Mistral Small 3.1 24B Instruct 2503 dikembangkan dari Small 3 2501 dengan menambahkan pemahaman visual dan memperluas dukungan konteks panjang menjadi 128k token. Model ini memiliki 24 miliar parameter dan disesuaikan untuk mengikuti instruksi dari rilis Small 3.1 Base yang bernama terpisah. Model menerima teks dan gambar serta menghasilkan teks, termasuk penjelasan, kode, atau rekaman terstruktur.
Kemampuan utama
Kemampuan visual memungkinkan model menganalisis materi yang terlihat bersama pertanyaan pengguna. Gambar dokumen dapat menyediakan bidang atau pernyataan yang harus diperiksa, diagram dapat menyediakan hubungan yang harus dijelaskan, dan bagan dapat menyediakan data di balik perbandingan. Pastikan label, satuan, dan konten sekitar yang relevan tetap terbaca agar pertanyaan merujuk pada bukti yang benar-benar ada dalam gambar.
Pembuatnya mencantumkan dukungan multibahasa untuk puluhan bahasa, termasuk Rusia, Inggris, Prancis, Jerman, Yunani, Hindi, Indonesia, Italia, Jepang, Korea, Melayu, Nepal, Polandia, Portugis, Rumania, Serbia, Spanyol, Swedia, Turki, Ukraina, Vietnam, Arab, Bengali, Mandarin, dan Farsi. Tetapkan bahasa akhir, pembaca, dan istilah untuk jawaban multibahasa. Nama, label yang dikutip, pengenal variabel, dan satuan dapat tetap sama sementara prosa di sekitarnya disesuaikan.
Kartu model juga menjelaskan kemampuan percakapan dan penalaran, pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap prompt sistem. Tokenizernya adalah Tekken, dengan kosakata berlabel 131k. Ini merupakan fitur rilis bernama yang disesuaikan untuk mengikuti instruksi; edisi Base-nya memiliki peran berbeda, dan rilis Small 3.2 serta Small 4 berikutnya memiliki perubahan dan mode masing-masing.
Persiapan dokumen, pemrograman, dan matematika
Untuk tugas dokumen panjang, identifikasi dokumen dan ajukan satu pertanyaan yang terdefinisi. Perbandingan dapat meminta matriks persyaratan dengan pernyataan, bagian sumbernya, dan pertentangan antardokumen jika ada. Ringkasan dapat meminta hanya materi yang relevan dengan perubahan tertentu. Konteks panjang menjaga sumber tersebut tetap bersama, sementara jawaban akhir dapat tetap ringkas.
Untuk penjelasan pemrograman, berikan fungsi dan masukan yang perilakunya harus ditelusuri. Sertakan fungsi bantu atau deklarasi yang relevan dan tanyakan bagaimana keadaan berubah sebelum nilai dikembalikan. Untuk usulan modifikasi, nyatakan persyaratan, antarmuka publik yang harus dipertahankan, dan keluaran yang diharapkan. Minta kode yang direvisi secara terpisah dari penjelasan dan contohnya.
Untuk tugas matematika, tetapkan simbol dan asumsi domain sebelum meminta penurunan. Tentukan apakah hasil akhir harus eksak, dibulatkan, atau berupa pembuktian klaim. Jika kondisinya muncul dalam gambar, pastikan rumus dan label terkait jelas, lalu minta model mempertahankan notasi tersebut dalam jawabannya. Persiapan ini mengubah fokus pemrograman dan penalaran matematika model yang terdokumentasi menjadi artefak yang dapat diperiksa.
Format instruksi dan penggunaan yang direkomendasikan
Pembuatnya memublikasikan templat percakapan V7-Tekken yang membedakan peran system, user, dan assistant serta merekomendasikan implementasi tokenizer yang sesuai sebagai acuan kebenaran. Instruksi sistem harus menetapkan peran asisten dan aturan respons, sedangkan pesan pengguna memuat tugas aktual dan materi sumber. Pemformatan percakapan yang benar berbeda dari menempatkan label menyerupai peran di dalam dokumen yang dikutip.
Kartu model merekomendasikan temperature yang relatif rendah, seperti 0.15, dan prompt sistem yang disesuaikan dengan kasus penggunaan. Tetapkan bidang atau bagian keluaran serta kondisi yang harus bertahan setelah penulisan ulang. Untuk ekstraksi berulang, minta JSON dengan nama dan tipe tertentu serta representasi bagi nilai yang tidak tersedia dalam sumber. Paragraf penjelasan dapat dikembalikan secara terpisah ketika seseorang perlu memeriksa penafsirannya.
Alur pemanggilan fungsi
Model dapat memilih fungsi dari alat yang dijelaskan aplikasi dan menghasilkan argumennya. Aplikasi menjalankan fungsi, mengembalikan hasil bersama pemanggilan alat yang sesuai, dan model menggunakan hasil tersebut dalam jawaban berikutnya. Contoh pembuatnya menunjukkan siklus percakapan ini, termasuk penggunaan alat sebelumnya dan pertanyaan pengguna baru. Karena itu, usulan pencarian berbeda dari data yang benar-benar dikembalikan oleh pencarian.
Asisten praktis dapat terlebih dahulu mengekstrak pertanyaan dari dokumen, lalu menggunakan fungsi referensi yang disediakan untuk memperoleh kondisi yang belum tersedia. Jelaskan fungsi dengan jelas, sertakan argumen yang diwajibkan, dan jaga hasil yang dikembalikan tetap terkait dengan operasi asalnya. JSON menata hasil teks; pemanggilan fungsi meminta operasi yang terhubung, bukan diam-diam menjalankan kode atau membaca basis data.
Batas substantif
Kemampuan visual yang terdokumentasi membaca gambar; kemampuan itu tidak membuatnya. Panduan asisten dalam kartu yang dirilis juga membedakan model ini dari transkripsi audio dan video, sehingga pertanyaan lisan atau video memerlukan konten relevannya yang disediakan melalui langkah persiapan terpisah yang sesuai. Akses web dan tindakan eksternal juga berasal dari alat yang terhubung, bukan model teks dan gambar saja.
Konteks 128k berkaitan dengan masukan tugas dan percakapan yang dihasilkan, sedangkan contoh generasi 512 token dalam kartu model hanyalah pengaturan contoh. Tidak ada kapasitas keras panjang jawaban yang terpisah dalam sumber yang dibaca. Pertahankan edisi Instruct 2503 yang tepat, format percakapannya, dan artefak penjelasan, rekaman, atau kode yang diminta.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 dikembangkan dari Small 3 2501 dengan menambahkan pemahaman visual dan memperluas dukungan konteks panjang menjadi 128k token. Model ini memiliki 24 miliar parameter dan disesuaikan untuk mengikuti instruksi dari rilis Small 3.1 Base yang bernama terpisah. Model menerima teks dan gambar serta menghasilkan teks, termasuk penjelasan, kode, atau rekaman terstruktur.\n\nKemampuan utama\n\nKemampuan visual memungkinkan model menganalisis materi yang terlihat bersama pertanyaan pengguna. Gambar dokumen dapat menyediakan bidang atau pernyataan yang harus diperiksa, diagram dapat menyediakan hubungan yang harus dijelaskan, dan bagan dapat menyediakan data di balik perbandingan. Pastikan label, satuan, dan konten sekitar yang relevan tetap terbaca agar pertanyaan merujuk pada bukti yang benar-benar ada dalam gambar.\n\nPembuatnya mencantumkan dukungan multibahasa untuk puluhan bahasa, termasuk Rusia, Inggris, Prancis, Jerman, Yunani, Hindi, Indonesia, Italia, Jepang, Korea, Melayu, Nepal, Polandia, Portugis, Rumania, Serbia, Spanyol, Swedia, Turki, Ukraina, Vietnam, Arab, Bengali, Mandarin, dan Farsi. Tetapkan bahasa akhir, pembaca, dan istilah untuk jawaban multibahasa. Nama, label yang dikutip, pengenal variabel, dan satuan dapat tetap sama sementara prosa di sekitarnya disesuaikan.\n\nKartu model juga menjelaskan kemampuan percakapan dan penalaran, pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap prompt sistem. Tokenizernya adalah Tekken, dengan kosakata berlabel 131k. Ini merupakan fitur rilis bernama yang disesuaikan untuk mengikuti instruksi; edisi Base-nya memiliki peran berbeda, dan rilis Small 3.2 serta Small 4 berikutnya memiliki perubahan dan mode masing-masing.\n\nPersiapan dokumen, pemrograman, dan matematika\n\nUntuk tugas dokumen panjang, identifikasi dokumen dan ajukan satu pertanyaan yang terdefinisi. Perbandingan dapat meminta matriks persyaratan dengan pernyataan, bagian sumbernya, dan pertentangan antardokumen jika ada. Ringkasan dapat meminta hanya materi yang relevan dengan perubahan tertentu. Konteks panjang menjaga sumber tersebut tetap bersama, sementara jawaban akhir dapat tetap ringkas.\n\nUntuk penjelasan pemrograman, berikan fungsi dan masukan yang perilakunya harus ditelusuri. Sertakan fungsi bantu atau deklarasi yang relevan dan tanyakan bagaimana keadaan berubah sebelum nilai dikembalikan. Untuk usulan modifikasi, nyatakan persyaratan, antarmuka publik yang harus dipertahankan, dan keluaran yang diharapkan. Minta kode yang direvisi secara terpisah dari penjelasan dan contohnya.\n\nUntuk tugas matematika, tetapkan simbol dan asumsi domain sebelum meminta penurunan. Tentukan apakah hasil akhir harus eksak, dibulatkan, atau berupa pembuktian klaim. Jika kondisinya muncul dalam gambar, pastikan rumus dan label terkait jelas, lalu minta model mempertahankan notasi tersebut dalam jawabannya. Persiapan ini mengubah fokus pemrograman dan penalaran matematika model yang terdokumentasi menjadi artefak yang dapat diperiksa.\n\nFormat instruksi dan penggunaan yang direkomendasikan\n\nPembuatnya memublikasikan templat percakapan V7-Tekken yang membedakan peran system, user, dan assistant serta merekomendasikan implementasi tokenizer yang sesuai sebagai acuan kebenaran. Instruksi sistem harus menetapkan peran asisten dan aturan respons, sedangkan pesan pengguna memuat tugas aktual dan materi sumber. Pemformatan percakapan yang benar berbeda dari menempatkan label menyerupai peran di dalam dokumen yang dikutip.\n\nKartu model merekomendasikan temperature yang relatif rendah, seperti 0.15, dan prompt sistem yang disesuaikan dengan kasus penggunaan. Tetapkan bidang atau bagian keluaran serta kondisi yang harus bertahan setelah penulisan ulang. Untuk ekstraksi berulang, minta JSON dengan nama dan tipe tertentu serta representasi bagi nilai yang tidak tersedia dalam sumber. Paragraf penjelasan dapat dikembalikan secara terpisah ketika seseorang perlu memeriksa penafsirannya.\n\nAlur pemanggilan fungsi\n\nModel dapat memilih fungsi dari alat yang dijelaskan aplikasi dan menghasilkan argumennya. Aplikasi menjalankan fungsi, mengembalikan hasil bersama pemanggilan alat yang sesuai, dan model menggunakan hasil tersebut dalam jawaban berikutnya. Contoh pembuatnya menunjukkan siklus percakapan ini, termasuk penggunaan alat sebelumnya dan pertanyaan pengguna baru. Karena itu, usulan pencarian berbeda dari data yang benar-benar dikembalikan oleh pencarian.\n\nAsisten praktis dapat terlebih dahulu mengekstrak pertanyaan dari dokumen, lalu menggunakan fungsi referensi yang disediakan untuk memperoleh kondisi yang belum tersedia. Jelaskan fungsi dengan jelas, sertakan argumen yang diwajibkan, dan jaga hasil yang dikembalikan tetap terkait dengan operasi asalnya. JSON menata hasil teks; pemanggilan fungsi meminta operasi yang terhubung, bukan diam-diam menjalankan kode atau membaca basis data.\n\nBatas substantif\n\nKemampuan visual yang terdokumentasi membaca gambar; kemampuan itu tidak membuatnya. Panduan asisten dalam kartu yang dirilis juga membedakan model ini dari transkripsi audio dan video, sehingga pertanyaan lisan atau video memerlukan konten relevannya yang disediakan melalui langkah persiapan terpisah yang sesuai. Akses web dan tindakan eksternal juga berasal dari alat yang terhubung, bukan model teks dan gambar saja.\n\nKonteks 128k berkaitan dengan masukan tugas dan percakapan yang dihasilkan, sedangkan contoh generasi 512 token dalam kartu model hanyalah pengaturan contoh. Tidak ada kapasitas keras panjang jawaban yang terpisah dalam sumber yang dibaca. Pertahankan edisi Instruct 2503 yang tepat, format percakapannya, dan artefak penjelasan, rekaman, atau kode yang diminta.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 menambahkan pemahaman gambar dan konteks 128k dari pembuatnya ke lini Small 3. Model ini menggabungkan teks multibahasa, pemrograman, dan penalaran matematika dengan instruksi sistem, JSON, dan pemanggilan fungsi bawaan dalam rilis tersendiri yang disesuaikan untuk mengikuti instruksi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Small 3.1 24B Instruct 2503 dikembangkan dari Small 3 2501 dengan menambahkan pemahaman visual dan memperluas dukungan konteks panjang menjadi 128k token. Model ini memiliki 24 miliar parameter dan disesuaikan untuk mengikuti instruksi dari rilis Small 3.1 Base yang bernama terpisah. Model menerima teks dan gambar serta menghasilkan teks, termasuk penjelasan, kode, atau rekaman terstruktur.
Kemampuan utama
Kemampuan visual memungkinkan model menganalisis materi yang terlihat bersama pertanyaan pengguna. Gambar dokumen dapat menyediakan bidang atau pernyataan yang harus diperiksa, diagram dapat menyediakan hubungan yang harus dijelaskan, dan bagan dapat menyediakan data di balik perbandingan. Pastikan label, satuan, dan konten sekitar yang relevan tetap terbaca agar pertanyaan merujuk pada bukti yang benar-benar ada dalam gambar.
Pembuatnya mencantumkan dukungan multibahasa untuk puluhan bahasa, termasuk Rusia, Inggris, Prancis, Jerman, Yunani, Hindi, Indonesia, Italia, Jepang, Korea, Melayu, Nepal, Polandia, Portugis, Rumania, Serbia, Spanyol, Swedia, Turki, Ukraina, Vietnam, Arab, Bengali, Mandarin, dan Farsi. Tetapkan bahasa akhir, pembaca, dan istilah untuk jawaban multibahasa. Nama, label yang dikutip, pengenal variabel, dan satuan dapat tetap sama sementara prosa di sekitarnya disesuaikan.
Kartu model juga menjelaskan kemampuan percakapan dan penalaran, pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap prompt sistem. Tokenizernya adalah Tekken, dengan kosakata berlabel 131k. Ini merupakan fitur rilis bernama yang disesuaikan untuk mengikuti instruksi; edisi Base-nya memiliki peran berbeda, dan rilis Small 3.2 serta Small 4 berikutnya memiliki perubahan dan mode masing-masing.
Persiapan dokumen, pemrograman, dan matematika
Untuk tugas dokumen panjang, identifikasi dokumen dan ajukan satu pertanyaan yang terdefinisi. Perbandingan dapat meminta matriks persyaratan dengan pernyataan, bagian sumbernya, dan pertentangan antardokumen jika ada. Ringkasan dapat meminta hanya materi yang relevan dengan perubahan tertentu. Konteks panjang menjaga sumber tersebut tetap bersama, sementara jawaban akhir dapat tetap ringkas.
Untuk penjelasan pemrograman, berikan fungsi dan masukan yang perilakunya harus ditelusuri. Sertakan fungsi bantu atau deklarasi yang relevan dan tanyakan bagaimana keadaan berubah sebelum nilai dikembalikan. Untuk usulan modifikasi, nyatakan persyaratan, antarmuka publik yang harus dipertahankan, dan keluaran yang diharapkan. Minta kode yang direvisi secara terpisah dari penjelasan dan contohnya.
Untuk tugas matematika, tetapkan simbol dan asumsi domain sebelum meminta penurunan. Tentukan apakah hasil akhir harus eksak, dibulatkan, atau berupa pembuktian klaim. Jika kondisinya muncul dalam gambar, pastikan rumus dan label terkait jelas, lalu minta model mempertahankan notasi tersebut dalam jawabannya. Persiapan ini mengubah fokus pemrograman dan penalaran matematika model yang terdokumentasi menjadi artefak yang dapat diperiksa.
Format instruksi dan penggunaan yang direkomendasikan
Pembuatnya memublikasikan templat percakapan V7-Tekken yang membedakan peran system, user, dan assistant serta merekomendasikan implementasi tokenizer yang sesuai sebagai acuan kebenaran. Instruksi sistem harus menetapkan peran asisten dan aturan respons, sedangkan pesan pengguna memuat tugas aktual dan materi sumber. Pemformatan percakapan yang benar berbeda dari menempatkan label menyerupai peran di dalam dokumen yang dikutip.
Kartu model merekomendasikan temperature yang relatif rendah, seperti 0.15, dan prompt sistem yang disesuaikan dengan kasus penggunaan. Tetapkan bidang atau bagian keluaran serta kondisi yang harus bertahan setelah penulisan ulang. Untuk ekstraksi berulang, minta JSON dengan nama dan tipe tertentu serta representasi bagi nilai yang tidak tersedia dalam sumber. Paragraf penjelasan dapat dikembalikan secara terpisah ketika seseorang perlu memeriksa penafsirannya.
Alur pemanggilan fungsi
Model dapat memilih fungsi dari alat yang dijelaskan aplikasi dan menghasilkan argumennya. Aplikasi menjalankan fungsi, mengembalikan hasil bersama pemanggilan alat yang sesuai, dan model menggunakan hasil tersebut dalam jawaban berikutnya. Contoh pembuatnya menunjukkan siklus percakapan ini, termasuk penggunaan alat sebelumnya dan pertanyaan pengguna baru. Karena itu, usulan pencarian berbeda dari data yang benar-benar dikembalikan oleh pencarian.
Asisten praktis dapat terlebih dahulu mengekstrak pertanyaan dari dokumen, lalu menggunakan fungsi referensi yang disediakan untuk memperoleh kondisi yang belum tersedia. Jelaskan fungsi dengan jelas, sertakan argumen yang diwajibkan, dan jaga hasil yang dikembalikan tetap terkait dengan operasi asalnya. JSON menata hasil teks; pemanggilan fungsi meminta operasi yang terhubung, bukan diam-diam menjalankan kode atau membaca basis data.
Batas substantif
Kemampuan visual yang terdokumentasi membaca gambar; kemampuan itu tidak membuatnya. Panduan asisten dalam kartu yang dirilis juga membedakan model ini dari transkripsi audio dan video, sehingga pertanyaan lisan atau video memerlukan konten relevannya yang disediakan melalui langkah persiapan terpisah yang sesuai. Akses web dan tindakan eksternal juga berasal dari alat yang terhubung, bukan model teks dan gambar saja.
Konteks 128k berkaitan dengan masukan tugas dan percakapan yang dihasilkan, sedangkan contoh generasi 512 token dalam kartu model hanyalah pengaturan contoh. Tidak ada kapasitas keras panjang jawaban yang terpisah dalam sumber yang dibaca. Pertahankan edisi Instruct 2503 yang tepat, format percakapannya, dan artefak penjelasan, rekaman, atau kode yang diminta.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Keluaran · Token keluaran $0.00111 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0011 / 1K token Keluaran · Token keluaran $0.00111 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-3.1-24b-instruct',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-3.1-24b-instruct',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-3.1-24b-instruct
Gunakan jalur metode yang ditampilkan di atas.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 menambahkan pemahaman gambar dan konteks 128k dari pembuatnya ke lini Small 3. Model ini menggabungkan teks multibahasa, pemrograman, dan penalaran matematika dengan instruksi sistem, JSON, dan pemanggilan fungsi bawaan dalam rilis tersendiri yang disesuaikan untuk mengikuti instruksi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Small 3.1 24B Instruct 2503 dikembangkan dari Small 3 2501 dengan menambahkan pemahaman visual dan memperluas dukungan konteks panjang menjadi 128k token. Model ini memiliki 24 miliar parameter dan disesuaikan untuk mengikuti instruksi dari rilis Small 3.1 Base yang bernama terpisah. Model menerima teks dan gambar serta menghasilkan teks, termasuk penjelasan, kode, atau rekaman terstruktur.
Kemampuan utama
Kemampuan visual memungkinkan model menganalisis materi yang terlihat bersama pertanyaan pengguna. Gambar dokumen dapat menyediakan bidang atau pernyataan yang harus diperiksa, diagram dapat menyediakan hubungan yang harus dijelaskan, dan bagan dapat menyediakan data di balik perbandingan. Pastikan label, satuan, dan konten sekitar yang relevan tetap terbaca agar pertanyaan merujuk pada bukti yang benar-benar ada dalam gambar.
Pembuatnya mencantumkan dukungan multibahasa untuk puluhan bahasa, termasuk Rusia, Inggris, Prancis, Jerman, Yunani, Hindi, Indonesia, Italia, Jepang, Korea, Melayu, Nepal, Polandia, Portugis, Rumania, Serbia, Spanyol, Swedia, Turki, Ukraina, Vietnam, Arab, Bengali, Mandarin, dan Farsi. Tetapkan bahasa akhir, pembaca, dan istilah untuk jawaban multibahasa. Nama, label yang dikutip, pengenal variabel, dan satuan dapat tetap sama sementara prosa di sekitarnya disesuaikan.
Kartu model juga menjelaskan kemampuan percakapan dan penalaran, pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap prompt sistem. Tokenizernya adalah Tekken, dengan kosakata berlabel 131k. Ini merupakan fitur rilis bernama yang disesuaikan untuk mengikuti instruksi; edisi Base-nya memiliki peran berbeda, dan rilis Small 3.2 serta Small 4 berikutnya memiliki perubahan dan mode masing-masing.
Persiapan dokumen, pemrograman, dan matematika
Untuk tugas dokumen panjang, identifikasi dokumen dan ajukan satu pertanyaan yang terdefinisi. Perbandingan dapat meminta matriks persyaratan dengan pernyataan, bagian sumbernya, dan pertentangan antardokumen jika ada. Ringkasan dapat meminta hanya materi yang relevan dengan perubahan tertentu. Konteks panjang menjaga sumber tersebut tetap bersama, sementara jawaban akhir dapat tetap ringkas.
Untuk penjelasan pemrograman, berikan fungsi dan masukan yang perilakunya harus ditelusuri. Sertakan fungsi bantu atau deklarasi yang relevan dan tanyakan bagaimana keadaan berubah sebelum nilai dikembalikan. Untuk usulan modifikasi, nyatakan persyaratan, antarmuka publik yang harus dipertahankan, dan keluaran yang diharapkan. Minta kode yang direvisi secara terpisah dari penjelasan dan contohnya.
Untuk tugas matematika, tetapkan simbol dan asumsi domain sebelum meminta penurunan. Tentukan apakah hasil akhir harus eksak, dibulatkan, atau berupa pembuktian klaim. Jika kondisinya muncul dalam gambar, pastikan rumus dan label terkait jelas, lalu minta model mempertahankan notasi tersebut dalam jawabannya. Persiapan ini mengubah fokus pemrograman dan penalaran matematika model yang terdokumentasi menjadi artefak yang dapat diperiksa.
Format instruksi dan penggunaan yang direkomendasikan
Pembuatnya memublikasikan templat percakapan V7-Tekken yang membedakan peran system, user, dan assistant serta merekomendasikan implementasi tokenizer yang sesuai sebagai acuan kebenaran. Instruksi sistem harus menetapkan peran asisten dan aturan respons, sedangkan pesan pengguna memuat tugas aktual dan materi sumber. Pemformatan percakapan yang benar berbeda dari menempatkan label menyerupai peran di dalam dokumen yang dikutip.
Kartu model merekomendasikan temperature yang relatif rendah, seperti 0.15, dan prompt sistem yang disesuaikan dengan kasus penggunaan. Tetapkan bidang atau bagian keluaran serta kondisi yang harus bertahan setelah penulisan ulang. Untuk ekstraksi berulang, minta JSON dengan nama dan tipe tertentu serta representasi bagi nilai yang tidak tersedia dalam sumber. Paragraf penjelasan dapat dikembalikan secara terpisah ketika seseorang perlu memeriksa penafsirannya.
Alur pemanggilan fungsi
Model dapat memilih fungsi dari alat yang dijelaskan aplikasi dan menghasilkan argumennya. Aplikasi menjalankan fungsi, mengembalikan hasil bersama pemanggilan alat yang sesuai, dan model menggunakan hasil tersebut dalam jawaban berikutnya. Contoh pembuatnya menunjukkan siklus percakapan ini, termasuk penggunaan alat sebelumnya dan pertanyaan pengguna baru. Karena itu, usulan pencarian berbeda dari data yang benar-benar dikembalikan oleh pencarian.
Asisten praktis dapat terlebih dahulu mengekstrak pertanyaan dari dokumen, lalu menggunakan fungsi referensi yang disediakan untuk memperoleh kondisi yang belum tersedia. Jelaskan fungsi dengan jelas, sertakan argumen yang diwajibkan, dan jaga hasil yang dikembalikan tetap terkait dengan operasi asalnya. JSON menata hasil teks; pemanggilan fungsi meminta operasi yang terhubung, bukan diam-diam menjalankan kode atau membaca basis data.
Batas substantif
Kemampuan visual yang terdokumentasi membaca gambar; kemampuan itu tidak membuatnya. Panduan asisten dalam kartu yang dirilis juga membedakan model ini dari transkripsi audio dan video, sehingga pertanyaan lisan atau video memerlukan konten relevannya yang disediakan melalui langkah persiapan terpisah yang sesuai. Akses web dan tindakan eksternal juga berasal dari alat yang terhubung, bukan model teks dan gambar saja.
Konteks 128k berkaitan dengan masukan tugas dan percakapan yang dihasilkan, sedangkan contoh generasi 512 token dalam kartu model hanyalah pengaturan contoh. Tidak ada kapasitas keras panjang jawaban yang terpisah dalam sumber yang dibaca. Pertahankan edisi Instruct 2503 yang tepat, format percakapannya, dan artefak penjelasan, rekaman, atau kode yang diminta.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Keluaran · Token keluaran $0.00111 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0011 / 1K token Keluaran · Token keluaran $0.00111 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-instruct', '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-3.1-24b-instruct', '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-3.1-24b-instruct
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.