Mistral Small 3 Instruct 2501 adalah rilis Mistral Small 3 dengan 24 miliar parameter yang disesuaikan untuk mengikuti instruksi. Model ini menjalani fine-tuning dari model Small 24B Base 2501 yang bernama terpisah. Pembuatnya menempatkan model ini untuk bantuan percakapan yang responsif, pemanggilan fungsi, dan adaptasi bidang tertentu, dengan teks sebagai masukan maupun hasil yang dihasilkan.
Fitur inti dan perbedaan pelatihan
Kartu model mendokumentasikan dukungan multibahasa, kemampuan percakapan dan penalaran, pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap prompt sistem. Jendela konteksnya sebesar 32k, dan model menggunakan tokenizer Tekken dengan kosakata berlabel 131k. Label konteks berkaitan dengan teks yang dipertahankan untuk tugas, sedangkan label kosakata menjelaskan tokenisasi; keduanya merupakan spesifikasi berbeda.
Pembuatnya mencantumkan bahasa termasuk Inggris, Prancis, Jerman, Spanyol, Italia, Mandarin, Jepang, Korea, Portugis, Belanda, dan Polandia, dengan Rusia juga terdapat dalam metadata bahasa kartu yang dirilis. Tetapkan bahasa akhir dan istilah yang harus tetap sama. Penjelasan terjemahan dapat mempertahankan pengenal, nama, dan satuan sambil menyesuaikan prosa di sekitarnya dengan pembaca.
Pengumuman rilis menyatakan bahwa Small 3 tidak dilatih dengan pembelajaran penguatan atau data sintetis dan membedakan checkpoint prapelatihan dari checkpoint yang disesuaikan untuk mengikuti instruksi. Pengumuman itu menjelaskan model sebagai fondasi yang dapat disesuaikan lebih lanjut, bukan checkpoint hibrida dengan kontrol penalaran Small 4 yang hadir kemudian. Entri ini adalah edisi Instruct 2501 untuk mengikuti tugas percakapan.
Tugas percakapan dan terstruktur
Untuk asisten bergaya dukungan, berikan pertanyaan pengguna, materi referensi yang relevan, dan aturan respons. Minta tindakan yang menjawab pertanyaan serta kondisi ketika tindakan itu berlaku. Keluaran praktis dapat memisahkan balasan ringkas dari bidang hasil ekstraksi yang dibutuhkan aplikasi untuk langkah berikutnya, alih-alih mencampurkannya dalam penjelasan tak terstruktur.
Untuk klasifikasi, berikan label yang diperbolehkan dan perbedaan di antaranya. Untuk ekstraksi, sebut nama bidang, tipe yang diharapkan, dan representasi informasi yang tidak tersedia. Rekaman dapat memuat kategori masalah, pengenal yang disalin dari pesan, dan ringkasan singkat tindakan yang diminta. JSON menata hasil, sedangkan rancangan bidang dan aturan penafsiran tetap merupakan bagian dari tugas yang diberikan.
Untuk penjelasan pemrograman, sertakan fungsi, deklarasi yang relevan, dan masukan konkret. Tanyakan jalur mana dalam kode yang menentukan hasil. Untuk penjelasan matematika, tetapkan variabel dan asumsi serta identifikasi ekspresi atau klaim yang harus dibuktikan. Tugas berbasis teks ini dapat mengembalikan metode, penjelasan, dan artefak akhir tanpa menganggap model itu sendiri menjalankan kode atau perhitungan eksternal.
Instruksi sistem dan pengaturan yang direkomendasikan
Kartu model merekomendasikan prompt sistem yang disesuaikan dengan asisten yang dituju dan temperature yang relatif rendah, seperti 0.15. Gunakan instruksi sistem untuk menetapkan peran, gaya, dan aturan jawaban, sementara pesan pengguna memuat masalah aktual atau materi sumber. Pisahkan instruksi yang dikutip di dalam dokumen dari instruksi aplikasi tentang apa yang harus dilakukan terhadap dokumen tersebut.
Untuk asisten sehari-hari, tentukan apakah hasil harus berupa jawaban singkat, rekaman terstruktur, atau penjelasan yang lebih panjang. Jika respons akan diurai, minta rekaman secara terpisah dari prosa opsional. Dalam alur dokumen berulang, pertahankan pengenal sumber di samping setiap hasil agar aplikasi dapat mengembalikan materi yang tepat kepada pengguna.
Pemanggilan fungsi dan spesialisasi
Model dapat memilih fungsi yang dijelaskan dan menghasilkan argumennya. Aplikasi menjalankan operasi dan mengembalikan hasil bersama pemanggilan alat yang sesuai, setelah itu jawaban berikutnya dapat menggunakan informasi tersebut. Contoh kartu model menunjukkan percakapan dengan penggunaan alat sebelumnya diikuti pertanyaan baru. Ini memberi asisten cara untuk meminta informasi dari alat yang terhubung tanpa memperlakukan usulan pemanggilan sebagai pencarian yang telah selesai.
Jelaskan tujuan setiap fungsi dan nilai yang diwajibkannya dengan jelas. Tugas pencarian dapat menyebut informasi yang diperlukan dan mengembalikan hasil alat aktual ke percakapan; fungsi pemrosesan teks dapat menyediakan bagian yang telah ditransformasi untuk respons berikutnya. Jaga kumpulan alat tetap terkait dengan proses saat ini, serta pertahankan hubungan antara operasi yang diusulkan dan hasilnya.
Pembuatnya juga menjelaskan fine-tuning untuk spesialisasi bidang. Proses itu mengubah model untuk domain yang terdefinisi; sebaliknya, memberikan dokumen dalam satu percakapan merupakan pengondisian berdasarkan sumber untuk tugas tersebut. Berikan materi domain dan persyaratan respons yang dibutuhkan asisten tertentu alih-alih menganggap penyesuaian sudah dilakukan.
Batas konteks dan substantif
Small 3 2501 adalah model yang hanya berbasis teks dengan konteks 32k. Kemampuan visual dan konteks 128k yang diperkenalkan dalam Small 3.1 merupakan milik rilis berikutnya, dan mode hibrida Small 4 juga tidak boleh dipindahkan ke sini. Gambar, rekaman audio, atau video harus disiapkan konten relevannya melalui komponen lain sebelum tugas teks ini.
Pengaturan generasi 256 dan 512 token dalam kartu model merupakan contoh penggunaan, bukan kapasitas keluaran maksimum yang terpisah. Pastikan identitas Instruct 2501, tokenizer, dan hasil yang diminta tetap eksplisit. Artefak akhir yang berguna adalah jawaban, rekaman JSON, atau usulan kode yang makna serta formatnya sesuai dengan tugas tertulis asli.
", "aboutText": "Mistral Small 3 Instruct 2501 adalah rilis Mistral Small 3 dengan 24 miliar parameter yang disesuaikan untuk mengikuti instruksi. Model ini menjalani fine-tuning dari model Small 24B Base 2501 yang bernama terpisah. Pembuatnya menempatkan model ini untuk bantuan percakapan yang responsif, pemanggilan fungsi, dan adaptasi bidang tertentu, dengan teks sebagai masukan maupun hasil yang dihasilkan.\n\nFitur inti dan perbedaan pelatihan\n\nKartu model mendokumentasikan dukungan multibahasa, kemampuan percakapan dan penalaran, pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap prompt sistem. Jendela konteksnya sebesar 32k, dan model menggunakan tokenizer Tekken dengan kosakata berlabel 131k. Label konteks berkaitan dengan teks yang dipertahankan untuk tugas, sedangkan label kosakata menjelaskan tokenisasi; keduanya merupakan spesifikasi berbeda.\n\nPembuatnya mencantumkan bahasa termasuk Inggris, Prancis, Jerman, Spanyol, Italia, Mandarin, Jepang, Korea, Portugis, Belanda, dan Polandia, dengan Rusia juga terdapat dalam metadata bahasa kartu yang dirilis. Tetapkan bahasa akhir dan istilah yang harus tetap sama. Penjelasan terjemahan dapat mempertahankan pengenal, nama, dan satuan sambil menyesuaikan prosa di sekitarnya dengan pembaca.\n\nPengumuman rilis menyatakan bahwa Small 3 tidak dilatih dengan pembelajaran penguatan atau data sintetis dan membedakan checkpoint prapelatihan dari checkpoint yang disesuaikan untuk mengikuti instruksi. Pengumuman itu menjelaskan model sebagai fondasi yang dapat disesuaikan lebih lanjut, bukan checkpoint hibrida dengan kontrol penalaran Small 4 yang hadir kemudian. Entri ini adalah edisi Instruct 2501 untuk mengikuti tugas percakapan.\n\nTugas percakapan dan terstruktur\n\nUntuk asisten bergaya dukungan, berikan pertanyaan pengguna, materi referensi yang relevan, dan aturan respons. Minta tindakan yang menjawab pertanyaan serta kondisi ketika tindakan itu berlaku. Keluaran praktis dapat memisahkan balasan ringkas dari bidang hasil ekstraksi yang dibutuhkan aplikasi untuk langkah berikutnya, alih-alih mencampurkannya dalam penjelasan tak terstruktur.\n\nUntuk klasifikasi, berikan label yang diperbolehkan dan perbedaan di antaranya. Untuk ekstraksi, sebut nama bidang, tipe yang diharapkan, dan representasi informasi yang tidak tersedia. Rekaman dapat memuat kategori masalah, pengenal yang disalin dari pesan, dan ringkasan singkat tindakan yang diminta. JSON menata hasil, sedangkan rancangan bidang dan aturan penafsiran tetap merupakan bagian dari tugas yang diberikan.\n\nUntuk penjelasan pemrograman, sertakan fungsi, deklarasi yang relevan, dan masukan konkret. Tanyakan jalur mana dalam kode yang menentukan hasil. Untuk penjelasan matematika, tetapkan variabel dan asumsi serta identifikasi ekspresi atau klaim yang harus dibuktikan. Tugas berbasis teks ini dapat mengembalikan metode, penjelasan, dan artefak akhir tanpa menganggap model itu sendiri menjalankan kode atau perhitungan eksternal.\n\nInstruksi sistem dan pengaturan yang direkomendasikan\n\nKartu model merekomendasikan prompt sistem yang disesuaikan dengan asisten yang dituju dan temperature yang relatif rendah, seperti 0.15. Gunakan instruksi sistem untuk menetapkan peran, gaya, dan aturan jawaban, sementara pesan pengguna memuat masalah aktual atau materi sumber. Pisahkan instruksi yang dikutip di dalam dokumen dari instruksi aplikasi tentang apa yang harus dilakukan terhadap dokumen tersebut.\n\nUntuk asisten sehari-hari, tentukan apakah hasil harus berupa jawaban singkat, rekaman terstruktur, atau penjelasan yang lebih panjang. Jika respons akan diurai, minta rekaman secara terpisah dari prosa opsional. Dalam alur dokumen berulang, pertahankan pengenal sumber di samping setiap hasil agar aplikasi dapat mengembalikan materi yang tepat kepada pengguna.\n\nPemanggilan fungsi dan spesialisasi\n\nModel dapat memilih fungsi yang dijelaskan dan menghasilkan argumennya. Aplikasi menjalankan operasi dan mengembalikan hasil bersama pemanggilan alat yang sesuai, setelah itu jawaban berikutnya dapat menggunakan informasi tersebut. Contoh kartu model menunjukkan percakapan dengan penggunaan alat sebelumnya diikuti pertanyaan baru. Ini memberi asisten cara untuk meminta informasi dari alat yang terhubung tanpa memperlakukan usulan pemanggilan sebagai pencarian yang telah selesai.\n\nJelaskan tujuan setiap fungsi dan nilai yang diwajibkannya dengan jelas. Tugas pencarian dapat menyebut informasi yang diperlukan dan mengembalikan hasil alat aktual ke percakapan; fungsi pemrosesan teks dapat menyediakan bagian yang telah ditransformasi untuk respons berikutnya. Jaga kumpulan alat tetap terkait dengan proses saat ini, serta pertahankan hubungan antara operasi yang diusulkan dan hasilnya.\n\nPembuatnya juga menjelaskan fine-tuning untuk spesialisasi bidang. Proses itu mengubah model untuk domain yang terdefinisi; sebaliknya, memberikan dokumen dalam satu percakapan merupakan pengondisian berdasarkan sumber untuk tugas tersebut. Berikan materi domain dan persyaratan respons yang dibutuhkan asisten tertentu alih-alih menganggap penyesuaian sudah dilakukan.\n\nBatas konteks dan substantif\n\nSmall 3 2501 adalah model yang hanya berbasis teks dengan konteks 32k. Kemampuan visual dan konteks 128k yang diperkenalkan dalam Small 3.1 merupakan milik rilis berikutnya, dan mode hibrida Small 4 juga tidak boleh dipindahkan ke sini. Gambar, rekaman audio, atau video harus disiapkan konten relevannya melalui komponen lain sebelum tugas teks ini.\n\nPengaturan generasi 256 dan 512 token dalam kartu model merupakan contoh penggunaan, bukan kapasitas keluaran maksimum yang terpisah. Pastikan identitas Instruct 2501, tokenizer, dan hasil yang diminta tetap eksplisit. Artefak akhir yang berguna adalah jawaban, rekaman JSON, atau usulan kode yang makna serta formatnya sesuai dengan tugas tertulis asli.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 adalah model teks 24B untuk instruksi percakapan, ekstraksi terstruktur, dan aplikasi berbantuan alat. Model ini menyediakan konteks 32k dari pembuatnya, respons multibahasa, dukungan prompt sistem, JSON, dan pemanggilan fungsi bawaan dalam rilis tersendiri yang hanya berbasis teks.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Small 3 Instruct 2501 adalah rilis Mistral Small 3 dengan 24 miliar parameter yang disesuaikan untuk mengikuti instruksi. Model ini menjalani fine-tuning dari model Small 24B Base 2501 yang bernama terpisah. Pembuatnya menempatkan model ini untuk bantuan percakapan yang responsif, pemanggilan fungsi, dan adaptasi bidang tertentu, dengan teks sebagai masukan maupun hasil yang dihasilkan.
Fitur inti dan perbedaan pelatihan
Kartu model mendokumentasikan dukungan multibahasa, kemampuan percakapan dan penalaran, pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap prompt sistem. Jendela konteksnya sebesar 32k, dan model menggunakan tokenizer Tekken dengan kosakata berlabel 131k. Label konteks berkaitan dengan teks yang dipertahankan untuk tugas, sedangkan label kosakata menjelaskan tokenisasi; keduanya merupakan spesifikasi berbeda.
Pembuatnya mencantumkan bahasa termasuk Inggris, Prancis, Jerman, Spanyol, Italia, Mandarin, Jepang, Korea, Portugis, Belanda, dan Polandia, dengan Rusia juga terdapat dalam metadata bahasa kartu yang dirilis. Tetapkan bahasa akhir dan istilah yang harus tetap sama. Penjelasan terjemahan dapat mempertahankan pengenal, nama, dan satuan sambil menyesuaikan prosa di sekitarnya dengan pembaca.
Pengumuman rilis menyatakan bahwa Small 3 tidak dilatih dengan pembelajaran penguatan atau data sintetis dan membedakan checkpoint prapelatihan dari checkpoint yang disesuaikan untuk mengikuti instruksi. Pengumuman itu menjelaskan model sebagai fondasi yang dapat disesuaikan lebih lanjut, bukan checkpoint hibrida dengan kontrol penalaran Small 4 yang hadir kemudian. Entri ini adalah edisi Instruct 2501 untuk mengikuti tugas percakapan.
Tugas percakapan dan terstruktur
Untuk asisten bergaya dukungan, berikan pertanyaan pengguna, materi referensi yang relevan, dan aturan respons. Minta tindakan yang menjawab pertanyaan serta kondisi ketika tindakan itu berlaku. Keluaran praktis dapat memisahkan balasan ringkas dari bidang hasil ekstraksi yang dibutuhkan aplikasi untuk langkah berikutnya, alih-alih mencampurkannya dalam penjelasan tak terstruktur.
Untuk klasifikasi, berikan label yang diperbolehkan dan perbedaan di antaranya. Untuk ekstraksi, sebut nama bidang, tipe yang diharapkan, dan representasi informasi yang tidak tersedia. Rekaman dapat memuat kategori masalah, pengenal yang disalin dari pesan, dan ringkasan singkat tindakan yang diminta. JSON menata hasil, sedangkan rancangan bidang dan aturan penafsiran tetap merupakan bagian dari tugas yang diberikan.
Untuk penjelasan pemrograman, sertakan fungsi, deklarasi yang relevan, dan masukan konkret. Tanyakan jalur mana dalam kode yang menentukan hasil. Untuk penjelasan matematika, tetapkan variabel dan asumsi serta identifikasi ekspresi atau klaim yang harus dibuktikan. Tugas berbasis teks ini dapat mengembalikan metode, penjelasan, dan artefak akhir tanpa menganggap model itu sendiri menjalankan kode atau perhitungan eksternal.
Instruksi sistem dan pengaturan yang direkomendasikan
Kartu model merekomendasikan prompt sistem yang disesuaikan dengan asisten yang dituju dan temperature yang relatif rendah, seperti 0.15. Gunakan instruksi sistem untuk menetapkan peran, gaya, dan aturan jawaban, sementara pesan pengguna memuat masalah aktual atau materi sumber. Pisahkan instruksi yang dikutip di dalam dokumen dari instruksi aplikasi tentang apa yang harus dilakukan terhadap dokumen tersebut.
Untuk asisten sehari-hari, tentukan apakah hasil harus berupa jawaban singkat, rekaman terstruktur, atau penjelasan yang lebih panjang. Jika respons akan diurai, minta rekaman secara terpisah dari prosa opsional. Dalam alur dokumen berulang, pertahankan pengenal sumber di samping setiap hasil agar aplikasi dapat mengembalikan materi yang tepat kepada pengguna.
Pemanggilan fungsi dan spesialisasi
Model dapat memilih fungsi yang dijelaskan dan menghasilkan argumennya. Aplikasi menjalankan operasi dan mengembalikan hasil bersama pemanggilan alat yang sesuai, setelah itu jawaban berikutnya dapat menggunakan informasi tersebut. Contoh kartu model menunjukkan percakapan dengan penggunaan alat sebelumnya diikuti pertanyaan baru. Ini memberi asisten cara untuk meminta informasi dari alat yang terhubung tanpa memperlakukan usulan pemanggilan sebagai pencarian yang telah selesai.
Jelaskan tujuan setiap fungsi dan nilai yang diwajibkannya dengan jelas. Tugas pencarian dapat menyebut informasi yang diperlukan dan mengembalikan hasil alat aktual ke percakapan; fungsi pemrosesan teks dapat menyediakan bagian yang telah ditransformasi untuk respons berikutnya. Jaga kumpulan alat tetap terkait dengan proses saat ini, serta pertahankan hubungan antara operasi yang diusulkan dan hasilnya.
Pembuatnya juga menjelaskan fine-tuning untuk spesialisasi bidang. Proses itu mengubah model untuk domain yang terdefinisi; sebaliknya, memberikan dokumen dalam satu percakapan merupakan pengondisian berdasarkan sumber untuk tugas tersebut. Berikan materi domain dan persyaratan respons yang dibutuhkan asisten tertentu alih-alih menganggap penyesuaian sudah dilakukan.
Batas konteks dan substantif
Small 3 2501 adalah model yang hanya berbasis teks dengan konteks 32k. Kemampuan visual dan konteks 128k yang diperkenalkan dalam Small 3.1 merupakan milik rilis berikutnya, dan mode hibrida Small 4 juga tidak boleh dipindahkan ke sini. Gambar, rekaman audio, atau video harus disiapkan konten relevannya melalui komponen lain sebelum tugas teks ini.
Pengaturan generasi 256 dan 512 token dalam kartu model merupakan contoh penggunaan, bukan kapasitas keluaran maksimum yang terpisah. Pastikan identitas Instruct 2501, tokenizer, dan hasil yang diminta tetap eksplisit. Artefak akhir yang berguna adalah jawaban, rekaman JSON, atau usulan kode yang makna serta formatnya sesuai dengan tugas tertulis asli.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K token Keluaran · Token keluaran $0.00016 / 1K token Masukan · Pembacaan cache — / 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 $0.0001 / 1K token Keluaran · Token keluaran $0.00016 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-24b-instruct-2501',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-small-24b-instruct-2501
Gunakan jalur metode yang ditampilkan di atas.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 adalah model teks 24B untuk instruksi percakapan, ekstraksi terstruktur, dan aplikasi berbantuan alat. Model ini menyediakan konteks 32k dari pembuatnya, respons multibahasa, dukungan prompt sistem, JSON, dan pemanggilan fungsi bawaan dalam rilis tersendiri yang hanya berbasis teks.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Small 3 Instruct 2501 adalah rilis Mistral Small 3 dengan 24 miliar parameter yang disesuaikan untuk mengikuti instruksi. Model ini menjalani fine-tuning dari model Small 24B Base 2501 yang bernama terpisah. Pembuatnya menempatkan model ini untuk bantuan percakapan yang responsif, pemanggilan fungsi, dan adaptasi bidang tertentu, dengan teks sebagai masukan maupun hasil yang dihasilkan.
Fitur inti dan perbedaan pelatihan
Kartu model mendokumentasikan dukungan multibahasa, kemampuan percakapan dan penalaran, pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap prompt sistem. Jendela konteksnya sebesar 32k, dan model menggunakan tokenizer Tekken dengan kosakata berlabel 131k. Label konteks berkaitan dengan teks yang dipertahankan untuk tugas, sedangkan label kosakata menjelaskan tokenisasi; keduanya merupakan spesifikasi berbeda.
Pembuatnya mencantumkan bahasa termasuk Inggris, Prancis, Jerman, Spanyol, Italia, Mandarin, Jepang, Korea, Portugis, Belanda, dan Polandia, dengan Rusia juga terdapat dalam metadata bahasa kartu yang dirilis. Tetapkan bahasa akhir dan istilah yang harus tetap sama. Penjelasan terjemahan dapat mempertahankan pengenal, nama, dan satuan sambil menyesuaikan prosa di sekitarnya dengan pembaca.
Pengumuman rilis menyatakan bahwa Small 3 tidak dilatih dengan pembelajaran penguatan atau data sintetis dan membedakan checkpoint prapelatihan dari checkpoint yang disesuaikan untuk mengikuti instruksi. Pengumuman itu menjelaskan model sebagai fondasi yang dapat disesuaikan lebih lanjut, bukan checkpoint hibrida dengan kontrol penalaran Small 4 yang hadir kemudian. Entri ini adalah edisi Instruct 2501 untuk mengikuti tugas percakapan.
Tugas percakapan dan terstruktur
Untuk asisten bergaya dukungan, berikan pertanyaan pengguna, materi referensi yang relevan, dan aturan respons. Minta tindakan yang menjawab pertanyaan serta kondisi ketika tindakan itu berlaku. Keluaran praktis dapat memisahkan balasan ringkas dari bidang hasil ekstraksi yang dibutuhkan aplikasi untuk langkah berikutnya, alih-alih mencampurkannya dalam penjelasan tak terstruktur.
Untuk klasifikasi, berikan label yang diperbolehkan dan perbedaan di antaranya. Untuk ekstraksi, sebut nama bidang, tipe yang diharapkan, dan representasi informasi yang tidak tersedia. Rekaman dapat memuat kategori masalah, pengenal yang disalin dari pesan, dan ringkasan singkat tindakan yang diminta. JSON menata hasil, sedangkan rancangan bidang dan aturan penafsiran tetap merupakan bagian dari tugas yang diberikan.
Untuk penjelasan pemrograman, sertakan fungsi, deklarasi yang relevan, dan masukan konkret. Tanyakan jalur mana dalam kode yang menentukan hasil. Untuk penjelasan matematika, tetapkan variabel dan asumsi serta identifikasi ekspresi atau klaim yang harus dibuktikan. Tugas berbasis teks ini dapat mengembalikan metode, penjelasan, dan artefak akhir tanpa menganggap model itu sendiri menjalankan kode atau perhitungan eksternal.
Instruksi sistem dan pengaturan yang direkomendasikan
Kartu model merekomendasikan prompt sistem yang disesuaikan dengan asisten yang dituju dan temperature yang relatif rendah, seperti 0.15. Gunakan instruksi sistem untuk menetapkan peran, gaya, dan aturan jawaban, sementara pesan pengguna memuat masalah aktual atau materi sumber. Pisahkan instruksi yang dikutip di dalam dokumen dari instruksi aplikasi tentang apa yang harus dilakukan terhadap dokumen tersebut.
Untuk asisten sehari-hari, tentukan apakah hasil harus berupa jawaban singkat, rekaman terstruktur, atau penjelasan yang lebih panjang. Jika respons akan diurai, minta rekaman secara terpisah dari prosa opsional. Dalam alur dokumen berulang, pertahankan pengenal sumber di samping setiap hasil agar aplikasi dapat mengembalikan materi yang tepat kepada pengguna.
Pemanggilan fungsi dan spesialisasi
Model dapat memilih fungsi yang dijelaskan dan menghasilkan argumennya. Aplikasi menjalankan operasi dan mengembalikan hasil bersama pemanggilan alat yang sesuai, setelah itu jawaban berikutnya dapat menggunakan informasi tersebut. Contoh kartu model menunjukkan percakapan dengan penggunaan alat sebelumnya diikuti pertanyaan baru. Ini memberi asisten cara untuk meminta informasi dari alat yang terhubung tanpa memperlakukan usulan pemanggilan sebagai pencarian yang telah selesai.
Jelaskan tujuan setiap fungsi dan nilai yang diwajibkannya dengan jelas. Tugas pencarian dapat menyebut informasi yang diperlukan dan mengembalikan hasil alat aktual ke percakapan; fungsi pemrosesan teks dapat menyediakan bagian yang telah ditransformasi untuk respons berikutnya. Jaga kumpulan alat tetap terkait dengan proses saat ini, serta pertahankan hubungan antara operasi yang diusulkan dan hasilnya.
Pembuatnya juga menjelaskan fine-tuning untuk spesialisasi bidang. Proses itu mengubah model untuk domain yang terdefinisi; sebaliknya, memberikan dokumen dalam satu percakapan merupakan pengondisian berdasarkan sumber untuk tugas tersebut. Berikan materi domain dan persyaratan respons yang dibutuhkan asisten tertentu alih-alih menganggap penyesuaian sudah dilakukan.
Batas konteks dan substantif
Small 3 2501 adalah model yang hanya berbasis teks dengan konteks 32k. Kemampuan visual dan konteks 128k yang diperkenalkan dalam Small 3.1 merupakan milik rilis berikutnya, dan mode hibrida Small 4 juga tidak boleh dipindahkan ke sini. Gambar, rekaman audio, atau video harus disiapkan konten relevannya melalui komponen lain sebelum tugas teks ini.
Pengaturan generasi 256 dan 512 token dalam kartu model merupakan contoh penggunaan, bukan kapasitas keluaran maksimum yang terpisah. Pastikan identitas Instruct 2501, tokenizer, dan hasil yang diminta tetap eksplisit. Artefak akhir yang berguna adalah jawaban, rekaman JSON, atau usulan kode yang makna serta formatnya sesuai dengan tugas tertulis asli.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K token Keluaran · Token keluaran $0.00016 / 1K token Masukan · Pembacaan cache — / 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 $0.0001 / 1K token Keluaran · Token keluaran $0.00016 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', '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-small-24b-instruct-2501
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.