Devstral Small 2505 è la prima versione di Devstral Small, sviluppata da Mistral AI con All Hands AI per gli agenti di ingegneria del software. È un modello da 24 miliardi di parametri progettato per esplorare basi di codice, utilizzare strumenti e modificare più file. La scheda del produttore lo descrive come esclusivamente testuale, con una finestra di contesto di 128K; l’encoder visivo è stato rimosso dal modello Mistral Small 3.1 utilizzato per il fine-tuning.
Descrivi il comportamento richiesto e il repository o il codice pertinente su cui deve lavorare. Un compito utile identifica la funzionalità, i file o l’area dell’applicazione coinvolti e le condizioni che ne dimostrano il completamento. Per correggere un bug, includi l’errore osservato; per una nuova funzionalità, indica le azioni attese dell’utente e il comportamento dei dati.
L’esempio del produttore realizza un’applicazione a pagina singola per le cose da fare con FastAPI, React e SQLite. Il prompt elenca l’aggiunta, l’eliminazione e il completamento delle attività e la visualizzazione dell’elenco. Questi requisiti collegano l’interfaccia generata al comportamento dell’applicazione e alla memorizzazione di cui ha bisogno. Una richiesta successiva domanda poi un miglioramento preciso dell’applicazione completata.
Il flusso documentato utilizza una struttura per agenti che può esaminare i file del repository, apportare modifiche ed eseguire strumenti di sviluppo. Devstral fornisce le decisioni e il codice; l’agente circostante esegue le azioni degli strumenti e restituisce le osservazioni. Fornisci le istruzioni di configurazione del progetto e spiega quali verifiche devono dimostrare che la modifica funziona.
Per una modifica che coinvolge più file, chiedi all’agente di identificare le dipendenze pertinenti prima di intervenire. Conserva le osservazioni degli strumenti insieme alla patch risultante, così da confrontare la correzione proposta con ciò che è stato realmente eseguito. Un’implementazione generata diventa un artefatto funzionante quando l’applicazione la salva e la esegue nell’ambiente previsto.
Un altro esempio del produttore chiede all’agente di esaminare la copertura dei test e produrre grafici. Il flusso esplora prima il repository e la configurazione dei test, poi misura la copertura e crea la visualizzazione. Una richiesta analoga deve identificare il repository, la misura da esaminare e l’artefatto in uscita, per esempio un grafico e i file che riassume.
Qui conta la distinzione tra l’uscita del modello e le prove dell’esecuzione. Richiedi i file risultanti e le osservazioni degli strumenti di sviluppo, insieme alle spiegazioni necessarie per interpretarli. Mantieni una revisione successiva concentrata sul comportamento osservato o su una parte specifica dell’artefatto.
Questa voce mantiene la versione 2505 descritta nella scheda del produttore. Le successive edizioni Devstral Small hanno identità proprie. Usa il formato di conversazione e strumenti del modello selezionato, includi le fonti pertinenti nel contesto di lavoro e lascia spazio al risultato richiesto. La scheda pubblica esempi di inferenza locale e di agenti; i relativi budget di generazione sono impostazioni del compito, non un limite universale di uscita.
", "aboutText": "Devstral Small 2505 è la prima versione di Devstral Small, sviluppata da Mistral AI con All Hands AI per gli agenti di ingegneria del software. È un modello da 24 miliardi di parametri progettato per esplorare basi di codice, utilizzare strumenti e modificare più file. La scheda del produttore lo descrive come esclusivamente testuale, con una finestra di contesto di 128K; l’encoder visivo è stato rimosso dal modello Mistral Small 3.1 utilizzato per il fine-tuning.\n\n### Assegna all’agente un compito di sviluppo concreto\n\nDescrivi il comportamento richiesto e il repository o il codice pertinente su cui deve lavorare. Un compito utile identifica la funzionalità, i file o l’area dell’applicazione coinvolti e le condizioni che ne dimostrano il completamento. Per correggere un bug, includi l’errore osservato; per una nuova funzionalità, indica le azioni attese dell’utente e il comportamento dei dati.\n\nL’esempio del produttore realizza un’applicazione a pagina singola per le cose da fare con FastAPI, React e SQLite. Il prompt elenca l’aggiunta, l’eliminazione e il completamento delle attività e la visualizzazione dell’elenco. Questi requisiti collegano l’interfaccia generata al comportamento dell’applicazione e alla memorizzazione di cui ha bisogno. Una richiesta successiva domanda poi un miglioramento preciso dell’applicazione completata.\n\n### Esplora, modifica ed esegui attraverso un’applicazione\n\nIl flusso documentato utilizza una struttura per agenti che può esaminare i file del repository, apportare modifiche ed eseguire strumenti di sviluppo. Devstral fornisce le decisioni e il codice; l’agente circostante esegue le azioni degli strumenti e restituisce le osservazioni. Fornisci le istruzioni di configurazione del progetto e spiega quali verifiche devono dimostrare che la modifica funziona.\n\nPer una modifica che coinvolge più file, chiedi all’agente di identificare le dipendenze pertinenti prima di intervenire. Conserva le osservazioni degli strumenti insieme alla patch risultante, così da confrontare la correzione proposta con ciò che è stato realmente eseguito. Un’implementazione generata diventa un artefatto funzionante quando l’applicazione la salva e la esegue nell’ambiente previsto.\n\n### Usa l’analisi di un repository come compito mirato\n\nUn altro esempio del produttore chiede all’agente di esaminare la copertura dei test e produrre grafici. Il flusso esplora prima il repository e la configurazione dei test, poi misura la copertura e crea la visualizzazione. Una richiesta analoga deve identificare il repository, la misura da esaminare e l’artefatto in uscita, per esempio un grafico e i file che riassume.\n\nQui conta la distinzione tra l’uscita del modello e le prove dell’esecuzione. Richiedi i file risultanti e le osservazioni degli strumenti di sviluppo, insieme alle spiegazioni necessarie per interpretarli. Mantieni una revisione successiva concentrata sul comportamento osservato o su una parte specifica dell’artefatto.\n\n### Conserva l’identità della versione e il contesto di lavoro\n\nQuesta voce mantiene la versione 2505 descritta nella scheda del produttore. Le successive edizioni Devstral Small hanno identità proprie. Usa il formato di conversazione e strumenti del modello selezionato, includi le fonti pertinenti nel contesto di lavoro e lascia spazio al risultato richiesto. La scheda pubblica esempi di inferenza locale e di agenti; i relativi budget di generazione sono impostazioni del compito, non un limite universale di uscita.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.devstral-small-2505Devstral Small 2505 è un modello di programmazione esclusivamente testuale di Mistral AI e All Hands AI. È progettato per agenti software che esplorano una base di codice, modificano più file e usano strumenti di sviluppo, con una finestra di contesto pubblicata di 128K.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Devstral Small 2505 è la prima versione di Devstral Small, sviluppata da Mistral AI con All Hands AI per gli agenti di ingegneria del software. È un modello da 24 miliardi di parametri progettato per esplorare basi di codice, utilizzare strumenti e modificare più file. La scheda del produttore lo descrive come esclusivamente testuale, con una finestra di contesto di 128K; l’encoder visivo è stato rimosso dal modello Mistral Small 3.1 utilizzato per il fine-tuning.
Descrivi il comportamento richiesto e il repository o il codice pertinente su cui deve lavorare. Un compito utile identifica la funzionalità, i file o l’area dell’applicazione coinvolti e le condizioni che ne dimostrano il completamento. Per correggere un bug, includi l’errore osservato; per una nuova funzionalità, indica le azioni attese dell’utente e il comportamento dei dati.
L’esempio del produttore realizza un’applicazione a pagina singola per le cose da fare con FastAPI, React e SQLite. Il prompt elenca l’aggiunta, l’eliminazione e il completamento delle attività e la visualizzazione dell’elenco. Questi requisiti collegano l’interfaccia generata al comportamento dell’applicazione e alla memorizzazione di cui ha bisogno. Una richiesta successiva domanda poi un miglioramento preciso dell’applicazione completata.
Il flusso documentato utilizza una struttura per agenti che può esaminare i file del repository, apportare modifiche ed eseguire strumenti di sviluppo. Devstral fornisce le decisioni e il codice; l’agente circostante esegue le azioni degli strumenti e restituisce le osservazioni. Fornisci le istruzioni di configurazione del progetto e spiega quali verifiche devono dimostrare che la modifica funziona.
Per una modifica che coinvolge più file, chiedi all’agente di identificare le dipendenze pertinenti prima di intervenire. Conserva le osservazioni degli strumenti insieme alla patch risultante, così da confrontare la correzione proposta con ciò che è stato realmente eseguito. Un’implementazione generata diventa un artefatto funzionante quando l’applicazione la salva e la esegue nell’ambiente previsto.
Un altro esempio del produttore chiede all’agente di esaminare la copertura dei test e produrre grafici. Il flusso esplora prima il repository e la configurazione dei test, poi misura la copertura e crea la visualizzazione. Una richiesta analoga deve identificare il repository, la misura da esaminare e l’artefatto in uscita, per esempio un grafico e i file che riassume.
Qui conta la distinzione tra l’uscita del modello e le prove dell’esecuzione. Richiedi i file risultanti e le osservazioni degli strumenti di sviluppo, insieme alle spiegazioni necessarie per interpretarli. Mantieni una revisione successiva concentrata sul comportamento osservato o su una parte specifica dell’artefatto.
Questa voce mantiene la versione 2505 descritta nella scheda del produttore. Le successive edizioni Devstral Small hanno identità proprie. Usa il formato di conversazione e strumenti del modello selezionato, includi le fonti pertinenti nel contesto di lavoro e lascia spazio al risultato richiesto. La scheda pubblica esempi di inferenza locale e di agenti; i relativi budget di generazione sono impostazioni del compito, non un limite universale di uscita.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti devstral-small-2505 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00022 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2505", "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='devstral-small-2505',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='devstral-small-2505',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra devstral-small-2505
Usa i percorsi dei metodi indicati sopra.
devstral-small-2505Devstral Small 2505 è un modello di programmazione esclusivamente testuale di Mistral AI e All Hands AI. È progettato per agenti software che esplorano una base di codice, modificano più file e usano strumenti di sviluppo, con una finestra di contesto pubblicata di 128K.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Devstral Small 2505 è la prima versione di Devstral Small, sviluppata da Mistral AI con All Hands AI per gli agenti di ingegneria del software. È un modello da 24 miliardi di parametri progettato per esplorare basi di codice, utilizzare strumenti e modificare più file. La scheda del produttore lo descrive come esclusivamente testuale, con una finestra di contesto di 128K; l’encoder visivo è stato rimosso dal modello Mistral Small 3.1 utilizzato per il fine-tuning.
Descrivi il comportamento richiesto e il repository o il codice pertinente su cui deve lavorare. Un compito utile identifica la funzionalità, i file o l’area dell’applicazione coinvolti e le condizioni che ne dimostrano il completamento. Per correggere un bug, includi l’errore osservato; per una nuova funzionalità, indica le azioni attese dell’utente e il comportamento dei dati.
L’esempio del produttore realizza un’applicazione a pagina singola per le cose da fare con FastAPI, React e SQLite. Il prompt elenca l’aggiunta, l’eliminazione e il completamento delle attività e la visualizzazione dell’elenco. Questi requisiti collegano l’interfaccia generata al comportamento dell’applicazione e alla memorizzazione di cui ha bisogno. Una richiesta successiva domanda poi un miglioramento preciso dell’applicazione completata.
Il flusso documentato utilizza una struttura per agenti che può esaminare i file del repository, apportare modifiche ed eseguire strumenti di sviluppo. Devstral fornisce le decisioni e il codice; l’agente circostante esegue le azioni degli strumenti e restituisce le osservazioni. Fornisci le istruzioni di configurazione del progetto e spiega quali verifiche devono dimostrare che la modifica funziona.
Per una modifica che coinvolge più file, chiedi all’agente di identificare le dipendenze pertinenti prima di intervenire. Conserva le osservazioni degli strumenti insieme alla patch risultante, così da confrontare la correzione proposta con ciò che è stato realmente eseguito. Un’implementazione generata diventa un artefatto funzionante quando l’applicazione la salva e la esegue nell’ambiente previsto.
Un altro esempio del produttore chiede all’agente di esaminare la copertura dei test e produrre grafici. Il flusso esplora prima il repository e la configurazione dei test, poi misura la copertura e crea la visualizzazione. Una richiesta analoga deve identificare il repository, la misura da esaminare e l’artefatto in uscita, per esempio un grafico e i file che riassume.
Qui conta la distinzione tra l’uscita del modello e le prove dell’esecuzione. Richiedi i file risultanti e le osservazioni degli strumenti di sviluppo, insieme alle spiegazioni necessarie per interpretarli. Mantieni una revisione successiva concentrata sul comportamento osservato o su una parte specifica dell’artefatto.
Questa voce mantiene la versione 2505 descritta nella scheda del produttore. Le successive edizioni Devstral Small hanno identità proprie. Usa il formato di conversazione e strumenti del modello selezionato, includi le fonti pertinenti nel contesto di lavoro e lascia spazio al risultato richiesto. La scheda pubblica esempi di inferenza locale e di agenti; i relativi budget di generazione sono impostazioni del compito, non un limite universale di uscita.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti devstral-small-2505 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00022 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "devstral-small-2505",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2505', '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': 'devstral-small-2505', '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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra devstral-small-2505
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.