Ministral 3 8B Instruct 2512 adalah model berukuran menengah yang disesuaikan untuk mengikuti instruksi dalam keluarga Ministral 3 dari Mistral AI. Checkpoint yang dirilis menjalani pascapelatihan untuk tugas percakapan dan instruksi dengan presisi FP8. Model ini menggabungkan komponen bahasa dengan encoder visual, menerima teks dan gambar serta mengembalikan teks, bukan artefak gambar atau audio.
Arsitektur dan fitur utama
Pembuatnya mencantumkan model bahasa dengan 8,4 miliar parameter dan encoder visual dengan 0,4 miliar parameter. Jendela konteksnya dijelaskan sebagai 256k, dan catatan penggunaan yang dipublikasikan memakai panjang bawaan yang dikonfigurasi sebesar 262.144. Angka ini menjelaskan edisi berukuran 8B ini; anggota keluarga 3B yang lebih kecil dan 14B yang lebih besar memiliki ukuran komponen dan konfigurasi masing-masing.
Kemampuan visual memperluas masukan model melampaui percakapan tertulis. Gambar dokumen dapat dipasangkan dengan pertanyaan tentang bidang, paragraf, atau hubungan terlihat yang dipilih. Tangkapan layar dapat dipasangkan dengan tujuan pengguna dan permintaan untuk mengidentifikasi kontrol yang relevan. Minta pengamatan yang mendukung setiap kesimpulan ketika jawaban bergantung pada detail visual, serta pertahankan judul, label, dan satuan yang diperlukan untuk menafsirkan potongan gambar.
Kartu model menjelaskan pekerjaan multibahasa dalam puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Kepatuhan terhadap instruksi sistem, pemanggilan fungsi bawaan, dan keluaran JSON juga disebutkan. Tetapkan bahasa akhir, peran, dan persyaratan keluaran secara eksplisit alih-alih membiarkan model menyimpulkan artefak yang dimaksud dari masukan besar.
Tugas dokumen, percakapan, dan agen
Kasus penggunaan dari pembuatnya mencakup antarmuka percakapan, asisten sehari-hari, deskripsi gambar dan dokumen, penerjemahan, pembuatan konten, dan agen khusus. Untuk asisten dokumen, berikan halaman dan tentukan informasi yang harus dikembalikan. Permintaan ekstraksi dapat menyebut label bidang, tipe yang diharapkan, dan penanganan nilai yang tidak tersedia. Jawaban yang berguna dapat memuat pengenal dokumen, nilai hasil ekstraksi, dan penjelasan singkat yang terkait dengan sumber yang terlihat.
Untuk percakapan yang berlanjut, pertahankan jawaban sebelumnya yang relevan dan ajukan pertanyaan lanjutan yang terarah. Pengguna dapat terlebih dahulu meminta ringkasan dokumen, lalu menanyakan pernyataan mana yang mendukung satu kesimpulan. Ini mengubah keluaran yang diwajibkan dari gambaran umum menjadi penjelasan yang terkait dengan sumber, sambil mempertahankan materi asli dan tujuan dialog.
Untuk penyuntingan multibahasa, berikan bagian teks asli, pembaca yang dituju, dan daftar istilah. Minta versi revisi yang mempertahankan nama, kondisi, dan satuan, diikuti penjelasan singkat perubahan jika berguna. Untuk pembuatan konten, tentukan audiens dan fakta yang harus muncul sebelum meminta draf pendek atau redaksi alternatif.
Dalam tugas agen, aplikasi menyediakan alat dan parameternya. Model dapat memilih fungsi dan menyiapkan argumen, sementara aplikasi menjalankannya serta mengembalikan hasil. Contoh fungsi dalam kartu model menggabungkan pertanyaan gambar dengan alat perhitungan. Pisahkan hasil alat dari usulan pemanggilan agar jawaban tertulis berikutnya menggunakan informasi yang benar-benar dikembalikan oleh operasi.
Persiapan dan pengaturan yang direkomendasikan
Pembuatnya merekomendasikan instruksi sistem yang menjelaskan lingkungan, kasus penggunaan, dan cara menggunakan alat. Pastikan kumpulan alat terdefinisi dengan baik dan terbatas pada jumlah minimum yang dibutuhkan tugas. Alur pencarian kecil dapat menawarkan fungsi yang relevan dengan pertanyaan saat ini, dengan argumen wajib yang diberi nama jelas, alih-alih menyajikan kumpulan besar operasi tak terkait.
Untuk penggunaan sehari-hari dan bergaya produksi, kartu model merekomendasikan temperature di bawah 0.1, dengan temperature lebih tinggi tersedia untuk eksplorasi kreatif. Perlakukan ini sebagai rekomendasi alur instruksi, bukan kontrol mode penalaran tersendiri. Keluarga ini memiliki checkpoint Base, Instruct, dan Reasoning yang berbeda; entri ini adalah edisi Instruct 2512, bukan rilis Reasoning terpisah dengan ukuran yang sama.
Untuk gambar, pembuatnya merekomendasikan rasio aspek mendekati 1:1 dan menghindari masukan yang terlalu tipis atau lebar. Pangkas bila perlu sambil mempertahankan label dan konteks yang diwajibkan pertanyaan. Jika halaman memuat beberapa area yang tidak terkait, identifikasi bagian yang harus diperiksa dan hasil yang harus dikembalikan. Gambar yang terbaca dan terarah lebih berguna daripada meminta model menebak detail kecil mana dalam halaman luas yang penting.
Batas konteks dan edisi
Rencanakan teks, gambar, percakapan, dan jawaban yang diinginkan sesuai konteks yang dikonfigurasi. Catatan penggunaan secara eksplisit memperbolehkan pengurangan panjang model yang dikonfigurasi ketika konteks yang dibutuhkan lebih sedikit, sehingga jendela penuh bukan instruksi untuk memenuhi setiap permintaan dengan seluruh materi yang tersedia. Contoh generasi 512 token dalam kartu model hanyalah pengaturan contoh, dan sumber yang dibaca tidak menetapkan batas keras panjang jawaban maksimum yang terpisah.
Checkpoint FP8 Instruct, rilis Base yang telah melalui prapelatihan, dan rilis Reasoning adalah edisi yang terpisah. Pembuatnya juga menjelaskan spesialisasi dan fine-tuning sebagai kasus penggunaan. Pertahankan checkpoint bernama beserta tokenizernya saat menyiapkan percakapan, dan bedakan generasi teks dari akses repositori, eksekusi fungsi, atau tindakan lain yang disediakan aplikasi di sekelilingnya.
", "aboutText": "Ministral 3 8B Instruct 2512 adalah model berukuran menengah yang disesuaikan untuk mengikuti instruksi dalam keluarga Ministral 3 dari Mistral AI. Checkpoint yang dirilis menjalani pascapelatihan untuk tugas percakapan dan instruksi dengan presisi FP8. Model ini menggabungkan komponen bahasa dengan encoder visual, menerima teks dan gambar serta mengembalikan teks, bukan artefak gambar atau audio.\n\nArsitektur dan fitur utama\n\nPembuatnya mencantumkan model bahasa dengan 8,4 miliar parameter dan encoder visual dengan 0,4 miliar parameter. Jendela konteksnya dijelaskan sebagai 256k, dan catatan penggunaan yang dipublikasikan memakai panjang bawaan yang dikonfigurasi sebesar 262.144. Angka ini menjelaskan edisi berukuran 8B ini; anggota keluarga 3B yang lebih kecil dan 14B yang lebih besar memiliki ukuran komponen dan konfigurasi masing-masing.\n\nKemampuan visual memperluas masukan model melampaui percakapan tertulis. Gambar dokumen dapat dipasangkan dengan pertanyaan tentang bidang, paragraf, atau hubungan terlihat yang dipilih. Tangkapan layar dapat dipasangkan dengan tujuan pengguna dan permintaan untuk mengidentifikasi kontrol yang relevan. Minta pengamatan yang mendukung setiap kesimpulan ketika jawaban bergantung pada detail visual, serta pertahankan judul, label, dan satuan yang diperlukan untuk menafsirkan potongan gambar.\n\nKartu model menjelaskan pekerjaan multibahasa dalam puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Kepatuhan terhadap instruksi sistem, pemanggilan fungsi bawaan, dan keluaran JSON juga disebutkan. Tetapkan bahasa akhir, peran, dan persyaratan keluaran secara eksplisit alih-alih membiarkan model menyimpulkan artefak yang dimaksud dari masukan besar.\n\nTugas dokumen, percakapan, dan agen\n\nKasus penggunaan dari pembuatnya mencakup antarmuka percakapan, asisten sehari-hari, deskripsi gambar dan dokumen, penerjemahan, pembuatan konten, dan agen khusus. Untuk asisten dokumen, berikan halaman dan tentukan informasi yang harus dikembalikan. Permintaan ekstraksi dapat menyebut label bidang, tipe yang diharapkan, dan penanganan nilai yang tidak tersedia. Jawaban yang berguna dapat memuat pengenal dokumen, nilai hasil ekstraksi, dan penjelasan singkat yang terkait dengan sumber yang terlihat.\n\nUntuk percakapan yang berlanjut, pertahankan jawaban sebelumnya yang relevan dan ajukan pertanyaan lanjutan yang terarah. Pengguna dapat terlebih dahulu meminta ringkasan dokumen, lalu menanyakan pernyataan mana yang mendukung satu kesimpulan. Ini mengubah keluaran yang diwajibkan dari gambaran umum menjadi penjelasan yang terkait dengan sumber, sambil mempertahankan materi asli dan tujuan dialog.\n\nUntuk penyuntingan multibahasa, berikan bagian teks asli, pembaca yang dituju, dan daftar istilah. Minta versi revisi yang mempertahankan nama, kondisi, dan satuan, diikuti penjelasan singkat perubahan jika berguna. Untuk pembuatan konten, tentukan audiens dan fakta yang harus muncul sebelum meminta draf pendek atau redaksi alternatif.\n\nDalam tugas agen, aplikasi menyediakan alat dan parameternya. Model dapat memilih fungsi dan menyiapkan argumen, sementara aplikasi menjalankannya serta mengembalikan hasil. Contoh fungsi dalam kartu model menggabungkan pertanyaan gambar dengan alat perhitungan. Pisahkan hasil alat dari usulan pemanggilan agar jawaban tertulis berikutnya menggunakan informasi yang benar-benar dikembalikan oleh operasi.\n\nPersiapan dan pengaturan yang direkomendasikan\n\nPembuatnya merekomendasikan instruksi sistem yang menjelaskan lingkungan, kasus penggunaan, dan cara menggunakan alat. Pastikan kumpulan alat terdefinisi dengan baik dan terbatas pada jumlah minimum yang dibutuhkan tugas. Alur pencarian kecil dapat menawarkan fungsi yang relevan dengan pertanyaan saat ini, dengan argumen wajib yang diberi nama jelas, alih-alih menyajikan kumpulan besar operasi tak terkait.\n\nUntuk penggunaan sehari-hari dan bergaya produksi, kartu model merekomendasikan temperature di bawah 0.1, dengan temperature lebih tinggi tersedia untuk eksplorasi kreatif. Perlakukan ini sebagai rekomendasi alur instruksi, bukan kontrol mode penalaran tersendiri. Keluarga ini memiliki checkpoint Base, Instruct, dan Reasoning yang berbeda; entri ini adalah edisi Instruct 2512, bukan rilis Reasoning terpisah dengan ukuran yang sama.\n\nUntuk gambar, pembuatnya merekomendasikan rasio aspek mendekati 1:1 dan menghindari masukan yang terlalu tipis atau lebar. Pangkas bila perlu sambil mempertahankan label dan konteks yang diwajibkan pertanyaan. Jika halaman memuat beberapa area yang tidak terkait, identifikasi bagian yang harus diperiksa dan hasil yang harus dikembalikan. Gambar yang terbaca dan terarah lebih berguna daripada meminta model menebak detail kecil mana dalam halaman luas yang penting.\n\nBatas konteks dan edisi\n\nRencanakan teks, gambar, percakapan, dan jawaban yang diinginkan sesuai konteks yang dikonfigurasi. Catatan penggunaan secara eksplisit memperbolehkan pengurangan panjang model yang dikonfigurasi ketika konteks yang dibutuhkan lebih sedikit, sehingga jendela penuh bukan instruksi untuk memenuhi setiap permintaan dengan seluruh materi yang tersedia. Contoh generasi 512 token dalam kartu model hanyalah pengaturan contoh, dan sumber yang dibaca tidak menetapkan batas keras panjang jawaban maksimum yang terpisah.\n\nCheckpoint FP8 Instruct, rilis Base yang telah melalui prapelatihan, dan rilis Reasoning adalah edisi yang terpisah. Pembuatnya juga menjelaskan spesialisasi dan fine-tuning sebagai kasus penggunaan. Pertahankan checkpoint bernama beserta tokenizernya saat menyiapkan percakapan, dan bedakan generasi teks dari akses repositori, eksekusi fungsi, atau tindakan lain yang disediakan aplikasi di sekelilingnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 adalah model instruksi teks dan gambar multibahasa dengan komponen bahasa 8,4B dan encoder visual 0,4B. Model ini mendukung konteks 256k dari pembuatnya, instruksi sistem, JSON, dan pemanggilan fungsi bawaan untuk asisten serta alur dokumen.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Ministral 3 8B Instruct 2512 adalah model berukuran menengah yang disesuaikan untuk mengikuti instruksi dalam keluarga Ministral 3 dari Mistral AI. Checkpoint yang dirilis menjalani pascapelatihan untuk tugas percakapan dan instruksi dengan presisi FP8. Model ini menggabungkan komponen bahasa dengan encoder visual, menerima teks dan gambar serta mengembalikan teks, bukan artefak gambar atau audio.
Arsitektur dan fitur utama
Pembuatnya mencantumkan model bahasa dengan 8,4 miliar parameter dan encoder visual dengan 0,4 miliar parameter. Jendela konteksnya dijelaskan sebagai 256k, dan catatan penggunaan yang dipublikasikan memakai panjang bawaan yang dikonfigurasi sebesar 262.144. Angka ini menjelaskan edisi berukuran 8B ini; anggota keluarga 3B yang lebih kecil dan 14B yang lebih besar memiliki ukuran komponen dan konfigurasi masing-masing.
Kemampuan visual memperluas masukan model melampaui percakapan tertulis. Gambar dokumen dapat dipasangkan dengan pertanyaan tentang bidang, paragraf, atau hubungan terlihat yang dipilih. Tangkapan layar dapat dipasangkan dengan tujuan pengguna dan permintaan untuk mengidentifikasi kontrol yang relevan. Minta pengamatan yang mendukung setiap kesimpulan ketika jawaban bergantung pada detail visual, serta pertahankan judul, label, dan satuan yang diperlukan untuk menafsirkan potongan gambar.
Kartu model menjelaskan pekerjaan multibahasa dalam puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Kepatuhan terhadap instruksi sistem, pemanggilan fungsi bawaan, dan keluaran JSON juga disebutkan. Tetapkan bahasa akhir, peran, dan persyaratan keluaran secara eksplisit alih-alih membiarkan model menyimpulkan artefak yang dimaksud dari masukan besar.
Tugas dokumen, percakapan, dan agen
Kasus penggunaan dari pembuatnya mencakup antarmuka percakapan, asisten sehari-hari, deskripsi gambar dan dokumen, penerjemahan, pembuatan konten, dan agen khusus. Untuk asisten dokumen, berikan halaman dan tentukan informasi yang harus dikembalikan. Permintaan ekstraksi dapat menyebut label bidang, tipe yang diharapkan, dan penanganan nilai yang tidak tersedia. Jawaban yang berguna dapat memuat pengenal dokumen, nilai hasil ekstraksi, dan penjelasan singkat yang terkait dengan sumber yang terlihat.
Untuk percakapan yang berlanjut, pertahankan jawaban sebelumnya yang relevan dan ajukan pertanyaan lanjutan yang terarah. Pengguna dapat terlebih dahulu meminta ringkasan dokumen, lalu menanyakan pernyataan mana yang mendukung satu kesimpulan. Ini mengubah keluaran yang diwajibkan dari gambaran umum menjadi penjelasan yang terkait dengan sumber, sambil mempertahankan materi asli dan tujuan dialog.
Untuk penyuntingan multibahasa, berikan bagian teks asli, pembaca yang dituju, dan daftar istilah. Minta versi revisi yang mempertahankan nama, kondisi, dan satuan, diikuti penjelasan singkat perubahan jika berguna. Untuk pembuatan konten, tentukan audiens dan fakta yang harus muncul sebelum meminta draf pendek atau redaksi alternatif.
Dalam tugas agen, aplikasi menyediakan alat dan parameternya. Model dapat memilih fungsi dan menyiapkan argumen, sementara aplikasi menjalankannya serta mengembalikan hasil. Contoh fungsi dalam kartu model menggabungkan pertanyaan gambar dengan alat perhitungan. Pisahkan hasil alat dari usulan pemanggilan agar jawaban tertulis berikutnya menggunakan informasi yang benar-benar dikembalikan oleh operasi.
Persiapan dan pengaturan yang direkomendasikan
Pembuatnya merekomendasikan instruksi sistem yang menjelaskan lingkungan, kasus penggunaan, dan cara menggunakan alat. Pastikan kumpulan alat terdefinisi dengan baik dan terbatas pada jumlah minimum yang dibutuhkan tugas. Alur pencarian kecil dapat menawarkan fungsi yang relevan dengan pertanyaan saat ini, dengan argumen wajib yang diberi nama jelas, alih-alih menyajikan kumpulan besar operasi tak terkait.
Untuk penggunaan sehari-hari dan bergaya produksi, kartu model merekomendasikan temperature di bawah 0.1, dengan temperature lebih tinggi tersedia untuk eksplorasi kreatif. Perlakukan ini sebagai rekomendasi alur instruksi, bukan kontrol mode penalaran tersendiri. Keluarga ini memiliki checkpoint Base, Instruct, dan Reasoning yang berbeda; entri ini adalah edisi Instruct 2512, bukan rilis Reasoning terpisah dengan ukuran yang sama.
Untuk gambar, pembuatnya merekomendasikan rasio aspek mendekati 1:1 dan menghindari masukan yang terlalu tipis atau lebar. Pangkas bila perlu sambil mempertahankan label dan konteks yang diwajibkan pertanyaan. Jika halaman memuat beberapa area yang tidak terkait, identifikasi bagian yang harus diperiksa dan hasil yang harus dikembalikan. Gambar yang terbaca dan terarah lebih berguna daripada meminta model menebak detail kecil mana dalam halaman luas yang penting.
Batas konteks dan edisi
Rencanakan teks, gambar, percakapan, dan jawaban yang diinginkan sesuai konteks yang dikonfigurasi. Catatan penggunaan secara eksplisit memperbolehkan pengurangan panjang model yang dikonfigurasi ketika konteks yang dibutuhkan lebih sedikit, sehingga jendela penuh bukan instruksi untuk memenuhi setiap permintaan dengan seluruh materi yang tersedia. Contoh generasi 512 token dalam kartu model hanyalah pengaturan contoh, dan sumber yang dibaca tidak menetapkan batas keras panjang jawaban maksimum yang terpisah.
Checkpoint FP8 Instruct, rilis Base yang telah melalui prapelatihan, dan rilis Reasoning adalah edisi yang terpisah. Pembuatnya juga menjelaskan spesialisasi dan fine-tuning sebagai kasus penggunaan. Pertahankan checkpoint bernama beserta tokenizernya saat menyiapkan percakapan, dan bedakan generasi teks dari akses repositori, eksekusi fungsi, atau tindakan lain yang disediakan aplikasi di sekelilingnya.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/ministral-8b-2512 | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00066 / 1K token Keluaran · Token keluaran $0.00066 / 1K token Masukan · Pembacaan cache $0.00003 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00066 / 1K token Keluaran · Token keluaran $0.00066 / 1K token Masukan · Pembacaan cache $0.00003 / 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": "mistralai/ministral-8b-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-8b-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-8b-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 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 mistralai/ministral-8b-2512
Gunakan jalur metode yang ditampilkan di atas.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 adalah model instruksi teks dan gambar multibahasa dengan komponen bahasa 8,4B dan encoder visual 0,4B. Model ini mendukung konteks 256k dari pembuatnya, instruksi sistem, JSON, dan pemanggilan fungsi bawaan untuk asisten serta alur dokumen.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Ministral 3 8B Instruct 2512 adalah model berukuran menengah yang disesuaikan untuk mengikuti instruksi dalam keluarga Ministral 3 dari Mistral AI. Checkpoint yang dirilis menjalani pascapelatihan untuk tugas percakapan dan instruksi dengan presisi FP8. Model ini menggabungkan komponen bahasa dengan encoder visual, menerima teks dan gambar serta mengembalikan teks, bukan artefak gambar atau audio.
Arsitektur dan fitur utama
Pembuatnya mencantumkan model bahasa dengan 8,4 miliar parameter dan encoder visual dengan 0,4 miliar parameter. Jendela konteksnya dijelaskan sebagai 256k, dan catatan penggunaan yang dipublikasikan memakai panjang bawaan yang dikonfigurasi sebesar 262.144. Angka ini menjelaskan edisi berukuran 8B ini; anggota keluarga 3B yang lebih kecil dan 14B yang lebih besar memiliki ukuran komponen dan konfigurasi masing-masing.
Kemampuan visual memperluas masukan model melampaui percakapan tertulis. Gambar dokumen dapat dipasangkan dengan pertanyaan tentang bidang, paragraf, atau hubungan terlihat yang dipilih. Tangkapan layar dapat dipasangkan dengan tujuan pengguna dan permintaan untuk mengidentifikasi kontrol yang relevan. Minta pengamatan yang mendukung setiap kesimpulan ketika jawaban bergantung pada detail visual, serta pertahankan judul, label, dan satuan yang diperlukan untuk menafsirkan potongan gambar.
Kartu model menjelaskan pekerjaan multibahasa dalam puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Kepatuhan terhadap instruksi sistem, pemanggilan fungsi bawaan, dan keluaran JSON juga disebutkan. Tetapkan bahasa akhir, peran, dan persyaratan keluaran secara eksplisit alih-alih membiarkan model menyimpulkan artefak yang dimaksud dari masukan besar.
Tugas dokumen, percakapan, dan agen
Kasus penggunaan dari pembuatnya mencakup antarmuka percakapan, asisten sehari-hari, deskripsi gambar dan dokumen, penerjemahan, pembuatan konten, dan agen khusus. Untuk asisten dokumen, berikan halaman dan tentukan informasi yang harus dikembalikan. Permintaan ekstraksi dapat menyebut label bidang, tipe yang diharapkan, dan penanganan nilai yang tidak tersedia. Jawaban yang berguna dapat memuat pengenal dokumen, nilai hasil ekstraksi, dan penjelasan singkat yang terkait dengan sumber yang terlihat.
Untuk percakapan yang berlanjut, pertahankan jawaban sebelumnya yang relevan dan ajukan pertanyaan lanjutan yang terarah. Pengguna dapat terlebih dahulu meminta ringkasan dokumen, lalu menanyakan pernyataan mana yang mendukung satu kesimpulan. Ini mengubah keluaran yang diwajibkan dari gambaran umum menjadi penjelasan yang terkait dengan sumber, sambil mempertahankan materi asli dan tujuan dialog.
Untuk penyuntingan multibahasa, berikan bagian teks asli, pembaca yang dituju, dan daftar istilah. Minta versi revisi yang mempertahankan nama, kondisi, dan satuan, diikuti penjelasan singkat perubahan jika berguna. Untuk pembuatan konten, tentukan audiens dan fakta yang harus muncul sebelum meminta draf pendek atau redaksi alternatif.
Dalam tugas agen, aplikasi menyediakan alat dan parameternya. Model dapat memilih fungsi dan menyiapkan argumen, sementara aplikasi menjalankannya serta mengembalikan hasil. Contoh fungsi dalam kartu model menggabungkan pertanyaan gambar dengan alat perhitungan. Pisahkan hasil alat dari usulan pemanggilan agar jawaban tertulis berikutnya menggunakan informasi yang benar-benar dikembalikan oleh operasi.
Persiapan dan pengaturan yang direkomendasikan
Pembuatnya merekomendasikan instruksi sistem yang menjelaskan lingkungan, kasus penggunaan, dan cara menggunakan alat. Pastikan kumpulan alat terdefinisi dengan baik dan terbatas pada jumlah minimum yang dibutuhkan tugas. Alur pencarian kecil dapat menawarkan fungsi yang relevan dengan pertanyaan saat ini, dengan argumen wajib yang diberi nama jelas, alih-alih menyajikan kumpulan besar operasi tak terkait.
Untuk penggunaan sehari-hari dan bergaya produksi, kartu model merekomendasikan temperature di bawah 0.1, dengan temperature lebih tinggi tersedia untuk eksplorasi kreatif. Perlakukan ini sebagai rekomendasi alur instruksi, bukan kontrol mode penalaran tersendiri. Keluarga ini memiliki checkpoint Base, Instruct, dan Reasoning yang berbeda; entri ini adalah edisi Instruct 2512, bukan rilis Reasoning terpisah dengan ukuran yang sama.
Untuk gambar, pembuatnya merekomendasikan rasio aspek mendekati 1:1 dan menghindari masukan yang terlalu tipis atau lebar. Pangkas bila perlu sambil mempertahankan label dan konteks yang diwajibkan pertanyaan. Jika halaman memuat beberapa area yang tidak terkait, identifikasi bagian yang harus diperiksa dan hasil yang harus dikembalikan. Gambar yang terbaca dan terarah lebih berguna daripada meminta model menebak detail kecil mana dalam halaman luas yang penting.
Batas konteks dan edisi
Rencanakan teks, gambar, percakapan, dan jawaban yang diinginkan sesuai konteks yang dikonfigurasi. Catatan penggunaan secara eksplisit memperbolehkan pengurangan panjang model yang dikonfigurasi ketika konteks yang dibutuhkan lebih sedikit, sehingga jendela penuh bukan instruksi untuk memenuhi setiap permintaan dengan seluruh materi yang tersedia. Contoh generasi 512 token dalam kartu model hanyalah pengaturan contoh, dan sumber yang dibaca tidak menetapkan batas keras panjang jawaban maksimum yang terpisah.
Checkpoint FP8 Instruct, rilis Base yang telah melalui prapelatihan, dan rilis Reasoning adalah edisi yang terpisah. Pembuatnya juga menjelaskan spesialisasi dan fine-tuning sebagai kasus penggunaan. Pertahankan checkpoint bernama beserta tokenizernya saat menyiapkan percakapan, dan bedakan generasi teks dari akses repositori, eksekusi fungsi, atau tindakan lain yang disediakan aplikasi di sekelilingnya.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/ministral-8b-2512 | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00066 / 1K token Keluaran · Token keluaran $0.00066 / 1K token Masukan · Pembacaan cache $0.00003 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00066 / 1K token Keluaran · Token keluaran $0.00066 / 1K token Masukan · Pembacaan cache $0.00003 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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 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 mistralai/ministral-8b-2512
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.