Mistral Small è la famiglia generalista di Mistral AI per il rispetto delle istruzioni, il lavoro sui documenti e gli assistenti di programmazione. Le edizioni pubblicate hanno architetture e limiti di contesto distinti. Small 4 combina rispetto delle istruzioni, ragionamento e programmazione agentica in un unico modello multimodale. Accetta testo e immagini e produce testo, consentendo di includere nello stesso compito un requisito scritto ed evidenze visive come una pagina di documento o uno screenshot dell’interfaccia.
Small 4 usa un’architettura mixture-of-experts con 119 miliardi di parametri totali e 128 esperti, di cui quattro vengono selezionati per token. La finestra di contesto è di 256K token. L’edizione precedente Small 3.2 ha una finestra di contesto di 128K. Sono proprietà specifiche della versione: la selezione di una famiglia segue un’edizione aggiornata, mentre un nome di modello fisso identifica un rilascio particolare.
Small 4 offre due impostazioni dell’intensità di ragionamento. Quella per la risposta diretta usa un’elaborazione minima e restituisce la risposta senza un segmento di ragionamento separato. L’impostazione ad alta intensità aggiunge un ragionamento più dettagliato prima della risposta finale ed è destinata a problemi più difficili. Questo riunisce la chat quotidiana con analisi matematica, ricerca e compiti di programmazione. In una conversazione di ragionamento, conservare il messaggio precedente completo dell’assistente preserva il contesto necessario ai turni successivi.
Le funzionalità applicative del modello includono chiamate di funzione, output strutturati, domande sui documenti e continuazione controllata di una risposta. Le chiamate di funzione iniziano dalle descrizioni degli strumenti disponibili e degli argomenti attesi. Il modello può scegliere una funzione appropriata, identificare informazioni mancanti e generarne gli argomenti; l’applicazione esegue la funzione e restituisce il risultato per la risposta successiva. Il flusso degli strumenti può consentire la selezione automatica, imporre uno strumento, disabilitarne l’uso o permettere più chiamate in parallelo. Questi controlli appartengono al flusso dell’applicazione circostante.
L’output strutturato supporta sia JSON sia uno schema personalizzato. I compiti orientati a JSON devono descrivere esplicitamente il formato atteso, mentre uno schema definisce i campi e i tipi necessari all’elaborazione successiva. Le risposte a domande sui documenti combinano estrazione del testo e del layout con l’analisi del modello linguistico: chiedi una condizione specifica, confronta sezioni o raccogli un insieme definito di campi. Il supporto agli output predetti è utile quando si rivedono testo o codice con gran parte del risultato già nota. La continuazione da un prefisso fornisce un’apertura scelta per la risposta; l’elaborazione batch gestisce raccolte di richieste indipendenti in modo asincrono.
Per un assistente tramite API Ailoot, definisci un risultato utile e il materiale che lo supporta. Un compito di assistenza può combinare una richiesta e uno screenshot per produrre una risposta con osservazioni estratte. Un compito documentale può restituire una tabella di campi e domande irrisolte. Un compito di programmazione può esplorare i file pertinenti, proporre modifiche coordinate e usare i controlli dell’applicazione per perfezionarle. Small 4 è rilasciato con pesi Apache 2.0 per la personalizzazione; il nome della famiglia mantiene la scelta generale del modello, con modalità e limiti concreti legati all’edizione selezionata.
", "aboutText": "Mistral Small è la famiglia generalista di Mistral AI per il rispetto delle istruzioni, il lavoro sui documenti e gli assistenti di programmazione. Le edizioni pubblicate hanno architetture e limiti di contesto distinti. Small 4 combina rispetto delle istruzioni, ragionamento e programmazione agentica in un unico modello multimodale. Accetta testo e immagini e produce testo, consentendo di includere nello stesso compito un requisito scritto ed evidenze visive come una pagina di documento o uno screenshot dell’interfaccia.\n\nSmall 4 usa un’architettura mixture-of-experts con 119 miliardi di parametri totali e 128 esperti, di cui quattro vengono selezionati per token. La finestra di contesto è di 256K token. L’edizione precedente Small 3.2 ha una finestra di contesto di 128K. Sono proprietà specifiche della versione: la selezione di una famiglia segue un’edizione aggiornata, mentre un nome di modello fisso identifica un rilascio particolare.\n\nSmall 4 offre due impostazioni dell’intensità di ragionamento. Quella per la risposta diretta usa un’elaborazione minima e restituisce la risposta senza un segmento di ragionamento separato. L’impostazione ad alta intensità aggiunge un ragionamento più dettagliato prima della risposta finale ed è destinata a problemi più difficili. Questo riunisce la chat quotidiana con analisi matematica, ricerca e compiti di programmazione. In una conversazione di ragionamento, conservare il messaggio precedente completo dell’assistente preserva il contesto necessario ai turni successivi.\n\nLe funzionalità applicative del modello includono chiamate di funzione, output strutturati, domande sui documenti e continuazione controllata di una risposta. Le chiamate di funzione iniziano dalle descrizioni degli strumenti disponibili e degli argomenti attesi. Il modello può scegliere una funzione appropriata, identificare informazioni mancanti e generarne gli argomenti; l’applicazione esegue la funzione e restituisce il risultato per la risposta successiva. Il flusso degli strumenti può consentire la selezione automatica, imporre uno strumento, disabilitarne l’uso o permettere più chiamate in parallelo. Questi controlli appartengono al flusso dell’applicazione circostante.\n\nL’output strutturato supporta sia JSON sia uno schema personalizzato. I compiti orientati a JSON devono descrivere esplicitamente il formato atteso, mentre uno schema definisce i campi e i tipi necessari all’elaborazione successiva. Le risposte a domande sui documenti combinano estrazione del testo e del layout con l’analisi del modello linguistico: chiedi una condizione specifica, confronta sezioni o raccogli un insieme definito di campi. Il supporto agli output predetti è utile quando si rivedono testo o codice con gran parte del risultato già nota. La continuazione da un prefisso fornisce un’apertura scelta per la risposta; l’elaborazione batch gestisce raccolte di richieste indipendenti in modo asincrono.\n\nPer un assistente tramite API Ailoot, definisci un risultato utile e il materiale che lo supporta. Un compito di assistenza può combinare una richiesta e uno screenshot per produrre una risposta con osservazioni estratte. Un compito documentale può restituire una tabella di campi e domande irrisolte. Un compito di programmazione può esplorare i file pertinenti, proporre modifiche coordinate e usare i controlli dell’applicazione per perfezionarle. Small 4 è rilasciato con pesi Apache 2.0 per la personalizzazione; il nome della famiglia mantiene la scelta generale del modello, con modalità e limiti concreti legati all’edizione selezionata.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.mistral-small-latestLa famiglia generalista Small di Mistral AI supporta assistenti, analisi documentale e flussi di programmazione con chiamate di strumenti e risposte strutturate. L’edizione Small 4 combina risposte dirette e ragionamento regolabile con input di testo e immagini.
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.
Mistral Small è la famiglia generalista di Mistral AI per il rispetto delle istruzioni, il lavoro sui documenti e gli assistenti di programmazione. Le edizioni pubblicate hanno architetture e limiti di contesto distinti. Small 4 combina rispetto delle istruzioni, ragionamento e programmazione agentica in un unico modello multimodale. Accetta testo e immagini e produce testo, consentendo di includere nello stesso compito un requisito scritto ed evidenze visive come una pagina di documento o uno screenshot dell’interfaccia.
Small 4 usa un’architettura mixture-of-experts con 119 miliardi di parametri totali e 128 esperti, di cui quattro vengono selezionati per token. La finestra di contesto è di 256K token. L’edizione precedente Small 3.2 ha una finestra di contesto di 128K. Sono proprietà specifiche della versione: la selezione di una famiglia segue un’edizione aggiornata, mentre un nome di modello fisso identifica un rilascio particolare.
Small 4 offre due impostazioni dell’intensità di ragionamento. Quella per la risposta diretta usa un’elaborazione minima e restituisce la risposta senza un segmento di ragionamento separato. L’impostazione ad alta intensità aggiunge un ragionamento più dettagliato prima della risposta finale ed è destinata a problemi più difficili. Questo riunisce la chat quotidiana con analisi matematica, ricerca e compiti di programmazione. In una conversazione di ragionamento, conservare il messaggio precedente completo dell’assistente preserva il contesto necessario ai turni successivi.
Le funzionalità applicative del modello includono chiamate di funzione, output strutturati, domande sui documenti e continuazione controllata di una risposta. Le chiamate di funzione iniziano dalle descrizioni degli strumenti disponibili e degli argomenti attesi. Il modello può scegliere una funzione appropriata, identificare informazioni mancanti e generarne gli argomenti; l’applicazione esegue la funzione e restituisce il risultato per la risposta successiva. Il flusso degli strumenti può consentire la selezione automatica, imporre uno strumento, disabilitarne l’uso o permettere più chiamate in parallelo. Questi controlli appartengono al flusso dell’applicazione circostante.
L’output strutturato supporta sia JSON sia uno schema personalizzato. I compiti orientati a JSON devono descrivere esplicitamente il formato atteso, mentre uno schema definisce i campi e i tipi necessari all’elaborazione successiva. Le risposte a domande sui documenti combinano estrazione del testo e del layout con l’analisi del modello linguistico: chiedi una condizione specifica, confronta sezioni o raccogli un insieme definito di campi. Il supporto agli output predetti è utile quando si rivedono testo o codice con gran parte del risultato già nota. La continuazione da un prefisso fornisce un’apertura scelta per la risposta; l’elaborazione batch gestisce raccolte di richieste indipendenti in modo asincrono.
Per un assistente tramite API Ailoot, definisci un risultato utile e il materiale che lo supporta. Un compito di assistenza può combinare una richiesta e uno screenshot per produrre una risposta con osservazioni estratte. Un compito documentale può restituire una tabella di campi e domande irrisolte. Un compito di programmazione può esplorare i file pertinenti, proporre modifiche coordinate e usare i controlli dell’applicazione per perfezionarle. Small 4 è rilasciato con pesi Apache 2.0 per la personalizzazione; il nome della famiglia mantiene la scelta generale del modello, con modalità e limiti concreti legati all’edizione selezionata.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistral-small-latest | 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 $0.0011 / 1K token Output · Token in output $0.0011 / 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": "mistral-small-latest", "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='mistral-small-latest',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='mistral-small-latest',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 mistral-small-latest
Usa i percorsi dei metodi indicati sopra.
mistral-small-latestLa famiglia generalista Small di Mistral AI supporta assistenti, analisi documentale e flussi di programmazione con chiamate di strumenti e risposte strutturate. L’edizione Small 4 combina risposte dirette e ragionamento regolabile con input di testo e immagini.
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.
Mistral Small è la famiglia generalista di Mistral AI per il rispetto delle istruzioni, il lavoro sui documenti e gli assistenti di programmazione. Le edizioni pubblicate hanno architetture e limiti di contesto distinti. Small 4 combina rispetto delle istruzioni, ragionamento e programmazione agentica in un unico modello multimodale. Accetta testo e immagini e produce testo, consentendo di includere nello stesso compito un requisito scritto ed evidenze visive come una pagina di documento o uno screenshot dell’interfaccia.
Small 4 usa un’architettura mixture-of-experts con 119 miliardi di parametri totali e 128 esperti, di cui quattro vengono selezionati per token. La finestra di contesto è di 256K token. L’edizione precedente Small 3.2 ha una finestra di contesto di 128K. Sono proprietà specifiche della versione: la selezione di una famiglia segue un’edizione aggiornata, mentre un nome di modello fisso identifica un rilascio particolare.
Small 4 offre due impostazioni dell’intensità di ragionamento. Quella per la risposta diretta usa un’elaborazione minima e restituisce la risposta senza un segmento di ragionamento separato. L’impostazione ad alta intensità aggiunge un ragionamento più dettagliato prima della risposta finale ed è destinata a problemi più difficili. Questo riunisce la chat quotidiana con analisi matematica, ricerca e compiti di programmazione. In una conversazione di ragionamento, conservare il messaggio precedente completo dell’assistente preserva il contesto necessario ai turni successivi.
Le funzionalità applicative del modello includono chiamate di funzione, output strutturati, domande sui documenti e continuazione controllata di una risposta. Le chiamate di funzione iniziano dalle descrizioni degli strumenti disponibili e degli argomenti attesi. Il modello può scegliere una funzione appropriata, identificare informazioni mancanti e generarne gli argomenti; l’applicazione esegue la funzione e restituisce il risultato per la risposta successiva. Il flusso degli strumenti può consentire la selezione automatica, imporre uno strumento, disabilitarne l’uso o permettere più chiamate in parallelo. Questi controlli appartengono al flusso dell’applicazione circostante.
L’output strutturato supporta sia JSON sia uno schema personalizzato. I compiti orientati a JSON devono descrivere esplicitamente il formato atteso, mentre uno schema definisce i campi e i tipi necessari all’elaborazione successiva. Le risposte a domande sui documenti combinano estrazione del testo e del layout con l’analisi del modello linguistico: chiedi una condizione specifica, confronta sezioni o raccogli un insieme definito di campi. Il supporto agli output predetti è utile quando si rivedono testo o codice con gran parte del risultato già nota. La continuazione da un prefisso fornisce un’apertura scelta per la risposta; l’elaborazione batch gestisce raccolte di richieste indipendenti in modo asincrono.
Per un assistente tramite API Ailoot, definisci un risultato utile e il materiale che lo supporta. Un compito di assistenza può combinare una richiesta e uno screenshot per produrre una risposta con osservazioni estratte. Un compito documentale può restituire una tabella di campi e domande irrisolte. Un compito di programmazione può esplorare i file pertinenti, proporre modifiche coordinate e usare i controlli dell’applicazione per perfezionarle. Small 4 è rilasciato con pesi Apache 2.0 per la personalizzazione; il nome della famiglia mantiene la scelta generale del modello, con modalità e limiti concreti legati all’edizione selezionata.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistral-small-latest | 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 $0.0011 / 1K token Output · Token in output $0.0011 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistral-small-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-small-latest', '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': 'mistral-small-latest', '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 mistral-small-latest
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.