Mistral Nemo Instruct 2407 adalah edisi model bahasa Mistral Nemo 12B yang disesuaikan untuk mengikuti instruksi. Model ini di-fine-tune dari checkpoint Nemo Base 2407 yang memiliki nama tersendiri. Pengembang menjelaskan pelatihan dengan proporsi besar materi multibahasa dan kode serta jendela konteks 128k token, untuk mendukung instruksi tertulis, percakapan, dan tugas pemrograman.
Fitur utama dan arsitektur
Rilis ini menyediakan versi pralatih dan versi yang disesuaikan untuk mengikuti instruksi secara terpisah. Entri ini membahas checkpoint Instruct: permintaan teks dapat meminta penjelasan, dokumen yang direvisi, kode program, atau usulan panggilan fungsi. Penyesuaian instruksinya dijelaskan meningkatkan kepatuhan terhadap instruksi yang tepat, penalaran, dialog beberapa giliran, dan pembuatan kode dibandingkan lini Mistral 7B sebelumnya.
Model ini memiliki 40 lapisan Transformer dengan lebar model 5,120. Model ini menggunakan SwiGLU, 32 attention head dan 8 key/value head dalam grouped-query attention, dimensi head 128, dan dimensi tersembunyi 14,336. Rotary embedding menggunakan pengaturan theta satu juta. Kosakata yang dirilis memiliki 2 pangkat 17 entri, atau 131,072; ukuran kosakata ini berbeda dari label konteks tugas 128k.
Pengumuman pengembang juga menjelaskan pelatihan yang memperhitungkan kuantisasi dan inferensi FP8. Keduanya merupakan karakteristik rilis dan presisi, bukan modalitas konten tambahan. Pertahankan checkpoint yang tepat dan tokenizer yang sesuai, alih-alih menganggap model 12B lain atau model lain dalam keluarga Mistral sebagai edisi yang sama.
Teks multibahasa dan Tekken
Rilis ini menekankan bahasa Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, Mandarin, Jepang, Korea, Arab, dan Hindi, sementara bahasa Rusia tercantum dalam metadata bahasa kartu model. Tentukan bahasa akhir, audiens yang dituju, dan istilah sebelum meminta hasil. Untuk tugas dokumen multibahasa, pertahankan nama, pengenal, dan satuan sambil menyesuaikan prosa di sekitarnya.
Nemo menggunakan tokenizer Tekken, yang dilatih pada lebih dari 100 bahasa dan dirancang untuk merepresentasikan bahasa alami serta kode sumber secara efisien. Tokenizer memengaruhi seberapa banyak konteks yang digunakan materi sumber; karena itu, jumlah karakter tidak sama dengan jumlah token. Gunakan tokenizer yang sesuai dan pertahankan materi relevan tugas secara bersamaan, alih-alih memperkirakan konteks hanya dari panjang bagian teks yang terlihat.
Persiapan instruksi dan kode
Untuk penjelasan dokumen, berikan bagian teks sumber dan tentukan kondisi atau istilah yang perlu dijelaskan. Minta penjelasan dalam bahasa pembaca sambil mempertahankan nama asli dan pernyataan sumber yang mendukung jawaban. Untuk penyuntingan, tentukan makna serta kondisi yang harus tetap ada dalam penulisan ulang, dan apakah hasil harus berupa bagian teks yang direvisi saja atau beserta penjelasan.
Untuk tugas pemrograman, sebutkan bahasa, jenis masukan, keluaran yang diharapkan, dan antarmuka yang sudah ada. Sertakan fungsi atau deklarasi yang menentukan perubahan. Hasil yang berguna dapat berisi implementasi, asumsinya, dan contoh masukan dengan keluaran yang diharapkan. Pertanyaan terpisah dapat meminta model menelusuri satu masukan melalui kode yang diberikan agar penjelasan berkaitan dengan alur konkret, bukan program yang tidak ditentukan.
Untuk percakapan beberapa giliran, pertahankan respons sebelumnya yang relevan dan ajukan pertanyaan lanjutan yang terfokus, atau berikan materi baru yang mengubah tugas. Tentukan apakah jawaban berikutnya harus merevisi hasil sebelumnya, menjelaskan satu keputusan, atau menghasilkan representasi lain dari fakta sumber yang sama. Dengan begitu, kelanjutan percakapan menjadi jelas.
Panggilan fungsi dan sampling
Pengembang mendokumentasikan panggilan fungsi menggunakan format percakapan yang sesuai. Model menghasilkan usulan operasi dan argumen, sedangkan aplikasi menjalankan fungsi dan menambahkan hasilnya ke percakapan sebelum generasi berikutnya. Kartu secara tegas menyatakan bahwa contoh kode yang dipersingkat tidak menunjukkan seluruh siklus, sehingga langkah eksekusi dan pengembalian hasil yang tidak ditampilkan tetap menjadi bagian penting aplikasi berbantuan alat.
Dalam format alat yang dipublikasikan tersebut, ID panggilan dan ID hasil yang bersesuaian terdiri dari tepat sembilan karakter alfanumerik. Pertahankan hubungan antara operasi dan hasilnya saat menyiapkan percakapan berformat native. Antarmuka pembungkus dapat merepresentasikan percakapan dengan cara berbeda; persyaratan rilis menjelaskan format model pengembang, bukan pengenal klien universal yang dibuat-buat.
Pengembang merekomendasikan temperature 0.3 dan menyebutkan bahwa Nemo menggunakan temperature lebih kecil dibandingkan model Mistral sebelumnya. Berbagai pengaturan 64, 128, 256, dan 1,000 token yang ditampilkan dalam contoh merupakan pilihan generasi untuk demonstrasi tersebut, bukan kapasitas jawaban maksimum yang dipublikasikan secara terpisah.
Batasan penting
Kartu Instruct menjelaskan checkpoint ini sebagai demonstrasi fine-tuning model dasar dan menyatakan secara tegas bahwa model tidak memiliki mekanisme moderasi. Aplikasi yang membutuhkan perilaku termoderasi harus menyediakannya dalam sistem yang menaungi model. Ini merupakan sifat checkpoint yang dirilis, bukan pernyataan tentang setiap layanan yang menyediakan model Nemo.
Tugas Nemo yang didokumentasikan di sini adalah generasi teks, dengan konteks 128k dan format percakapannya sendiri. Pemahaman gambar, transkripsi ucapan, dan kontrol penalaran hibrida dari keluarga Mistral yang lebih baru tidak boleh dianggap sebagai kemampuan edisi ini. Berikan kondisi tertulis yang lengkap, materi sumber yang relevan, dan hasil akhir yang diperlukan agar hasil tetap berguna sebagai penjelasan, teks yang direvisi, atau usulan implementasi.
", "aboutText": "Mistral Nemo Instruct 2407 adalah edisi model bahasa Mistral Nemo 12B yang disesuaikan untuk mengikuti instruksi. Model ini di-fine-tune dari checkpoint Nemo Base 2407 yang memiliki nama tersendiri. Pengembang menjelaskan pelatihan dengan proporsi besar materi multibahasa dan kode serta jendela konteks 128k token, untuk mendukung instruksi tertulis, percakapan, dan tugas pemrograman.\n\nFitur utama dan arsitektur\n\nRilis ini menyediakan versi pralatih dan versi yang disesuaikan untuk mengikuti instruksi secara terpisah. Entri ini membahas checkpoint Instruct: permintaan teks dapat meminta penjelasan, dokumen yang direvisi, kode program, atau usulan panggilan fungsi. Penyesuaian instruksinya dijelaskan meningkatkan kepatuhan terhadap instruksi yang tepat, penalaran, dialog beberapa giliran, dan pembuatan kode dibandingkan lini Mistral 7B sebelumnya.\n\nModel ini memiliki 40 lapisan Transformer dengan lebar model 5,120. Model ini menggunakan SwiGLU, 32 attention head dan 8 key/value head dalam grouped-query attention, dimensi head 128, dan dimensi tersembunyi 14,336. Rotary embedding menggunakan pengaturan theta satu juta. Kosakata yang dirilis memiliki 2 pangkat 17 entri, atau 131,072; ukuran kosakata ini berbeda dari label konteks tugas 128k.\n\nPengumuman pengembang juga menjelaskan pelatihan yang memperhitungkan kuantisasi dan inferensi FP8. Keduanya merupakan karakteristik rilis dan presisi, bukan modalitas konten tambahan. Pertahankan checkpoint yang tepat dan tokenizer yang sesuai, alih-alih menganggap model 12B lain atau model lain dalam keluarga Mistral sebagai edisi yang sama.\n\nTeks multibahasa dan Tekken\n\nRilis ini menekankan bahasa Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, Mandarin, Jepang, Korea, Arab, dan Hindi, sementara bahasa Rusia tercantum dalam metadata bahasa kartu model. Tentukan bahasa akhir, audiens yang dituju, dan istilah sebelum meminta hasil. Untuk tugas dokumen multibahasa, pertahankan nama, pengenal, dan satuan sambil menyesuaikan prosa di sekitarnya.\n\nNemo menggunakan tokenizer Tekken, yang dilatih pada lebih dari 100 bahasa dan dirancang untuk merepresentasikan bahasa alami serta kode sumber secara efisien. Tokenizer memengaruhi seberapa banyak konteks yang digunakan materi sumber; karena itu, jumlah karakter tidak sama dengan jumlah token. Gunakan tokenizer yang sesuai dan pertahankan materi relevan tugas secara bersamaan, alih-alih memperkirakan konteks hanya dari panjang bagian teks yang terlihat.\n\nPersiapan instruksi dan kode\n\nUntuk penjelasan dokumen, berikan bagian teks sumber dan tentukan kondisi atau istilah yang perlu dijelaskan. Minta penjelasan dalam bahasa pembaca sambil mempertahankan nama asli dan pernyataan sumber yang mendukung jawaban. Untuk penyuntingan, tentukan makna serta kondisi yang harus tetap ada dalam penulisan ulang, dan apakah hasil harus berupa bagian teks yang direvisi saja atau beserta penjelasan.\n\nUntuk tugas pemrograman, sebutkan bahasa, jenis masukan, keluaran yang diharapkan, dan antarmuka yang sudah ada. Sertakan fungsi atau deklarasi yang menentukan perubahan. Hasil yang berguna dapat berisi implementasi, asumsinya, dan contoh masukan dengan keluaran yang diharapkan. Pertanyaan terpisah dapat meminta model menelusuri satu masukan melalui kode yang diberikan agar penjelasan berkaitan dengan alur konkret, bukan program yang tidak ditentukan.\n\nUntuk percakapan beberapa giliran, pertahankan respons sebelumnya yang relevan dan ajukan pertanyaan lanjutan yang terfokus, atau berikan materi baru yang mengubah tugas. Tentukan apakah jawaban berikutnya harus merevisi hasil sebelumnya, menjelaskan satu keputusan, atau menghasilkan representasi lain dari fakta sumber yang sama. Dengan begitu, kelanjutan percakapan menjadi jelas.\n\nPanggilan fungsi dan sampling\n\nPengembang mendokumentasikan panggilan fungsi menggunakan format percakapan yang sesuai. Model menghasilkan usulan operasi dan argumen, sedangkan aplikasi menjalankan fungsi dan menambahkan hasilnya ke percakapan sebelum generasi berikutnya. Kartu secara tegas menyatakan bahwa contoh kode yang dipersingkat tidak menunjukkan seluruh siklus, sehingga langkah eksekusi dan pengembalian hasil yang tidak ditampilkan tetap menjadi bagian penting aplikasi berbantuan alat.\n\nDalam format alat yang dipublikasikan tersebut, ID panggilan dan ID hasil yang bersesuaian terdiri dari tepat sembilan karakter alfanumerik. Pertahankan hubungan antara operasi dan hasilnya saat menyiapkan percakapan berformat native. Antarmuka pembungkus dapat merepresentasikan percakapan dengan cara berbeda; persyaratan rilis menjelaskan format model pengembang, bukan pengenal klien universal yang dibuat-buat.\n\nPengembang merekomendasikan temperature 0.3 dan menyebutkan bahwa Nemo menggunakan temperature lebih kecil dibandingkan model Mistral sebelumnya. Berbagai pengaturan 64, 128, 256, dan 1,000 token yang ditampilkan dalam contoh merupakan pilihan generasi untuk demonstrasi tersebut, bukan kapasitas jawaban maksimum yang dipublikasikan secara terpisah.\n\nBatasan penting\n\nKartu Instruct menjelaskan checkpoint ini sebagai demonstrasi fine-tuning model dasar dan menyatakan secara tegas bahwa model tidak memiliki mekanisme moderasi. Aplikasi yang membutuhkan perilaku termoderasi harus menyediakannya dalam sistem yang menaungi model. Ini merupakan sifat checkpoint yang dirilis, bukan pernyataan tentang setiap layanan yang menyediakan model Nemo.\n\nTugas Nemo yang didokumentasikan di sini adalah generasi teks, dengan konteks 128k dan format percakapannya sendiri. Pemahaman gambar, transkripsi ucapan, dan kontrol penalaran hibrida dari keluarga Mistral yang lebih baru tidak boleh dianggap sebagai kemampuan edisi ini. Berikan kondisi tertulis yang lengkap, materi sumber yang relevan, dan hasil akhir yang diperlukan agar hasil tetap berguna sebagai penjelasan, teks yang direvisi, atau usulan implementasi.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.mistralai/mistral-nemoMistral Nemo Instruct 2407 adalah model teks multibahasa 12B untuk instruksi yang presisi, percakapan beberapa giliran, dan kode. Model ini memiliki konteks 128k dari pembuatnya, tokenizer Tekken, pemanggilan fungsi yang terdokumentasi, dan checkpoint tersendiri yang disesuaikan untuk mengikuti instruksi dengan panduan samplingnya sendiri.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Nemo Instruct 2407 adalah edisi model bahasa Mistral Nemo 12B yang disesuaikan untuk mengikuti instruksi. Model ini di-fine-tune dari checkpoint Nemo Base 2407 yang memiliki nama tersendiri. Pengembang menjelaskan pelatihan dengan proporsi besar materi multibahasa dan kode serta jendela konteks 128k token, untuk mendukung instruksi tertulis, percakapan, dan tugas pemrograman.
Fitur utama dan arsitektur
Rilis ini menyediakan versi pralatih dan versi yang disesuaikan untuk mengikuti instruksi secara terpisah. Entri ini membahas checkpoint Instruct: permintaan teks dapat meminta penjelasan, dokumen yang direvisi, kode program, atau usulan panggilan fungsi. Penyesuaian instruksinya dijelaskan meningkatkan kepatuhan terhadap instruksi yang tepat, penalaran, dialog beberapa giliran, dan pembuatan kode dibandingkan lini Mistral 7B sebelumnya.
Model ini memiliki 40 lapisan Transformer dengan lebar model 5,120. Model ini menggunakan SwiGLU, 32 attention head dan 8 key/value head dalam grouped-query attention, dimensi head 128, dan dimensi tersembunyi 14,336. Rotary embedding menggunakan pengaturan theta satu juta. Kosakata yang dirilis memiliki 2 pangkat 17 entri, atau 131,072; ukuran kosakata ini berbeda dari label konteks tugas 128k.
Pengumuman pengembang juga menjelaskan pelatihan yang memperhitungkan kuantisasi dan inferensi FP8. Keduanya merupakan karakteristik rilis dan presisi, bukan modalitas konten tambahan. Pertahankan checkpoint yang tepat dan tokenizer yang sesuai, alih-alih menganggap model 12B lain atau model lain dalam keluarga Mistral sebagai edisi yang sama.
Teks multibahasa dan Tekken
Rilis ini menekankan bahasa Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, Mandarin, Jepang, Korea, Arab, dan Hindi, sementara bahasa Rusia tercantum dalam metadata bahasa kartu model. Tentukan bahasa akhir, audiens yang dituju, dan istilah sebelum meminta hasil. Untuk tugas dokumen multibahasa, pertahankan nama, pengenal, dan satuan sambil menyesuaikan prosa di sekitarnya.
Nemo menggunakan tokenizer Tekken, yang dilatih pada lebih dari 100 bahasa dan dirancang untuk merepresentasikan bahasa alami serta kode sumber secara efisien. Tokenizer memengaruhi seberapa banyak konteks yang digunakan materi sumber; karena itu, jumlah karakter tidak sama dengan jumlah token. Gunakan tokenizer yang sesuai dan pertahankan materi relevan tugas secara bersamaan, alih-alih memperkirakan konteks hanya dari panjang bagian teks yang terlihat.
Persiapan instruksi dan kode
Untuk penjelasan dokumen, berikan bagian teks sumber dan tentukan kondisi atau istilah yang perlu dijelaskan. Minta penjelasan dalam bahasa pembaca sambil mempertahankan nama asli dan pernyataan sumber yang mendukung jawaban. Untuk penyuntingan, tentukan makna serta kondisi yang harus tetap ada dalam penulisan ulang, dan apakah hasil harus berupa bagian teks yang direvisi saja atau beserta penjelasan.
Untuk tugas pemrograman, sebutkan bahasa, jenis masukan, keluaran yang diharapkan, dan antarmuka yang sudah ada. Sertakan fungsi atau deklarasi yang menentukan perubahan. Hasil yang berguna dapat berisi implementasi, asumsinya, dan contoh masukan dengan keluaran yang diharapkan. Pertanyaan terpisah dapat meminta model menelusuri satu masukan melalui kode yang diberikan agar penjelasan berkaitan dengan alur konkret, bukan program yang tidak ditentukan.
Untuk percakapan beberapa giliran, pertahankan respons sebelumnya yang relevan dan ajukan pertanyaan lanjutan yang terfokus, atau berikan materi baru yang mengubah tugas. Tentukan apakah jawaban berikutnya harus merevisi hasil sebelumnya, menjelaskan satu keputusan, atau menghasilkan representasi lain dari fakta sumber yang sama. Dengan begitu, kelanjutan percakapan menjadi jelas.
Panggilan fungsi dan sampling
Pengembang mendokumentasikan panggilan fungsi menggunakan format percakapan yang sesuai. Model menghasilkan usulan operasi dan argumen, sedangkan aplikasi menjalankan fungsi dan menambahkan hasilnya ke percakapan sebelum generasi berikutnya. Kartu secara tegas menyatakan bahwa contoh kode yang dipersingkat tidak menunjukkan seluruh siklus, sehingga langkah eksekusi dan pengembalian hasil yang tidak ditampilkan tetap menjadi bagian penting aplikasi berbantuan alat.
Dalam format alat yang dipublikasikan tersebut, ID panggilan dan ID hasil yang bersesuaian terdiri dari tepat sembilan karakter alfanumerik. Pertahankan hubungan antara operasi dan hasilnya saat menyiapkan percakapan berformat native. Antarmuka pembungkus dapat merepresentasikan percakapan dengan cara berbeda; persyaratan rilis menjelaskan format model pengembang, bukan pengenal klien universal yang dibuat-buat.
Pengembang merekomendasikan temperature 0.3 dan menyebutkan bahwa Nemo menggunakan temperature lebih kecil dibandingkan model Mistral sebelumnya. Berbagai pengaturan 64, 128, 256, dan 1,000 token yang ditampilkan dalam contoh merupakan pilihan generasi untuk demonstrasi tersebut, bukan kapasitas jawaban maksimum yang dipublikasikan secara terpisah.
Batasan penting
Kartu Instruct menjelaskan checkpoint ini sebagai demonstrasi fine-tuning model dasar dan menyatakan secara tegas bahwa model tidak memiliki mekanisme moderasi. Aplikasi yang membutuhkan perilaku termoderasi harus menyediakannya dalam sistem yang menaungi model. Ini merupakan sifat checkpoint yang dirilis, bukan pernyataan tentang setiap layanan yang menyediakan model Nemo.
Tugas Nemo yang didokumentasikan di sini adalah generasi teks, dengan konteks 128k dan format percakapannya sendiri. Pemahaman gambar, transkripsi ucapan, dan kontrol penalaran hibrida dari keluarga Mistral yang lebih baru tidak boleh dianggap sebagai kemampuan edisi ini. Berikan kondisi tertulis yang lengkap, materi sumber yang relevan, dan hasil akhir yang diperlukan agar hasil tetap berguna sebagai penjelasan, teks yang direvisi, atau usulan implementasi.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-nemo | 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 $0.0003 / 1K token Keluaran · Token keluaran $0.0003 / 1K token Masukan · Pembacaan cache $0.00003 / 1K token Masukan · Penulisan cache — / 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 $0.0003 / 1K token Keluaran · Token keluaran $0.0003 / 1K token Masukan · Pembacaan cache $0.00003 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-nemo", "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-nemo',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-nemo',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/mistral-nemo
Gunakan jalur metode yang ditampilkan di atas.
mistralai/mistral-nemoMistral Nemo Instruct 2407 adalah model teks multibahasa 12B untuk instruksi yang presisi, percakapan beberapa giliran, dan kode. Model ini memiliki konteks 128k dari pembuatnya, tokenizer Tekken, pemanggilan fungsi yang terdokumentasi, dan checkpoint tersendiri yang disesuaikan untuk mengikuti instruksi dengan panduan samplingnya sendiri.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Nemo Instruct 2407 adalah edisi model bahasa Mistral Nemo 12B yang disesuaikan untuk mengikuti instruksi. Model ini di-fine-tune dari checkpoint Nemo Base 2407 yang memiliki nama tersendiri. Pengembang menjelaskan pelatihan dengan proporsi besar materi multibahasa dan kode serta jendela konteks 128k token, untuk mendukung instruksi tertulis, percakapan, dan tugas pemrograman.
Fitur utama dan arsitektur
Rilis ini menyediakan versi pralatih dan versi yang disesuaikan untuk mengikuti instruksi secara terpisah. Entri ini membahas checkpoint Instruct: permintaan teks dapat meminta penjelasan, dokumen yang direvisi, kode program, atau usulan panggilan fungsi. Penyesuaian instruksinya dijelaskan meningkatkan kepatuhan terhadap instruksi yang tepat, penalaran, dialog beberapa giliran, dan pembuatan kode dibandingkan lini Mistral 7B sebelumnya.
Model ini memiliki 40 lapisan Transformer dengan lebar model 5,120. Model ini menggunakan SwiGLU, 32 attention head dan 8 key/value head dalam grouped-query attention, dimensi head 128, dan dimensi tersembunyi 14,336. Rotary embedding menggunakan pengaturan theta satu juta. Kosakata yang dirilis memiliki 2 pangkat 17 entri, atau 131,072; ukuran kosakata ini berbeda dari label konteks tugas 128k.
Pengumuman pengembang juga menjelaskan pelatihan yang memperhitungkan kuantisasi dan inferensi FP8. Keduanya merupakan karakteristik rilis dan presisi, bukan modalitas konten tambahan. Pertahankan checkpoint yang tepat dan tokenizer yang sesuai, alih-alih menganggap model 12B lain atau model lain dalam keluarga Mistral sebagai edisi yang sama.
Teks multibahasa dan Tekken
Rilis ini menekankan bahasa Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, Mandarin, Jepang, Korea, Arab, dan Hindi, sementara bahasa Rusia tercantum dalam metadata bahasa kartu model. Tentukan bahasa akhir, audiens yang dituju, dan istilah sebelum meminta hasil. Untuk tugas dokumen multibahasa, pertahankan nama, pengenal, dan satuan sambil menyesuaikan prosa di sekitarnya.
Nemo menggunakan tokenizer Tekken, yang dilatih pada lebih dari 100 bahasa dan dirancang untuk merepresentasikan bahasa alami serta kode sumber secara efisien. Tokenizer memengaruhi seberapa banyak konteks yang digunakan materi sumber; karena itu, jumlah karakter tidak sama dengan jumlah token. Gunakan tokenizer yang sesuai dan pertahankan materi relevan tugas secara bersamaan, alih-alih memperkirakan konteks hanya dari panjang bagian teks yang terlihat.
Persiapan instruksi dan kode
Untuk penjelasan dokumen, berikan bagian teks sumber dan tentukan kondisi atau istilah yang perlu dijelaskan. Minta penjelasan dalam bahasa pembaca sambil mempertahankan nama asli dan pernyataan sumber yang mendukung jawaban. Untuk penyuntingan, tentukan makna serta kondisi yang harus tetap ada dalam penulisan ulang, dan apakah hasil harus berupa bagian teks yang direvisi saja atau beserta penjelasan.
Untuk tugas pemrograman, sebutkan bahasa, jenis masukan, keluaran yang diharapkan, dan antarmuka yang sudah ada. Sertakan fungsi atau deklarasi yang menentukan perubahan. Hasil yang berguna dapat berisi implementasi, asumsinya, dan contoh masukan dengan keluaran yang diharapkan. Pertanyaan terpisah dapat meminta model menelusuri satu masukan melalui kode yang diberikan agar penjelasan berkaitan dengan alur konkret, bukan program yang tidak ditentukan.
Untuk percakapan beberapa giliran, pertahankan respons sebelumnya yang relevan dan ajukan pertanyaan lanjutan yang terfokus, atau berikan materi baru yang mengubah tugas. Tentukan apakah jawaban berikutnya harus merevisi hasil sebelumnya, menjelaskan satu keputusan, atau menghasilkan representasi lain dari fakta sumber yang sama. Dengan begitu, kelanjutan percakapan menjadi jelas.
Panggilan fungsi dan sampling
Pengembang mendokumentasikan panggilan fungsi menggunakan format percakapan yang sesuai. Model menghasilkan usulan operasi dan argumen, sedangkan aplikasi menjalankan fungsi dan menambahkan hasilnya ke percakapan sebelum generasi berikutnya. Kartu secara tegas menyatakan bahwa contoh kode yang dipersingkat tidak menunjukkan seluruh siklus, sehingga langkah eksekusi dan pengembalian hasil yang tidak ditampilkan tetap menjadi bagian penting aplikasi berbantuan alat.
Dalam format alat yang dipublikasikan tersebut, ID panggilan dan ID hasil yang bersesuaian terdiri dari tepat sembilan karakter alfanumerik. Pertahankan hubungan antara operasi dan hasilnya saat menyiapkan percakapan berformat native. Antarmuka pembungkus dapat merepresentasikan percakapan dengan cara berbeda; persyaratan rilis menjelaskan format model pengembang, bukan pengenal klien universal yang dibuat-buat.
Pengembang merekomendasikan temperature 0.3 dan menyebutkan bahwa Nemo menggunakan temperature lebih kecil dibandingkan model Mistral sebelumnya. Berbagai pengaturan 64, 128, 256, dan 1,000 token yang ditampilkan dalam contoh merupakan pilihan generasi untuk demonstrasi tersebut, bukan kapasitas jawaban maksimum yang dipublikasikan secara terpisah.
Batasan penting
Kartu Instruct menjelaskan checkpoint ini sebagai demonstrasi fine-tuning model dasar dan menyatakan secara tegas bahwa model tidak memiliki mekanisme moderasi. Aplikasi yang membutuhkan perilaku termoderasi harus menyediakannya dalam sistem yang menaungi model. Ini merupakan sifat checkpoint yang dirilis, bukan pernyataan tentang setiap layanan yang menyediakan model Nemo.
Tugas Nemo yang didokumentasikan di sini adalah generasi teks, dengan konteks 128k dan format percakapannya sendiri. Pemahaman gambar, transkripsi ucapan, dan kontrol penalaran hibrida dari keluarga Mistral yang lebih baru tidak boleh dianggap sebagai kemampuan edisi ini. Berikan kondisi tertulis yang lengkap, materi sumber yang relevan, dan hasil akhir yang diperlukan agar hasil tetap berguna sebagai penjelasan, teks yang direvisi, atau usulan implementasi.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-nemo | 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 $0.0003 / 1K token Keluaran · Token keluaran $0.0003 / 1K token Masukan · Pembacaan cache $0.00003 / 1K token Masukan · Penulisan cache — / 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 $0.0003 / 1K token Keluaran · Token keluaran $0.0003 / 1K token Masukan · Pembacaan cache $0.00003 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistralai/mistral-nemo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-nemo', '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-nemo', '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/mistral-nemo
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.