Mistral Small 4 menggabungkan kepatuhan instruksi umum, penalaran, dan pemrograman dalam satu model multimodal. Pembuatnya menjelaskan model ini sebagai penyatuan keluarga Instruct, penalaran Magistral, dan pemrograman Devstral. Model menerima teks dan gambar serta mengembalikan teks, dengan pemanggilan fungsi dan keluaran JSON tersedia untuk aplikasi berbantuan alat.
Arsitektur dan fitur utama
Rilis ini memiliki total 119 miliar parameter dan mengaktifkan 6,5 miliar per token. Arsitektur mixture-of-experts-nya memuat 128 pakar, dengan 4 aktif, dan pembuatnya mendokumentasikan jendela konteks 256k. Jumlah parameter aktif dan jumlah pakar menjelaskan bagaimana model disusun; keduanya berbeda dari jumlah konten teks atau gambar yang disertakan dalam satu tugas.
Model menyediakan fungsi instruksi dan penalaran dalam checkpoint yang sama. Pembuatnya juga menyebut kemampuan visual, kepatuhan prompt sistem, dan dukungan multibahasa untuk puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Dengan demikian, instruksi teks dapat menanyakan gambar atau menggabungkan persyaratan tertulis dengan bukti yang terlihat, dengan jawaban dikembalikan sebagai teks.
Tugas visual dapat menyediakan halaman dokumen dan meminta nilai yang relevan dengan kondisi tertentu. Pastikan label dan satuan terbaca serta nyatakan apakah hasil harus mempertahankan redaksi asli, merangkumnya, atau membandingkannya dengan sumber lain. Tugas antarmuka dapat memasangkan tangkapan layar dengan tujuan pengguna dan meminta kontrol relevan yang terlihat serta bukti yang mendukung usulan langkah berikutnya.
Memilih mode instruksi atau penalaran
Kartu yang dirilis mendokumentasikan upaya penalaran none untuk jawaban bergaya instruksi yang langsung, dan high untuk penalaran, dengan high direkomendasikan bagi prompt kompleks. Pilihan dilakukan per permintaan dalam model Small 4 yang sama. Klasifikasi biasa atau penulisan ulang singkat dapat memiliki kontrak jawaban berbeda dari masalah matematika, visual, atau pemrograman yang memerlukan penjelasan mendalam.
Pembuatnya merekomendasikan temperature 0.7 untuk upaya penalaran high. Untuk none, dokumentasinya menetapkan temperature antara 0.0 dan 0.7 sesuai tugas. Pengaturan ini menjelaskan mode yang terdokumentasi dan tidak menjadikan upaya penalaran sebagai jaminan hasil yang benar. Tetapkan asumsi, bentuk keluaran, dan materi sumber yang relevan sebelum memilih seberapa banyak penalaran yang diperlukan tugas.
Untuk soal yang diselesaikan dengan langkah-langkah, berikan kondisi lengkap dan minta langkah beralasan yang penting diikuti ekspresi akhir. Untuk tugas kode, berikan persyaratan, fungsi yang terdampak, dan masukan konkret; minta usulan implementasi secara terpisah dari penjelasan dan contohnya. Demonstrasi penggunaan dari pembuatnya mencakup kepatuhan instruksi, alat perhitungan yang diterapkan pada gambar, dan penalaran visual, yang menunjukkan bagaimana teks dan bukti visual dapat masuk ke tugas yang berbeda ini.
Pemrograman, dokumen, dan alat
Model ini ditempatkan untuk eksplorasi basis kode dan agen rekayasa perangkat lunak, asisten umum, pemahaman dokumen, serta riset. Permintaan agen pemrograman dapat menyebut modul yang harus diubah, antarmuka yang harus dipertahankan, dan perilaku yang seharusnya dihasilkan. Berikan sumber dan bukti kegagalan yang relevan. Model dapat mengusulkan operasi berikutnya atau perubahan kode, sementara aplikasi menyediakan akses repositori, eksekusi, dan umpan balik.
Untuk ekstraksi dokumen, identifikasi bidang yang diwajibkan dan cara merepresentasikan informasi yang tidak tersedia. Rekaman yang berguna dapat memisahkan pengenal dokumen, pernyataan sumber, persyaratan yang ditafsirkan, dan pertanyaan yang belum terjawab. Kartu layanan pembuatnya mencantumkan keluaran terstruktur khusus dan tanya jawab dokumen; yang terakhir menggunakan pemrosesan dokumen dan OCR untuk menyiapkan teks serta struktur sebelum analisis model bahasa. Pertanyaan gambar langsung dan alur dokumen berbantuan OCR harus mempertahankan persiapan masukan masing-masing.
Pemanggilan fungsi memerlukan alat yang dijelaskan dengan jelas. Model memilih fungsi dan membuat argumen; aplikasi menjalankan operasi dan mengembalikan hasilnya untuk jawaban berikutnya. Logika yang sama berlaku baik tugasnya berupa pencarian, perhitungan, maupun operasi pemrograman. Pemformatan JSON menata jawaban, sedangkan pemanggilan alat meminta tindakan eksternal; keduanya tidak boleh diperlakukan sebagai hasil yang dapat dipertukarkan.
Kartu layanan juga mencantumkan predicted outputs, prefiks respons, pemrosesan batch, dan percakapan agen. Predicted outputs berguna ketika dokumen atau berkas kode harus dihasilkan ulang dengan perubahan terbatas dan sisa kontennya sudah diketahui. Tentukan penyuntingan dan materi yang harus dipertahankan. Kelanjutan prefiks menggunakan awal respons yang sudah diketahui, sedangkan pemrosesan batch berkaitan dengan pengiriman pekerjaan, bukan mode penalaran tambahan.
Batas konteks dan edisi
Rencanakan tugas tertulis, materi visual, percakapan, dan jawaban yang diinginkan sesuai konteks 256k yang terdokumentasi. Contoh penggunaan yang dirilis mengonfigurasi konteks 262.144 token, sedangkan contoh generasi 1.024 token bukan kapasitas keluaran maksimum tersendiri. Sumber yang dibaca tidak memberikan batas keras panjang jawaban yang mandiri untuk menggantikan panjang tugas yang dipilih.
Small 4 memiliki arsitektur mixture-of-experts 119B dan mode hibridanya sendiri. Model ini tidak boleh mewarisi arsitektur dense 128B Medium 3.5 atau edisi Instruct dan Reasoning terpisah milik Ministral 3. Pembuatnya juga merilis artefak terkuantisasi dan speculative-decoding yang berbeda; itu merupakan artefak penerapan terpisah, bukan modalitas konten berbeda. Pertahankan rilis Small 4 bernama dan mode yang diminta untuk penjelasan aktual, rekaman terstruktur, atau hasil kode.
", "aboutText": "Mistral Small 4 menggabungkan kepatuhan instruksi umum, penalaran, dan pemrograman dalam satu model multimodal. Pembuatnya menjelaskan model ini sebagai penyatuan keluarga Instruct, penalaran Magistral, dan pemrograman Devstral. Model menerima teks dan gambar serta mengembalikan teks, dengan pemanggilan fungsi dan keluaran JSON tersedia untuk aplikasi berbantuan alat.\n\nArsitektur dan fitur utama\n\nRilis ini memiliki total 119 miliar parameter dan mengaktifkan 6,5 miliar per token. Arsitektur mixture-of-experts-nya memuat 128 pakar, dengan 4 aktif, dan pembuatnya mendokumentasikan jendela konteks 256k. Jumlah parameter aktif dan jumlah pakar menjelaskan bagaimana model disusun; keduanya berbeda dari jumlah konten teks atau gambar yang disertakan dalam satu tugas.\n\nModel menyediakan fungsi instruksi dan penalaran dalam checkpoint yang sama. Pembuatnya juga menyebut kemampuan visual, kepatuhan prompt sistem, dan dukungan multibahasa untuk puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Dengan demikian, instruksi teks dapat menanyakan gambar atau menggabungkan persyaratan tertulis dengan bukti yang terlihat, dengan jawaban dikembalikan sebagai teks.\n\nTugas visual dapat menyediakan halaman dokumen dan meminta nilai yang relevan dengan kondisi tertentu. Pastikan label dan satuan terbaca serta nyatakan apakah hasil harus mempertahankan redaksi asli, merangkumnya, atau membandingkannya dengan sumber lain. Tugas antarmuka dapat memasangkan tangkapan layar dengan tujuan pengguna dan meminta kontrol relevan yang terlihat serta bukti yang mendukung usulan langkah berikutnya.\n\nMemilih mode instruksi atau penalaran\n\nKartu yang dirilis mendokumentasikan upaya penalaran none untuk jawaban bergaya instruksi yang langsung, dan high untuk penalaran, dengan high direkomendasikan bagi prompt kompleks. Pilihan dilakukan per permintaan dalam model Small 4 yang sama. Klasifikasi biasa atau penulisan ulang singkat dapat memiliki kontrak jawaban berbeda dari masalah matematika, visual, atau pemrograman yang memerlukan penjelasan mendalam.\n\nPembuatnya merekomendasikan temperature 0.7 untuk upaya penalaran high. Untuk none, dokumentasinya menetapkan temperature antara 0.0 dan 0.7 sesuai tugas. Pengaturan ini menjelaskan mode yang terdokumentasi dan tidak menjadikan upaya penalaran sebagai jaminan hasil yang benar. Tetapkan asumsi, bentuk keluaran, dan materi sumber yang relevan sebelum memilih seberapa banyak penalaran yang diperlukan tugas.\n\nUntuk soal yang diselesaikan dengan langkah-langkah, berikan kondisi lengkap dan minta langkah beralasan yang penting diikuti ekspresi akhir. Untuk tugas kode, berikan persyaratan, fungsi yang terdampak, dan masukan konkret; minta usulan implementasi secara terpisah dari penjelasan dan contohnya. Demonstrasi penggunaan dari pembuatnya mencakup kepatuhan instruksi, alat perhitungan yang diterapkan pada gambar, dan penalaran visual, yang menunjukkan bagaimana teks dan bukti visual dapat masuk ke tugas yang berbeda ini.\n\nPemrograman, dokumen, dan alat\n\nModel ini ditempatkan untuk eksplorasi basis kode dan agen rekayasa perangkat lunak, asisten umum, pemahaman dokumen, serta riset. Permintaan agen pemrograman dapat menyebut modul yang harus diubah, antarmuka yang harus dipertahankan, dan perilaku yang seharusnya dihasilkan. Berikan sumber dan bukti kegagalan yang relevan. Model dapat mengusulkan operasi berikutnya atau perubahan kode, sementara aplikasi menyediakan akses repositori, eksekusi, dan umpan balik.\n\nUntuk ekstraksi dokumen, identifikasi bidang yang diwajibkan dan cara merepresentasikan informasi yang tidak tersedia. Rekaman yang berguna dapat memisahkan pengenal dokumen, pernyataan sumber, persyaratan yang ditafsirkan, dan pertanyaan yang belum terjawab. Kartu layanan pembuatnya mencantumkan keluaran terstruktur khusus dan tanya jawab dokumen; yang terakhir menggunakan pemrosesan dokumen dan OCR untuk menyiapkan teks serta struktur sebelum analisis model bahasa. Pertanyaan gambar langsung dan alur dokumen berbantuan OCR harus mempertahankan persiapan masukan masing-masing.\n\nPemanggilan fungsi memerlukan alat yang dijelaskan dengan jelas. Model memilih fungsi dan membuat argumen; aplikasi menjalankan operasi dan mengembalikan hasilnya untuk jawaban berikutnya. Logika yang sama berlaku baik tugasnya berupa pencarian, perhitungan, maupun operasi pemrograman. Pemformatan JSON menata jawaban, sedangkan pemanggilan alat meminta tindakan eksternal; keduanya tidak boleh diperlakukan sebagai hasil yang dapat dipertukarkan.\n\nKartu layanan juga mencantumkan predicted outputs, prefiks respons, pemrosesan batch, dan percakapan agen. Predicted outputs berguna ketika dokumen atau berkas kode harus dihasilkan ulang dengan perubahan terbatas dan sisa kontennya sudah diketahui. Tentukan penyuntingan dan materi yang harus dipertahankan. Kelanjutan prefiks menggunakan awal respons yang sudah diketahui, sedangkan pemrosesan batch berkaitan dengan pengiriman pekerjaan, bukan mode penalaran tambahan.\n\nBatas konteks dan edisi\n\nRencanakan tugas tertulis, materi visual, percakapan, dan jawaban yang diinginkan sesuai konteks 256k yang terdokumentasi. Contoh penggunaan yang dirilis mengonfigurasi konteks 262.144 token, sedangkan contoh generasi 1.024 token bukan kapasitas keluaran maksimum tersendiri. Sumber yang dibaca tidak memberikan batas keras panjang jawaban yang mandiri untuk menggantikan panjang tugas yang dipilih.\n\nSmall 4 memiliki arsitektur mixture-of-experts 119B dan mode hibridanya sendiri. Model ini tidak boleh mewarisi arsitektur dense 128B Medium 3.5 atau edisi Instruct dan Reasoning terpisah milik Ministral 3. Pembuatnya juga merilis artefak terkuantisasi dan speculative-decoding yang berbeda; itu merupakan artefak penerapan terpisah, bukan modalitas konten berbeda. Pertahankan rilis Small 4 bernama dan mode yang diminta untuk penjelasan aktual, rekaman terstruktur, atau hasil kode.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 adalah model teks dan gambar hibrida dengan kemampuan instruksi, penalaran, dan pemrograman. Rilis mixture-of-experts 119B-nya mengaktifkan 6,5B parameter per token dan mendukung konteks 256k dari pembuatnya, upaya penalaran yang dapat dipilih, JSON, dan pemanggilan fungsi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Small 4 menggabungkan kepatuhan instruksi umum, penalaran, dan pemrograman dalam satu model multimodal. Pembuatnya menjelaskan model ini sebagai penyatuan keluarga Instruct, penalaran Magistral, dan pemrograman Devstral. Model menerima teks dan gambar serta mengembalikan teks, dengan pemanggilan fungsi dan keluaran JSON tersedia untuk aplikasi berbantuan alat.
Arsitektur dan fitur utama
Rilis ini memiliki total 119 miliar parameter dan mengaktifkan 6,5 miliar per token. Arsitektur mixture-of-experts-nya memuat 128 pakar, dengan 4 aktif, dan pembuatnya mendokumentasikan jendela konteks 256k. Jumlah parameter aktif dan jumlah pakar menjelaskan bagaimana model disusun; keduanya berbeda dari jumlah konten teks atau gambar yang disertakan dalam satu tugas.
Model menyediakan fungsi instruksi dan penalaran dalam checkpoint yang sama. Pembuatnya juga menyebut kemampuan visual, kepatuhan prompt sistem, dan dukungan multibahasa untuk puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Dengan demikian, instruksi teks dapat menanyakan gambar atau menggabungkan persyaratan tertulis dengan bukti yang terlihat, dengan jawaban dikembalikan sebagai teks.
Tugas visual dapat menyediakan halaman dokumen dan meminta nilai yang relevan dengan kondisi tertentu. Pastikan label dan satuan terbaca serta nyatakan apakah hasil harus mempertahankan redaksi asli, merangkumnya, atau membandingkannya dengan sumber lain. Tugas antarmuka dapat memasangkan tangkapan layar dengan tujuan pengguna dan meminta kontrol relevan yang terlihat serta bukti yang mendukung usulan langkah berikutnya.
Memilih mode instruksi atau penalaran
Kartu yang dirilis mendokumentasikan upaya penalaran none untuk jawaban bergaya instruksi yang langsung, dan high untuk penalaran, dengan high direkomendasikan bagi prompt kompleks. Pilihan dilakukan per permintaan dalam model Small 4 yang sama. Klasifikasi biasa atau penulisan ulang singkat dapat memiliki kontrak jawaban berbeda dari masalah matematika, visual, atau pemrograman yang memerlukan penjelasan mendalam.
Pembuatnya merekomendasikan temperature 0.7 untuk upaya penalaran high. Untuk none, dokumentasinya menetapkan temperature antara 0.0 dan 0.7 sesuai tugas. Pengaturan ini menjelaskan mode yang terdokumentasi dan tidak menjadikan upaya penalaran sebagai jaminan hasil yang benar. Tetapkan asumsi, bentuk keluaran, dan materi sumber yang relevan sebelum memilih seberapa banyak penalaran yang diperlukan tugas.
Untuk soal yang diselesaikan dengan langkah-langkah, berikan kondisi lengkap dan minta langkah beralasan yang penting diikuti ekspresi akhir. Untuk tugas kode, berikan persyaratan, fungsi yang terdampak, dan masukan konkret; minta usulan implementasi secara terpisah dari penjelasan dan contohnya. Demonstrasi penggunaan dari pembuatnya mencakup kepatuhan instruksi, alat perhitungan yang diterapkan pada gambar, dan penalaran visual, yang menunjukkan bagaimana teks dan bukti visual dapat masuk ke tugas yang berbeda ini.
Pemrograman, dokumen, dan alat
Model ini ditempatkan untuk eksplorasi basis kode dan agen rekayasa perangkat lunak, asisten umum, pemahaman dokumen, serta riset. Permintaan agen pemrograman dapat menyebut modul yang harus diubah, antarmuka yang harus dipertahankan, dan perilaku yang seharusnya dihasilkan. Berikan sumber dan bukti kegagalan yang relevan. Model dapat mengusulkan operasi berikutnya atau perubahan kode, sementara aplikasi menyediakan akses repositori, eksekusi, dan umpan balik.
Untuk ekstraksi dokumen, identifikasi bidang yang diwajibkan dan cara merepresentasikan informasi yang tidak tersedia. Rekaman yang berguna dapat memisahkan pengenal dokumen, pernyataan sumber, persyaratan yang ditafsirkan, dan pertanyaan yang belum terjawab. Kartu layanan pembuatnya mencantumkan keluaran terstruktur khusus dan tanya jawab dokumen; yang terakhir menggunakan pemrosesan dokumen dan OCR untuk menyiapkan teks serta struktur sebelum analisis model bahasa. Pertanyaan gambar langsung dan alur dokumen berbantuan OCR harus mempertahankan persiapan masukan masing-masing.
Pemanggilan fungsi memerlukan alat yang dijelaskan dengan jelas. Model memilih fungsi dan membuat argumen; aplikasi menjalankan operasi dan mengembalikan hasilnya untuk jawaban berikutnya. Logika yang sama berlaku baik tugasnya berupa pencarian, perhitungan, maupun operasi pemrograman. Pemformatan JSON menata jawaban, sedangkan pemanggilan alat meminta tindakan eksternal; keduanya tidak boleh diperlakukan sebagai hasil yang dapat dipertukarkan.
Kartu layanan juga mencantumkan predicted outputs, prefiks respons, pemrosesan batch, dan percakapan agen. Predicted outputs berguna ketika dokumen atau berkas kode harus dihasilkan ulang dengan perubahan terbatas dan sisa kontennya sudah diketahui. Tentukan penyuntingan dan materi yang harus dipertahankan. Kelanjutan prefiks menggunakan awal respons yang sudah diketahui, sedangkan pemrosesan batch berkaitan dengan pengiriman pekerjaan, bukan mode penalaran tambahan.
Batas konteks dan edisi
Rencanakan tugas tertulis, materi visual, percakapan, dan jawaban yang diinginkan sesuai konteks 256k yang terdokumentasi. Contoh penggunaan yang dirilis mengonfigurasi konteks 262.144 token, sedangkan contoh generasi 1.024 token bukan kapasitas keluaran maksimum tersendiri. Sumber yang dibaca tidak memberikan batas keras panjang jawaban yang mandiri untuk menggantikan panjang tugas yang dipilih.
Small 4 memiliki arsitektur mixture-of-experts 119B dan mode hibridanya sendiri. Model ini tidak boleh mewarisi arsitektur dense 128B Medium 3.5 atau edisi Instruct dan Reasoning terpisah milik Ministral 3. Pembuatnya juga merilis artefak terkuantisasi dan speculative-decoding yang berbeda; itu merupakan artefak penerapan terpisah, bukan modalitas konten berbeda. Pertahankan rilis Small 4 bernama dan mode yang diminta untuk penjelasan aktual, rekaman terstruktur, atau hasil kode.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-small-2603 | 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 $0.0012 / 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 $0.0012 / 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-small-2603", "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-2603',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-2603',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-2603
Gunakan jalur metode yang ditampilkan di atas.
mistralai/mistral-small-2603Mistral Small 4 adalah model teks dan gambar hibrida dengan kemampuan instruksi, penalaran, dan pemrograman. Rilis mixture-of-experts 119B-nya mengaktifkan 6,5B parameter per token dan mendukung konteks 256k dari pembuatnya, upaya penalaran yang dapat dipilih, JSON, dan pemanggilan fungsi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Small 4 menggabungkan kepatuhan instruksi umum, penalaran, dan pemrograman dalam satu model multimodal. Pembuatnya menjelaskan model ini sebagai penyatuan keluarga Instruct, penalaran Magistral, dan pemrograman Devstral. Model menerima teks dan gambar serta mengembalikan teks, dengan pemanggilan fungsi dan keluaran JSON tersedia untuk aplikasi berbantuan alat.
Arsitektur dan fitur utama
Rilis ini memiliki total 119 miliar parameter dan mengaktifkan 6,5 miliar per token. Arsitektur mixture-of-experts-nya memuat 128 pakar, dengan 4 aktif, dan pembuatnya mendokumentasikan jendela konteks 256k. Jumlah parameter aktif dan jumlah pakar menjelaskan bagaimana model disusun; keduanya berbeda dari jumlah konten teks atau gambar yang disertakan dalam satu tugas.
Model menyediakan fungsi instruksi dan penalaran dalam checkpoint yang sama. Pembuatnya juga menyebut kemampuan visual, kepatuhan prompt sistem, dan dukungan multibahasa untuk puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Dengan demikian, instruksi teks dapat menanyakan gambar atau menggabungkan persyaratan tertulis dengan bukti yang terlihat, dengan jawaban dikembalikan sebagai teks.
Tugas visual dapat menyediakan halaman dokumen dan meminta nilai yang relevan dengan kondisi tertentu. Pastikan label dan satuan terbaca serta nyatakan apakah hasil harus mempertahankan redaksi asli, merangkumnya, atau membandingkannya dengan sumber lain. Tugas antarmuka dapat memasangkan tangkapan layar dengan tujuan pengguna dan meminta kontrol relevan yang terlihat serta bukti yang mendukung usulan langkah berikutnya.
Memilih mode instruksi atau penalaran
Kartu yang dirilis mendokumentasikan upaya penalaran none untuk jawaban bergaya instruksi yang langsung, dan high untuk penalaran, dengan high direkomendasikan bagi prompt kompleks. Pilihan dilakukan per permintaan dalam model Small 4 yang sama. Klasifikasi biasa atau penulisan ulang singkat dapat memiliki kontrak jawaban berbeda dari masalah matematika, visual, atau pemrograman yang memerlukan penjelasan mendalam.
Pembuatnya merekomendasikan temperature 0.7 untuk upaya penalaran high. Untuk none, dokumentasinya menetapkan temperature antara 0.0 dan 0.7 sesuai tugas. Pengaturan ini menjelaskan mode yang terdokumentasi dan tidak menjadikan upaya penalaran sebagai jaminan hasil yang benar. Tetapkan asumsi, bentuk keluaran, dan materi sumber yang relevan sebelum memilih seberapa banyak penalaran yang diperlukan tugas.
Untuk soal yang diselesaikan dengan langkah-langkah, berikan kondisi lengkap dan minta langkah beralasan yang penting diikuti ekspresi akhir. Untuk tugas kode, berikan persyaratan, fungsi yang terdampak, dan masukan konkret; minta usulan implementasi secara terpisah dari penjelasan dan contohnya. Demonstrasi penggunaan dari pembuatnya mencakup kepatuhan instruksi, alat perhitungan yang diterapkan pada gambar, dan penalaran visual, yang menunjukkan bagaimana teks dan bukti visual dapat masuk ke tugas yang berbeda ini.
Pemrograman, dokumen, dan alat
Model ini ditempatkan untuk eksplorasi basis kode dan agen rekayasa perangkat lunak, asisten umum, pemahaman dokumen, serta riset. Permintaan agen pemrograman dapat menyebut modul yang harus diubah, antarmuka yang harus dipertahankan, dan perilaku yang seharusnya dihasilkan. Berikan sumber dan bukti kegagalan yang relevan. Model dapat mengusulkan operasi berikutnya atau perubahan kode, sementara aplikasi menyediakan akses repositori, eksekusi, dan umpan balik.
Untuk ekstraksi dokumen, identifikasi bidang yang diwajibkan dan cara merepresentasikan informasi yang tidak tersedia. Rekaman yang berguna dapat memisahkan pengenal dokumen, pernyataan sumber, persyaratan yang ditafsirkan, dan pertanyaan yang belum terjawab. Kartu layanan pembuatnya mencantumkan keluaran terstruktur khusus dan tanya jawab dokumen; yang terakhir menggunakan pemrosesan dokumen dan OCR untuk menyiapkan teks serta struktur sebelum analisis model bahasa. Pertanyaan gambar langsung dan alur dokumen berbantuan OCR harus mempertahankan persiapan masukan masing-masing.
Pemanggilan fungsi memerlukan alat yang dijelaskan dengan jelas. Model memilih fungsi dan membuat argumen; aplikasi menjalankan operasi dan mengembalikan hasilnya untuk jawaban berikutnya. Logika yang sama berlaku baik tugasnya berupa pencarian, perhitungan, maupun operasi pemrograman. Pemformatan JSON menata jawaban, sedangkan pemanggilan alat meminta tindakan eksternal; keduanya tidak boleh diperlakukan sebagai hasil yang dapat dipertukarkan.
Kartu layanan juga mencantumkan predicted outputs, prefiks respons, pemrosesan batch, dan percakapan agen. Predicted outputs berguna ketika dokumen atau berkas kode harus dihasilkan ulang dengan perubahan terbatas dan sisa kontennya sudah diketahui. Tentukan penyuntingan dan materi yang harus dipertahankan. Kelanjutan prefiks menggunakan awal respons yang sudah diketahui, sedangkan pemrosesan batch berkaitan dengan pengiriman pekerjaan, bukan mode penalaran tambahan.
Batas konteks dan edisi
Rencanakan tugas tertulis, materi visual, percakapan, dan jawaban yang diinginkan sesuai konteks 256k yang terdokumentasi. Contoh penggunaan yang dirilis mengonfigurasi konteks 262.144 token, sedangkan contoh generasi 1.024 token bukan kapasitas keluaran maksimum tersendiri. Sumber yang dibaca tidak memberikan batas keras panjang jawaban yang mandiri untuk menggantikan panjang tugas yang dipilih.
Small 4 memiliki arsitektur mixture-of-experts 119B dan mode hibridanya sendiri. Model ini tidak boleh mewarisi arsitektur dense 128B Medium 3.5 atau edisi Instruct dan Reasoning terpisah milik Ministral 3. Pembuatnya juga merilis artefak terkuantisasi dan speculative-decoding yang berbeda; itu merupakan artefak penerapan terpisah, bukan modalitas konten berbeda. Pertahankan rilis Small 4 bernama dan mode yang diminta untuk penjelasan aktual, rekaman terstruktur, atau hasil kode.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-small-2603 | 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 $0.0012 / 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 $0.0012 / 1K token Masukan · Pembacaan cache $0.00003 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2603', '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-2603', '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-2603
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.