diperlukan untuk menafsirkannya. Fokuskan revisi berikutnya pada perilaku yang diamati atau bagian tertentu dari hasil.
Entri ini mempertahankan rilis 2505 yang dijelaskan pada kartu pengembang. Edisi Devstral Small yang lebih baru memiliki identitas tersendiri. Gunakan format percakapan dan alat untuk model yang dipilih, sertakan materi sumber yang relevan dalam konteks kerja, dan sisakan ruang untuk hasil yang diminta. Kartu memublikasikan contoh inferensi lokal dan agen; contoh anggaran generasinya merupakan pengaturan tugas, bukan batas keluaran universal.
", "aboutText": "Devstral Small 2505 adalah rilis pertama Devstral Small, yang dikembangkan oleh Mistral AI bersama All Hands AI untuk agen rekayasa perangkat lunak. Model dengan 24 miliar parameter ini dibuat untuk menjelajahi basis kode, menggunakan alat, dan mengubah beberapa file. Kartu pengembang menjelaskannya sebagai model khusus teks dengan jendela konteks 128K; encoder visual telah dihapus dari model Mistral Small 3.1 yang digunakan untuk fine-tuning.\n\n### Berikan tugas pengembangan yang konkret kepada agen\n\nJelaskan perilaku yang diperlukan serta repositori atau kode relevan yang harus dikerjakan. Tugas yang berguna menyebutkan fitur, file atau bagian aplikasi yang terlibat, dan kondisi yang membuktikan penyelesaian. Sertakan kesalahan yang diamati untuk perbaikan bug, atau tindakan pengguna dan perilaku data yang diharapkan untuk fitur baru.\n\nContoh pengembang membuat aplikasi daftar tugas satu halaman dengan FastAPI, React, dan SQLite. Prompt-nya mencantumkan penambahan, penghapusan, dan penyelesaian tugas, serta penayangan daftar tugas. Persyaratan tersebut menghubungkan antarmuka yang dibuat dengan perilaku aplikasi dan penyimpanan yang dibutuhkannya. Permintaan lanjutan kemudian meminta peningkatan tertentu pada aplikasi yang telah selesai.\n\n### Jelajahi, edit, dan jalankan melalui aplikasi\n\nAlur kerja yang didokumentasikan menggunakan kerangka agen yang dapat memeriksa file repositori, membuat perubahan, dan menjalankan alat pengembangan. Devstral menyediakan keputusan dan kode; agen yang menaunginya menjalankan tindakan alat dan mengembalikan pengamatan. Berikan petunjuk penyiapan proyek dan jelaskan pemeriksaan yang seharusnya membuktikan bahwa perubahan berfungsi.\n\nUntuk perubahan yang mencakup beberapa file, minta agen mengidentifikasi dependensi yang relevan sebelum mengedit. Simpan pengamatan alat bersama patch yang dihasilkan agar usulan perbaikan dapat dibandingkan dengan apa yang benar-benar dijalankan. Implementasi yang dibuat menjadi hasil yang berfungsi ketika aplikasi menyimpan dan menjalankannya di lingkungan yang dituju.\n\n### Gunakan analisis repositori sebagai tugas terfokus\n\nContoh pengembang lainnya meminta agen memeriksa cakupan pengujian dan membuat grafik. Alur kerja pertama-tama menjelajahi repositori dan konfigurasi pengujiannya, lalu menjalankan pemeriksaan cakupan dan membuat visualisasi. Permintaan serupa perlu menyebutkan repositori, ukuran yang akan diperiksa, dan hasil yang diminta, seperti grafik beserta file yang dirangkumnya.\n\nPerbedaan antara keluaran model dan bukti eksekusi penting dalam konteks ini. Minta file hasil dan pengamatan dari alat pengembangan, beserta penjelasan yang diperlukan untuk menafsirkannya. Fokuskan revisi berikutnya pada perilaku yang diamati atau bagian tertentu dari hasil.\n\n### Pertahankan identitas rilis dan konteks kerja\n\nEntri ini mempertahankan rilis 2505 yang dijelaskan pada kartu pengembang. Edisi Devstral Small yang lebih baru memiliki identitas tersendiri. Gunakan format percakapan dan alat untuk model yang dipilih, sertakan materi sumber yang relevan dalam konteks kerja, dan sisakan ruang untuk hasil yang diminta. Kartu memublikasikan contoh inferensi lokal dan agen; contoh anggaran generasinya merupakan pengaturan tugas, bukan batas keluaran universal.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.devstral-small-2505Devstral Small 2505 adalah model pemrograman khusus teks dari Mistral AI dan All Hands AI. Model dirancang untuk agen perangkat lunak yang menelusuri basis kode, menyunting beberapa berkas, dan memakai alat pengembangan, dengan jendela konteks 128K yang dipublikasikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Devstral Small 2505 adalah rilis pertama Devstral Small, yang dikembangkan oleh Mistral AI bersama All Hands AI untuk agen rekayasa perangkat lunak. Model dengan 24 miliar parameter ini dibuat untuk menjelajahi basis kode, menggunakan alat, dan mengubah beberapa file. Kartu pengembang menjelaskannya sebagai model khusus teks dengan jendela konteks 128K; encoder visual telah dihapus dari model Mistral Small 3.1 yang digunakan untuk fine-tuning.
Jelaskan perilaku yang diperlukan serta repositori atau kode relevan yang harus dikerjakan. Tugas yang berguna menyebutkan fitur, file atau bagian aplikasi yang terlibat, dan kondisi yang membuktikan penyelesaian. Sertakan kesalahan yang diamati untuk perbaikan bug, atau tindakan pengguna dan perilaku data yang diharapkan untuk fitur baru.
Contoh pengembang membuat aplikasi daftar tugas satu halaman dengan FastAPI, React, dan SQLite. Prompt-nya mencantumkan penambahan, penghapusan, dan penyelesaian tugas, serta penayangan daftar tugas. Persyaratan tersebut menghubungkan antarmuka yang dibuat dengan perilaku aplikasi dan penyimpanan yang dibutuhkannya. Permintaan lanjutan kemudian meminta peningkatan tertentu pada aplikasi yang telah selesai.
Alur kerja yang didokumentasikan menggunakan kerangka agen yang dapat memeriksa file repositori, membuat perubahan, dan menjalankan alat pengembangan. Devstral menyediakan keputusan dan kode; agen yang menaunginya menjalankan tindakan alat dan mengembalikan pengamatan. Berikan petunjuk penyiapan proyek dan jelaskan pemeriksaan yang seharusnya membuktikan bahwa perubahan berfungsi.
Untuk perubahan yang mencakup beberapa file, minta agen mengidentifikasi dependensi yang relevan sebelum mengedit. Simpan pengamatan alat bersama patch yang dihasilkan agar usulan perbaikan dapat dibandingkan dengan apa yang benar-benar dijalankan. Implementasi yang dibuat menjadi hasil yang berfungsi ketika aplikasi menyimpan dan menjalankannya di lingkungan yang dituju.
Contoh pengembang lainnya meminta agen memeriksa cakupan pengujian dan membuat grafik. Alur kerja pertama-tama menjelajahi repositori dan konfigurasi pengujiannya, lalu menjalankan pemeriksaan cakupan dan membuat visualisasi. Permintaan serupa perlu menyebutkan repositori, ukuran yang akan diperiksa, dan hasil yang diminta, seperti grafik beserta file yang dirangkumnya.
Perbedaan antara keluaran model dan bukti eksekusi penting dalam konteks ini. Minta file hasil dan pengamatan dari alat pengembangan, beserta penjelasan yang diperlukan untuk menafsirkannya. Fokuskan revisi berikutnya pada perilaku yang diamati atau bagian tertentu dari hasil.
Entri ini mempertahankan rilis 2505 yang dijelaskan pada kartu pengembang. Edisi Devstral Small yang lebih baru memiliki identitas tersendiri. Gunakan format percakapan dan alat untuk model yang dipilih, sertakan materi sumber yang relevan dalam konteks kerja, dan sisakan ruang untuk hasil yang diminta. Kartu memublikasikan contoh inferensi lokal dan agen; contoh anggaran generasinya merupakan pengaturan tugas, bukan batas keluaran universal.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan devstral-small-2505 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00022 / 1K token Keluaran · Token keluaran $0.00066 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2505", "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='devstral-small-2505',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='devstral-small-2505',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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra devstral-small-2505
Gunakan jalur metode yang ditampilkan di atas.
devstral-small-2505Devstral Small 2505 adalah model pemrograman khusus teks dari Mistral AI dan All Hands AI. Model dirancang untuk agen perangkat lunak yang menelusuri basis kode, menyunting beberapa berkas, dan memakai alat pengembangan, dengan jendela konteks 128K yang dipublikasikan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Devstral Small 2505 adalah rilis pertama Devstral Small, yang dikembangkan oleh Mistral AI bersama All Hands AI untuk agen rekayasa perangkat lunak. Model dengan 24 miliar parameter ini dibuat untuk menjelajahi basis kode, menggunakan alat, dan mengubah beberapa file. Kartu pengembang menjelaskannya sebagai model khusus teks dengan jendela konteks 128K; encoder visual telah dihapus dari model Mistral Small 3.1 yang digunakan untuk fine-tuning.
Jelaskan perilaku yang diperlukan serta repositori atau kode relevan yang harus dikerjakan. Tugas yang berguna menyebutkan fitur, file atau bagian aplikasi yang terlibat, dan kondisi yang membuktikan penyelesaian. Sertakan kesalahan yang diamati untuk perbaikan bug, atau tindakan pengguna dan perilaku data yang diharapkan untuk fitur baru.
Contoh pengembang membuat aplikasi daftar tugas satu halaman dengan FastAPI, React, dan SQLite. Prompt-nya mencantumkan penambahan, penghapusan, dan penyelesaian tugas, serta penayangan daftar tugas. Persyaratan tersebut menghubungkan antarmuka yang dibuat dengan perilaku aplikasi dan penyimpanan yang dibutuhkannya. Permintaan lanjutan kemudian meminta peningkatan tertentu pada aplikasi yang telah selesai.
Alur kerja yang didokumentasikan menggunakan kerangka agen yang dapat memeriksa file repositori, membuat perubahan, dan menjalankan alat pengembangan. Devstral menyediakan keputusan dan kode; agen yang menaunginya menjalankan tindakan alat dan mengembalikan pengamatan. Berikan petunjuk penyiapan proyek dan jelaskan pemeriksaan yang seharusnya membuktikan bahwa perubahan berfungsi.
Untuk perubahan yang mencakup beberapa file, minta agen mengidentifikasi dependensi yang relevan sebelum mengedit. Simpan pengamatan alat bersama patch yang dihasilkan agar usulan perbaikan dapat dibandingkan dengan apa yang benar-benar dijalankan. Implementasi yang dibuat menjadi hasil yang berfungsi ketika aplikasi menyimpan dan menjalankannya di lingkungan yang dituju.
Contoh pengembang lainnya meminta agen memeriksa cakupan pengujian dan membuat grafik. Alur kerja pertama-tama menjelajahi repositori dan konfigurasi pengujiannya, lalu menjalankan pemeriksaan cakupan dan membuat visualisasi. Permintaan serupa perlu menyebutkan repositori, ukuran yang akan diperiksa, dan hasil yang diminta, seperti grafik beserta file yang dirangkumnya.
Perbedaan antara keluaran model dan bukti eksekusi penting dalam konteks ini. Minta file hasil dan pengamatan dari alat pengembangan, beserta penjelasan yang diperlukan untuk menafsirkannya. Fokuskan revisi berikutnya pada perilaku yang diamati atau bagian tertentu dari hasil.
Entri ini mempertahankan rilis 2505 yang dijelaskan pada kartu pengembang. Edisi Devstral Small yang lebih baru memiliki identitas tersendiri. Gunakan format percakapan dan alat untuk model yang dipilih, sertakan materi sumber yang relevan dalam konteks kerja, dan sisakan ruang untuk hasil yang diminta. Kartu memublikasikan contoh inferensi lokal dan agen; contoh anggaran generasinya merupakan pengaturan tugas, bukan batas keluaran universal.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan devstral-small-2505 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00022 / 1K token Keluaran · Token keluaran $0.00066 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "devstral-small-2505",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2505', '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': 'devstral-small-2505', '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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra devstral-small-2505
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.