Ministral 3 3B Instruct 2512 è la più piccola edizione ottimizzata per seguire istruzioni della famiglia Ministral 3 di Mistral AI. Il produttore la propone per applicazioni compatte basate su istruzioni, tra cui didascalie di immagini, classificazione del testo, estrazione di dati, traduzione e contenuti brevi. Il checkpoint rilasciato usa la precisione FP8 e combina l’elaborazione del testo con una componente per gli input visivi.
Componenti e capacità del modello
La scheda indica un modello linguistico da 3,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. Documenta una finestra di contesto di 256k, con una lunghezza configurata predefinita di 262.144 nelle note d’uso. Questi conteggi delle componenti appartengono all’edizione 3B, non ai membri 8B o 14B della famiglia. Il modello accetta testo e immagini e genera testo, inclusi record in formato JSON o proposte di chiamate di funzione.
Il produttore descrive un supporto multilingue per decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Sottolinea anche l’aderenza al prompt di sistema. Specifica la lingua richiesta per l’output e le etichette o i termini che devono restare invariati. Questo mantiene una spiegazione tradotta o un record estratto allineato all’uso previsto dall’applicazione.
Classificazione ed estrazione mirate
Per un compito di classificazione, fornisci le etichette consentite, la regola che le distingue e il messaggio da classificare. Chiedi una sola etichetta selezionata e una breve spiegazione fondata sul messaggio fornito. Se le etichette sono ambigue, definisci quali informazioni permetterebbero di distinguerle, invece di affidarti soltanto ai loro nomi. Si ottiene così un risultato compatto, utilizzabile in modo coerente in un flusso di lavoro più ampio.
Per l’estrazione, elenca i campi e i loro tipi e indica come rappresentare le informazioni mancanti. Una richiesta può domandare l’identificativo di un elemento, la condizione descritta esplicitamente e l’azione richiesta dall’utente. Richiedi la formulazione originale quando le parole esatte contano, oppure un valore normalizzato quando l’applicazione fornisce la regola di normalizzazione. L’output JSON organizza il risultato; la progettazione dei campi resta parte del compito, anziché costituire uno schema universale integrato.
La scheda cita anche le didascalie di immagini e la generazione di contenuti brevi. Per una didascalia, definisci l’aspetto dell’immagine da descrivere e il pubblico. Per una spiegazione breve, fornisci i fatti da preservare e la lunghezza desiderata. Una risposta di assistenza può usare la domanda originale e le indicazioni fornite per proporre un passaggio successivo conciso, insieme alla condizione che lo rende applicabile.
Preparazione visiva e multilingue
Abbina un’immagine a una domanda testuale chiara. Per un campo di un documento, conserva l’etichetta, il valore e il contesto circostante necessario a interpretarli. Per la descrizione di un oggetto, specifica quale caratteristica visibile conta. Il produttore raccomanda proporzioni dell’immagine vicine a 1:1 e di evitare input molto sottili o larghi; ritaglia quanto serve senza eliminare gli elementi su cui si basa la domanda.
Per la traduzione, fornisci il testo originale, la lingua finale ed eventuali elenchi terminologici. Chiedi il brano tradotto separatamente da un’eventuale spiegazione. Un compito di classificazione multilingue può mantenere invariate le etichette dell’applicazione e spiegare quella selezionata nella lingua del lettore. Si tratta di output definiti, anziché di una richiesta generica di commentare un messaggio o un’immagine.
Strumenti e impostazioni raccomandate
Le chiamate di funzione native permettono a un’applicazione di collegare la conversazione a un’operazione descritta. Il modello prepara gli argomenti della funzione, l’applicazione la esegue e il risultato diventa un’informazione per la risposta successiva. Una ricerca può fornire un valore mancante, oppure uno strumento di calcolo può operare su valori identificati in un’immagine. Il modello testuale non esegue da solo la funzione semplicemente producendone nome e argomenti.
Il produttore raccomanda un’istruzione di sistema che definisca l’ambiente e il caso d’uso, comprese le indicazioni sugli strumenti. Mantieni chiare le descrizioni degli strumenti e limita l’insieme alle sole operazioni pertinenti indispensabili. Per un assistente con uno scopo circoscritto, un compito esplicito di estrazione o ricerca può risultare più facile da interpretare di un prompt con molte funzioni non correlate e nessuna regola di selezione.
La scheda fornisce indicazioni per una temperatura bassa: inferiore a 0.1 per l’uso quotidiano e in produzione, e una temperatura iniziale di 0.1 per la maggior parte dei casi d’uso nella nota separata sul campionamento. Per i contenuti creativi si possono esplorare valori più alti. Queste raccomandazioni hanno ambiti dichiarati diversi; non garantiscono che un’unica impostazione di campionamento renda corretto ogni valore estratto o ogni classificazione.
Edizione e limiti del contesto
Ministral 3 offre rilasci distinti Base, Instruct e Reasoning per ogni dimensione del modello. Questa voce identifica il checkpoint Instruct 2512, non una modalità di ragionamento attivata automaticamente o la base preaddestrata. Il produttore elenca specializzazione e fine-tuning tra le possibili applicazioni, mentre il compito corrente basato su istruzioni richiede comunque input, regole e output chiaramente definiti.
Mantieni il materiale sorgente pertinente e la conversazione nel contesto configurato e richiedi il risultato compatto necessario al passaggio successivo dell’applicazione. Le note d’uso consentono di ridurre la lunghezza del contesto configurato per i compiti che non richiedono l’intera finestra. Un esempio di generazione da 512 token e un’ampia disponibilità di generazione usata in un esempio non costituiscono capacità massime di output documentate autonomamente. Generazione di immagini, output audio e azioni esterne richiedono altre componenti oltre a questo modello con risultato testuale.
", "aboutText": "Ministral 3 3B Instruct 2512 è la più piccola edizione ottimizzata per seguire istruzioni della famiglia Ministral 3 di Mistral AI. Il produttore la propone per applicazioni compatte basate su istruzioni, tra cui didascalie di immagini, classificazione del testo, estrazione di dati, traduzione e contenuti brevi. Il checkpoint rilasciato usa la precisione FP8 e combina l’elaborazione del testo con una componente per gli input visivi.\n\nComponenti e capacità del modello\n\nLa scheda indica un modello linguistico da 3,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. Documenta una finestra di contesto di 256k, con una lunghezza configurata predefinita di 262.144 nelle note d’uso. Questi conteggi delle componenti appartengono all’edizione 3B, non ai membri 8B o 14B della famiglia. Il modello accetta testo e immagini e genera testo, inclusi record in formato JSON o proposte di chiamate di funzione.\n\nIl produttore descrive un supporto multilingue per decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Sottolinea anche l’aderenza al prompt di sistema. Specifica la lingua richiesta per l’output e le etichette o i termini che devono restare invariati. Questo mantiene una spiegazione tradotta o un record estratto allineato all’uso previsto dall’applicazione.\n\nClassificazione ed estrazione mirate\n\nPer un compito di classificazione, fornisci le etichette consentite, la regola che le distingue e il messaggio da classificare. Chiedi una sola etichetta selezionata e una breve spiegazione fondata sul messaggio fornito. Se le etichette sono ambigue, definisci quali informazioni permetterebbero di distinguerle, invece di affidarti soltanto ai loro nomi. Si ottiene così un risultato compatto, utilizzabile in modo coerente in un flusso di lavoro più ampio.\n\nPer l’estrazione, elenca i campi e i loro tipi e indica come rappresentare le informazioni mancanti. Una richiesta può domandare l’identificativo di un elemento, la condizione descritta esplicitamente e l’azione richiesta dall’utente. Richiedi la formulazione originale quando le parole esatte contano, oppure un valore normalizzato quando l’applicazione fornisce la regola di normalizzazione. L’output JSON organizza il risultato; la progettazione dei campi resta parte del compito, anziché costituire uno schema universale integrato.\n\nLa scheda cita anche le didascalie di immagini e la generazione di contenuti brevi. Per una didascalia, definisci l’aspetto dell’immagine da descrivere e il pubblico. Per una spiegazione breve, fornisci i fatti da preservare e la lunghezza desiderata. Una risposta di assistenza può usare la domanda originale e le indicazioni fornite per proporre un passaggio successivo conciso, insieme alla condizione che lo rende applicabile.\n\nPreparazione visiva e multilingue\n\nAbbina un’immagine a una domanda testuale chiara. Per un campo di un documento, conserva l’etichetta, il valore e il contesto circostante necessario a interpretarli. Per la descrizione di un oggetto, specifica quale caratteristica visibile conta. Il produttore raccomanda proporzioni dell’immagine vicine a 1:1 e di evitare input molto sottili o larghi; ritaglia quanto serve senza eliminare gli elementi su cui si basa la domanda.\n\nPer la traduzione, fornisci il testo originale, la lingua finale ed eventuali elenchi terminologici. Chiedi il brano tradotto separatamente da un’eventuale spiegazione. Un compito di classificazione multilingue può mantenere invariate le etichette dell’applicazione e spiegare quella selezionata nella lingua del lettore. Si tratta di output definiti, anziché di una richiesta generica di commentare un messaggio o un’immagine.\n\nStrumenti e impostazioni raccomandate\n\nLe chiamate di funzione native permettono a un’applicazione di collegare la conversazione a un’operazione descritta. Il modello prepara gli argomenti della funzione, l’applicazione la esegue e il risultato diventa un’informazione per la risposta successiva. Una ricerca può fornire un valore mancante, oppure uno strumento di calcolo può operare su valori identificati in un’immagine. Il modello testuale non esegue da solo la funzione semplicemente producendone nome e argomenti.\n\nIl produttore raccomanda un’istruzione di sistema che definisca l’ambiente e il caso d’uso, comprese le indicazioni sugli strumenti. Mantieni chiare le descrizioni degli strumenti e limita l’insieme alle sole operazioni pertinenti indispensabili. Per un assistente con uno scopo circoscritto, un compito esplicito di estrazione o ricerca può risultare più facile da interpretare di un prompt con molte funzioni non correlate e nessuna regola di selezione.\n\nLa scheda fornisce indicazioni per una temperatura bassa: inferiore a 0.1 per l’uso quotidiano e in produzione, e una temperatura iniziale di 0.1 per la maggior parte dei casi d’uso nella nota separata sul campionamento. Per i contenuti creativi si possono esplorare valori più alti. Queste raccomandazioni hanno ambiti dichiarati diversi; non garantiscono che un’unica impostazione di campionamento renda corretto ogni valore estratto o ogni classificazione.\n\nEdizione e limiti del contesto\n\nMinistral 3 offre rilasci distinti Base, Instruct e Reasoning per ogni dimensione del modello. Questa voce identifica il checkpoint Instruct 2512, non una modalità di ragionamento attivata automaticamente o la base preaddestrata. Il produttore elenca specializzazione e fine-tuning tra le possibili applicazioni, mentre il compito corrente basato su istruzioni richiede comunque input, regole e output chiaramente definiti.\n\nMantieni il materiale sorgente pertinente e la conversazione nel contesto configurato e richiedi il risultato compatto necessario al passaggio successivo dell’applicazione. Le note d’uso consentono di ridurre la lunghezza del contesto configurato per i compiti che non richiedono l’intera finestra. Un esempio di generazione da 512 token e un’ampia disponibilità di generazione usata in un esempio non costituiscono capacità massime di output documentate autonomamente. Generazione di immagini, output audio e azioni esterne richiedono altre componenti oltre a questo modello con risultato testuale.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 è un modello compatto multilingue per testo e immagini, adatto a classificazione, estrazione, didascalie di immagini e contenuti brevi. La componente linguistica da 3,4 miliardi di parametri e l’encoder visivo da 0,4 miliardi supportano istruzioni di sistema, JSON, chiamate di funzione e un contesto di 256k dichiarato dal produttore.
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.
Ministral 3 3B Instruct 2512 è la più piccola edizione ottimizzata per seguire istruzioni della famiglia Ministral 3 di Mistral AI. Il produttore la propone per applicazioni compatte basate su istruzioni, tra cui didascalie di immagini, classificazione del testo, estrazione di dati, traduzione e contenuti brevi. Il checkpoint rilasciato usa la precisione FP8 e combina l’elaborazione del testo con una componente per gli input visivi.
Componenti e capacità del modello
La scheda indica un modello linguistico da 3,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. Documenta una finestra di contesto di 256k, con una lunghezza configurata predefinita di 262.144 nelle note d’uso. Questi conteggi delle componenti appartengono all’edizione 3B, non ai membri 8B o 14B della famiglia. Il modello accetta testo e immagini e genera testo, inclusi record in formato JSON o proposte di chiamate di funzione.
Il produttore descrive un supporto multilingue per decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Sottolinea anche l’aderenza al prompt di sistema. Specifica la lingua richiesta per l’output e le etichette o i termini che devono restare invariati. Questo mantiene una spiegazione tradotta o un record estratto allineato all’uso previsto dall’applicazione.
Classificazione ed estrazione mirate
Per un compito di classificazione, fornisci le etichette consentite, la regola che le distingue e il messaggio da classificare. Chiedi una sola etichetta selezionata e una breve spiegazione fondata sul messaggio fornito. Se le etichette sono ambigue, definisci quali informazioni permetterebbero di distinguerle, invece di affidarti soltanto ai loro nomi. Si ottiene così un risultato compatto, utilizzabile in modo coerente in un flusso di lavoro più ampio.
Per l’estrazione, elenca i campi e i loro tipi e indica come rappresentare le informazioni mancanti. Una richiesta può domandare l’identificativo di un elemento, la condizione descritta esplicitamente e l’azione richiesta dall’utente. Richiedi la formulazione originale quando le parole esatte contano, oppure un valore normalizzato quando l’applicazione fornisce la regola di normalizzazione. L’output JSON organizza il risultato; la progettazione dei campi resta parte del compito, anziché costituire uno schema universale integrato.
La scheda cita anche le didascalie di immagini e la generazione di contenuti brevi. Per una didascalia, definisci l’aspetto dell’immagine da descrivere e il pubblico. Per una spiegazione breve, fornisci i fatti da preservare e la lunghezza desiderata. Una risposta di assistenza può usare la domanda originale e le indicazioni fornite per proporre un passaggio successivo conciso, insieme alla condizione che lo rende applicabile.
Preparazione visiva e multilingue
Abbina un’immagine a una domanda testuale chiara. Per un campo di un documento, conserva l’etichetta, il valore e il contesto circostante necessario a interpretarli. Per la descrizione di un oggetto, specifica quale caratteristica visibile conta. Il produttore raccomanda proporzioni dell’immagine vicine a 1:1 e di evitare input molto sottili o larghi; ritaglia quanto serve senza eliminare gli elementi su cui si basa la domanda.
Per la traduzione, fornisci il testo originale, la lingua finale ed eventuali elenchi terminologici. Chiedi il brano tradotto separatamente da un’eventuale spiegazione. Un compito di classificazione multilingue può mantenere invariate le etichette dell’applicazione e spiegare quella selezionata nella lingua del lettore. Si tratta di output definiti, anziché di una richiesta generica di commentare un messaggio o un’immagine.
Strumenti e impostazioni raccomandate
Le chiamate di funzione native permettono a un’applicazione di collegare la conversazione a un’operazione descritta. Il modello prepara gli argomenti della funzione, l’applicazione la esegue e il risultato diventa un’informazione per la risposta successiva. Una ricerca può fornire un valore mancante, oppure uno strumento di calcolo può operare su valori identificati in un’immagine. Il modello testuale non esegue da solo la funzione semplicemente producendone nome e argomenti.
Il produttore raccomanda un’istruzione di sistema che definisca l’ambiente e il caso d’uso, comprese le indicazioni sugli strumenti. Mantieni chiare le descrizioni degli strumenti e limita l’insieme alle sole operazioni pertinenti indispensabili. Per un assistente con uno scopo circoscritto, un compito esplicito di estrazione o ricerca può risultare più facile da interpretare di un prompt con molte funzioni non correlate e nessuna regola di selezione.
La scheda fornisce indicazioni per una temperatura bassa: inferiore a 0.1 per l’uso quotidiano e in produzione, e una temperatura iniziale di 0.1 per la maggior parte dei casi d’uso nella nota separata sul campionamento. Per i contenuti creativi si possono esplorare valori più alti. Queste raccomandazioni hanno ambiti dichiarati diversi; non garantiscono che un’unica impostazione di campionamento renda corretto ogni valore estratto o ogni classificazione.
Edizione e limiti del contesto
Ministral 3 offre rilasci distinti Base, Instruct e Reasoning per ogni dimensione del modello. Questa voce identifica il checkpoint Instruct 2512, non una modalità di ragionamento attivata automaticamente o la base preaddestrata. Il produttore elenca specializzazione e fine-tuning tra le possibili applicazioni, mentre il compito corrente basato su istruzioni richiede comunque input, regole e output chiaramente definiti.
Mantieni il materiale sorgente pertinente e la conversazione nel contesto configurato e richiedi il risultato compatto necessario al passaggio successivo dell’applicazione. Le note d’uso consentono di ridurre la lunghezza del contesto configurato per i compiti che non richiedono l’intera finestra. Un esempio di generazione da 512 token e un’ampia disponibilità di generazione usata in un esempio non costituiscono capacità massime di output documentate autonomamente. Generazione di immagini, output audio e azioni esterne richiedono altre componenti oltre a questo modello con risultato testuale.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/ministral-3b-2512 | 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.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00066 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00066 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0.00002 / 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": "mistralai/ministral-3b-2512", "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/ministral-3b-2512',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/ministral-3b-2512',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 mistralai/ministral-3b-2512
Usa i percorsi dei metodi indicati sopra.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 è un modello compatto multilingue per testo e immagini, adatto a classificazione, estrazione, didascalie di immagini e contenuti brevi. La componente linguistica da 3,4 miliardi di parametri e l’encoder visivo da 0,4 miliardi supportano istruzioni di sistema, JSON, chiamate di funzione e un contesto di 256k dichiarato dal produttore.
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.
Ministral 3 3B Instruct 2512 è la più piccola edizione ottimizzata per seguire istruzioni della famiglia Ministral 3 di Mistral AI. Il produttore la propone per applicazioni compatte basate su istruzioni, tra cui didascalie di immagini, classificazione del testo, estrazione di dati, traduzione e contenuti brevi. Il checkpoint rilasciato usa la precisione FP8 e combina l’elaborazione del testo con una componente per gli input visivi.
Componenti e capacità del modello
La scheda indica un modello linguistico da 3,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. Documenta una finestra di contesto di 256k, con una lunghezza configurata predefinita di 262.144 nelle note d’uso. Questi conteggi delle componenti appartengono all’edizione 3B, non ai membri 8B o 14B della famiglia. Il modello accetta testo e immagini e genera testo, inclusi record in formato JSON o proposte di chiamate di funzione.
Il produttore descrive un supporto multilingue per decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Sottolinea anche l’aderenza al prompt di sistema. Specifica la lingua richiesta per l’output e le etichette o i termini che devono restare invariati. Questo mantiene una spiegazione tradotta o un record estratto allineato all’uso previsto dall’applicazione.
Classificazione ed estrazione mirate
Per un compito di classificazione, fornisci le etichette consentite, la regola che le distingue e il messaggio da classificare. Chiedi una sola etichetta selezionata e una breve spiegazione fondata sul messaggio fornito. Se le etichette sono ambigue, definisci quali informazioni permetterebbero di distinguerle, invece di affidarti soltanto ai loro nomi. Si ottiene così un risultato compatto, utilizzabile in modo coerente in un flusso di lavoro più ampio.
Per l’estrazione, elenca i campi e i loro tipi e indica come rappresentare le informazioni mancanti. Una richiesta può domandare l’identificativo di un elemento, la condizione descritta esplicitamente e l’azione richiesta dall’utente. Richiedi la formulazione originale quando le parole esatte contano, oppure un valore normalizzato quando l’applicazione fornisce la regola di normalizzazione. L’output JSON organizza il risultato; la progettazione dei campi resta parte del compito, anziché costituire uno schema universale integrato.
La scheda cita anche le didascalie di immagini e la generazione di contenuti brevi. Per una didascalia, definisci l’aspetto dell’immagine da descrivere e il pubblico. Per una spiegazione breve, fornisci i fatti da preservare e la lunghezza desiderata. Una risposta di assistenza può usare la domanda originale e le indicazioni fornite per proporre un passaggio successivo conciso, insieme alla condizione che lo rende applicabile.
Preparazione visiva e multilingue
Abbina un’immagine a una domanda testuale chiara. Per un campo di un documento, conserva l’etichetta, il valore e il contesto circostante necessario a interpretarli. Per la descrizione di un oggetto, specifica quale caratteristica visibile conta. Il produttore raccomanda proporzioni dell’immagine vicine a 1:1 e di evitare input molto sottili o larghi; ritaglia quanto serve senza eliminare gli elementi su cui si basa la domanda.
Per la traduzione, fornisci il testo originale, la lingua finale ed eventuali elenchi terminologici. Chiedi il brano tradotto separatamente da un’eventuale spiegazione. Un compito di classificazione multilingue può mantenere invariate le etichette dell’applicazione e spiegare quella selezionata nella lingua del lettore. Si tratta di output definiti, anziché di una richiesta generica di commentare un messaggio o un’immagine.
Strumenti e impostazioni raccomandate
Le chiamate di funzione native permettono a un’applicazione di collegare la conversazione a un’operazione descritta. Il modello prepara gli argomenti della funzione, l’applicazione la esegue e il risultato diventa un’informazione per la risposta successiva. Una ricerca può fornire un valore mancante, oppure uno strumento di calcolo può operare su valori identificati in un’immagine. Il modello testuale non esegue da solo la funzione semplicemente producendone nome e argomenti.
Il produttore raccomanda un’istruzione di sistema che definisca l’ambiente e il caso d’uso, comprese le indicazioni sugli strumenti. Mantieni chiare le descrizioni degli strumenti e limita l’insieme alle sole operazioni pertinenti indispensabili. Per un assistente con uno scopo circoscritto, un compito esplicito di estrazione o ricerca può risultare più facile da interpretare di un prompt con molte funzioni non correlate e nessuna regola di selezione.
La scheda fornisce indicazioni per una temperatura bassa: inferiore a 0.1 per l’uso quotidiano e in produzione, e una temperatura iniziale di 0.1 per la maggior parte dei casi d’uso nella nota separata sul campionamento. Per i contenuti creativi si possono esplorare valori più alti. Queste raccomandazioni hanno ambiti dichiarati diversi; non garantiscono che un’unica impostazione di campionamento renda corretto ogni valore estratto o ogni classificazione.
Edizione e limiti del contesto
Ministral 3 offre rilasci distinti Base, Instruct e Reasoning per ogni dimensione del modello. Questa voce identifica il checkpoint Instruct 2512, non una modalità di ragionamento attivata automaticamente o la base preaddestrata. Il produttore elenca specializzazione e fine-tuning tra le possibili applicazioni, mentre il compito corrente basato su istruzioni richiede comunque input, regole e output chiaramente definiti.
Mantieni il materiale sorgente pertinente e la conversazione nel contesto configurato e richiedi il risultato compatto necessario al passaggio successivo dell’applicazione. Le note d’uso consentono di ridurre la lunghezza del contesto configurato per i compiti che non richiedono l’intera finestra. Un esempio di generazione da 512 token e un’ampia disponibilità di generazione usata in un esempio non costituiscono capacità massime di output documentate autonomamente. Generazione di immagini, output audio e azioni esterne richiedono altre componenti oltre a questo modello con risultato testuale.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/ministral-3b-2512 | 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.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00066 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00066 / 1K token Output · Token in output $0.00066 / 1K token Input · Lettura dalla cache $0.00002 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-3b-2512', '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/ministral-3b-2512', '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 mistralai/ministral-3b-2512
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.