Ministral 3 8B Instruct 2512 è il modello di dimensioni intermedie ottimizzato per seguire istruzioni della famiglia Ministral 3 di Mistral AI. Il checkpoint rilasciato è post-addestrato per chat e compiti basati su istruzioni in precisione FP8. Combina una componente linguistica con un encoder visivo, accettando testo e immagini e restituendo testo anziché un’immagine o un elaborato audio.
Architettura e funzionalità principali
Il produttore indica un modello linguistico da 8,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. La finestra di contesto è descritta come 256k e le note d’uso pubblicate adottano una lunghezza configurata predefinita di 262.144. Queste caratteristiche descrivono l’edizione di dimensione 8B; i membri più piccolo 3B e più grande 14B della famiglia mantengono dimensioni delle componenti e configurazioni proprie.
La visione estende l’input del modello oltre una conversazione scritta. Un’immagine documentale può essere abbinata a una domanda su un campo, un paragrafo o una relazione visibile selezionati. Uno screenshot può essere abbinato all’obiettivo dell’utente e a una richiesta di identificare il controllo pertinente. Chiedi l’osservazione che supporta ogni conclusione quando la risposta dipende da dettagli visivi e conserva titoli, etichette e unità necessari a interpretare un ritaglio.
La scheda descrive lavoro multilingue in decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Identifica inoltre aderenza alle istruzioni di sistema, chiamate di funzione native e output JSON. Definisci esplicitamente lingua finale, ruolo e requisiti di output, invece di lasciare che il modello deduca l’elaborato previsto da un input ampio.
Compiti documentali, conversazionali e agentici
I casi d’uso del produttore includono interfacce di chat, assistenti quotidiani, descrizione di immagini e documenti, traduzione, generazione di contenuti e agenti specializzati. Per un assistente documentale, fornisci la pagina e specifica le informazioni da restituire. Una richiesta di estrazione può indicare etichette dei campi, tipi attesi e trattamento dei valori mancanti. Una risposta utile può contenere l’identificatore del documento, il valore estratto e una breve spiegazione legata alla fonte visibile.
Per una conversazione in corso, conserva la risposta precedente pertinente e poni una domanda successiva mirata. Un utente può chiedere prima un riepilogo del documento e poi quale affermazione supporti una conclusione. Questo cambia l’output richiesto da una panoramica generale a una spiegazione collegata alla fonte, conservando il materiale originale e lo scopo del dialogo.
Per la revisione multilingue, fornisci il brano originale, il lettore previsto e un elenco terminologico. Chiedi una versione revisionata che mantenga nomi, condizioni e unità, seguita da una breve spiegazione delle modifiche se utile. Per la generazione di contenuti, specifica il pubblico e i fatti che devono comparire prima di chiedere una breve bozza o formulazioni alternative.
In un compito agentico, l’applicazione fornisce gli strumenti e i relativi parametri. Il modello può scegliere una funzione e preparare gli argomenti, mentre l’applicazione la esegue e restituisce il risultato. L’esempio di funzione nella scheda combina una domanda su un’immagine con uno strumento di calcolo. Mantieni il risultato dello strumento separato dalla chiamata proposta, affinché la risposta scritta successiva usi le informazioni effettivamente restituite dall’operazione.
Preparazione e impostazioni raccomandate
Il produttore raccomanda un’istruzione di sistema che descriva ambiente, caso d’uso e modalità d’impiego degli strumenti. Mantieni ben definito l’insieme degli strumenti e limitato al minimo necessario per il compito. Un piccolo flusso di ricerca può offrire le funzioni pertinenti alla domanda corrente, con argomenti obbligatori chiaramente denominati, invece di presentare una grande raccolta di operazioni non correlate.
Per l’uso quotidiano e in produzione, la scheda raccomanda una temperatura inferiore a 0.1, con temperature maggiori disponibili per l’esplorazione creativa. Considerala una raccomandazione per il flusso basato su istruzioni, non un controllo separato della modalità di ragionamento. La famiglia ha checkpoint distinti Base, Instruct e Reasoning; questa voce è l’edizione Instruct 2512, non il rilascio Reasoning separato della stessa dimensione.
Per le immagini, il produttore raccomanda proporzioni vicine a 1:1 e di evitare input molto sottili o molto larghi. Ritaglia quando necessario, mantenendo etichette e contesto richiesti dalla domanda. Se una pagina contiene più aree non correlate, identifica la parte da esaminare e il risultato da restituire. Un’immagine leggibile e mirata è più utile che chiedere al modello di indovinare quale piccolo dettaglio di una pagina ampia sia importante.
Contesto e limiti dell’edizione
Pianifica testo, immagini, conversazione e risposta desiderata in funzione del contesto configurato. Le note d’uso consentono esplicitamente di ridurre la lunghezza configurata del modello quando serve meno contesto, quindi l’intera finestra non è un’istruzione a riempire ogni richiesta con tutto il materiale disponibile. L’esempio di generazione da 512 token della scheda è soltanto un’impostazione esemplificativa e le fonti lette non stabiliscono una lunghezza massima rigida separata della risposta.
Il checkpoint FP8 Instruct, il rilascio Base preaddestrato e il rilascio Reasoning sono edizioni separate. Il produttore descrive anche specializzazione e fine-tuning come casi d’uso. Conserva il checkpoint denominato e il suo tokenizer quando prepari la conversazione e mantieni distinta la generazione di testo dall’accesso ai repository, dall’esecuzione di funzioni o da altre azioni fornite dall’applicazione circostante.
", "aboutText": "Ministral 3 8B Instruct 2512 è il modello di dimensioni intermedie ottimizzato per seguire istruzioni della famiglia Ministral 3 di Mistral AI. Il checkpoint rilasciato è post-addestrato per chat e compiti basati su istruzioni in precisione FP8. Combina una componente linguistica con un encoder visivo, accettando testo e immagini e restituendo testo anziché un’immagine o un elaborato audio.\n\nArchitettura e funzionalità principali\n\nIl produttore indica un modello linguistico da 8,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. La finestra di contesto è descritta come 256k e le note d’uso pubblicate adottano una lunghezza configurata predefinita di 262.144. Queste caratteristiche descrivono l’edizione di dimensione 8B; i membri più piccolo 3B e più grande 14B della famiglia mantengono dimensioni delle componenti e configurazioni proprie.\n\nLa visione estende l’input del modello oltre una conversazione scritta. Un’immagine documentale può essere abbinata a una domanda su un campo, un paragrafo o una relazione visibile selezionati. Uno screenshot può essere abbinato all’obiettivo dell’utente e a una richiesta di identificare il controllo pertinente. Chiedi l’osservazione che supporta ogni conclusione quando la risposta dipende da dettagli visivi e conserva titoli, etichette e unità necessari a interpretare un ritaglio.\n\nLa scheda descrive lavoro multilingue in decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Identifica inoltre aderenza alle istruzioni di sistema, chiamate di funzione native e output JSON. Definisci esplicitamente lingua finale, ruolo e requisiti di output, invece di lasciare che il modello deduca l’elaborato previsto da un input ampio.\n\nCompiti documentali, conversazionali e agentici\n\nI casi d’uso del produttore includono interfacce di chat, assistenti quotidiani, descrizione di immagini e documenti, traduzione, generazione di contenuti e agenti specializzati. Per un assistente documentale, fornisci la pagina e specifica le informazioni da restituire. Una richiesta di estrazione può indicare etichette dei campi, tipi attesi e trattamento dei valori mancanti. Una risposta utile può contenere l’identificatore del documento, il valore estratto e una breve spiegazione legata alla fonte visibile.\n\nPer una conversazione in corso, conserva la risposta precedente pertinente e poni una domanda successiva mirata. Un utente può chiedere prima un riepilogo del documento e poi quale affermazione supporti una conclusione. Questo cambia l’output richiesto da una panoramica generale a una spiegazione collegata alla fonte, conservando il materiale originale e lo scopo del dialogo.\n\nPer la revisione multilingue, fornisci il brano originale, il lettore previsto e un elenco terminologico. Chiedi una versione revisionata che mantenga nomi, condizioni e unità, seguita da una breve spiegazione delle modifiche se utile. Per la generazione di contenuti, specifica il pubblico e i fatti che devono comparire prima di chiedere una breve bozza o formulazioni alternative.\n\nIn un compito agentico, l’applicazione fornisce gli strumenti e i relativi parametri. Il modello può scegliere una funzione e preparare gli argomenti, mentre l’applicazione la esegue e restituisce il risultato. L’esempio di funzione nella scheda combina una domanda su un’immagine con uno strumento di calcolo. Mantieni il risultato dello strumento separato dalla chiamata proposta, affinché la risposta scritta successiva usi le informazioni effettivamente restituite dall’operazione.\n\nPreparazione e impostazioni raccomandate\n\nIl produttore raccomanda un’istruzione di sistema che descriva ambiente, caso d’uso e modalità d’impiego degli strumenti. Mantieni ben definito l’insieme degli strumenti e limitato al minimo necessario per il compito. Un piccolo flusso di ricerca può offrire le funzioni pertinenti alla domanda corrente, con argomenti obbligatori chiaramente denominati, invece di presentare una grande raccolta di operazioni non correlate.\n\nPer l’uso quotidiano e in produzione, la scheda raccomanda una temperatura inferiore a 0.1, con temperature maggiori disponibili per l’esplorazione creativa. Considerala una raccomandazione per il flusso basato su istruzioni, non un controllo separato della modalità di ragionamento. La famiglia ha checkpoint distinti Base, Instruct e Reasoning; questa voce è l’edizione Instruct 2512, non il rilascio Reasoning separato della stessa dimensione.\n\nPer le immagini, il produttore raccomanda proporzioni vicine a 1:1 e di evitare input molto sottili o molto larghi. Ritaglia quando necessario, mantenendo etichette e contesto richiesti dalla domanda. Se una pagina contiene più aree non correlate, identifica la parte da esaminare e il risultato da restituire. Un’immagine leggibile e mirata è più utile che chiedere al modello di indovinare quale piccolo dettaglio di una pagina ampia sia importante.\n\nContesto e limiti dell’edizione\n\nPianifica testo, immagini, conversazione e risposta desiderata in funzione del contesto configurato. Le note d’uso consentono esplicitamente di ridurre la lunghezza configurata del modello quando serve meno contesto, quindi l’intera finestra non è un’istruzione a riempire ogni richiesta con tutto il materiale disponibile. L’esempio di generazione da 512 token della scheda è soltanto un’impostazione esemplificativa e le fonti lette non stabiliscono una lunghezza massima rigida separata della risposta.\n\nIl checkpoint FP8 Instruct, il rilascio Base preaddestrato e il rilascio Reasoning sono edizioni separate. Il produttore descrive anche specializzazione e fine-tuning come casi d’uso. Conserva il checkpoint denominato e il suo tokenizer quando prepari la conversazione e mantieni distinta la generazione di testo dall’accesso ai repository, dall’esecuzione di funzioni o da altre azioni fornite dall’applicazione circostante.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 è un modello multilingue basato su istruzioni per testo e immagini, con una componente linguistica da 8,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. Supporta un contesto di 256k dichiarato dal produttore, istruzioni di sistema, JSON e chiamate di funzione native per assistenti e flussi documentali.
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 8B Instruct 2512 è il modello di dimensioni intermedie ottimizzato per seguire istruzioni della famiglia Ministral 3 di Mistral AI. Il checkpoint rilasciato è post-addestrato per chat e compiti basati su istruzioni in precisione FP8. Combina una componente linguistica con un encoder visivo, accettando testo e immagini e restituendo testo anziché un’immagine o un elaborato audio.
Architettura e funzionalità principali
Il produttore indica un modello linguistico da 8,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. La finestra di contesto è descritta come 256k e le note d’uso pubblicate adottano una lunghezza configurata predefinita di 262.144. Queste caratteristiche descrivono l’edizione di dimensione 8B; i membri più piccolo 3B e più grande 14B della famiglia mantengono dimensioni delle componenti e configurazioni proprie.
La visione estende l’input del modello oltre una conversazione scritta. Un’immagine documentale può essere abbinata a una domanda su un campo, un paragrafo o una relazione visibile selezionati. Uno screenshot può essere abbinato all’obiettivo dell’utente e a una richiesta di identificare il controllo pertinente. Chiedi l’osservazione che supporta ogni conclusione quando la risposta dipende da dettagli visivi e conserva titoli, etichette e unità necessari a interpretare un ritaglio.
La scheda descrive lavoro multilingue in decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Identifica inoltre aderenza alle istruzioni di sistema, chiamate di funzione native e output JSON. Definisci esplicitamente lingua finale, ruolo e requisiti di output, invece di lasciare che il modello deduca l’elaborato previsto da un input ampio.
Compiti documentali, conversazionali e agentici
I casi d’uso del produttore includono interfacce di chat, assistenti quotidiani, descrizione di immagini e documenti, traduzione, generazione di contenuti e agenti specializzati. Per un assistente documentale, fornisci la pagina e specifica le informazioni da restituire. Una richiesta di estrazione può indicare etichette dei campi, tipi attesi e trattamento dei valori mancanti. Una risposta utile può contenere l’identificatore del documento, il valore estratto e una breve spiegazione legata alla fonte visibile.
Per una conversazione in corso, conserva la risposta precedente pertinente e poni una domanda successiva mirata. Un utente può chiedere prima un riepilogo del documento e poi quale affermazione supporti una conclusione. Questo cambia l’output richiesto da una panoramica generale a una spiegazione collegata alla fonte, conservando il materiale originale e lo scopo del dialogo.
Per la revisione multilingue, fornisci il brano originale, il lettore previsto e un elenco terminologico. Chiedi una versione revisionata che mantenga nomi, condizioni e unità, seguita da una breve spiegazione delle modifiche se utile. Per la generazione di contenuti, specifica il pubblico e i fatti che devono comparire prima di chiedere una breve bozza o formulazioni alternative.
In un compito agentico, l’applicazione fornisce gli strumenti e i relativi parametri. Il modello può scegliere una funzione e preparare gli argomenti, mentre l’applicazione la esegue e restituisce il risultato. L’esempio di funzione nella scheda combina una domanda su un’immagine con uno strumento di calcolo. Mantieni il risultato dello strumento separato dalla chiamata proposta, affinché la risposta scritta successiva usi le informazioni effettivamente restituite dall’operazione.
Preparazione e impostazioni raccomandate
Il produttore raccomanda un’istruzione di sistema che descriva ambiente, caso d’uso e modalità d’impiego degli strumenti. Mantieni ben definito l’insieme degli strumenti e limitato al minimo necessario per il compito. Un piccolo flusso di ricerca può offrire le funzioni pertinenti alla domanda corrente, con argomenti obbligatori chiaramente denominati, invece di presentare una grande raccolta di operazioni non correlate.
Per l’uso quotidiano e in produzione, la scheda raccomanda una temperatura inferiore a 0.1, con temperature maggiori disponibili per l’esplorazione creativa. Considerala una raccomandazione per il flusso basato su istruzioni, non un controllo separato della modalità di ragionamento. La famiglia ha checkpoint distinti Base, Instruct e Reasoning; questa voce è l’edizione Instruct 2512, non il rilascio Reasoning separato della stessa dimensione.
Per le immagini, il produttore raccomanda proporzioni vicine a 1:1 e di evitare input molto sottili o molto larghi. Ritaglia quando necessario, mantenendo etichette e contesto richiesti dalla domanda. Se una pagina contiene più aree non correlate, identifica la parte da esaminare e il risultato da restituire. Un’immagine leggibile e mirata è più utile che chiedere al modello di indovinare quale piccolo dettaglio di una pagina ampia sia importante.
Contesto e limiti dell’edizione
Pianifica testo, immagini, conversazione e risposta desiderata in funzione del contesto configurato. Le note d’uso consentono esplicitamente di ridurre la lunghezza configurata del modello quando serve meno contesto, quindi l’intera finestra non è un’istruzione a riempire ogni richiesta con tutto il materiale disponibile. L’esempio di generazione da 512 token della scheda è soltanto un’impostazione esemplificativa e le fonti lette non stabiliscono una lunghezza massima rigida separata della risposta.
Il checkpoint FP8 Instruct, il rilascio Base preaddestrato e il rilascio Reasoning sono edizioni separate. Il produttore descrive anche specializzazione e fine-tuning come casi d’uso. Conserva il checkpoint denominato e il suo tokenizer quando prepari la conversazione e mantieni distinta la generazione di testo dall’accesso ai repository, dall’esecuzione di funzioni o da altre azioni fornite dall’applicazione circostante.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-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-8b-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-8b-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-8b-2512
Usa i percorsi dei metodi indicati sopra.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 è un modello multilingue basato su istruzioni per testo e immagini, con una componente linguistica da 8,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. Supporta un contesto di 256k dichiarato dal produttore, istruzioni di sistema, JSON e chiamate di funzione native per assistenti e flussi documentali.
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 8B Instruct 2512 è il modello di dimensioni intermedie ottimizzato per seguire istruzioni della famiglia Ministral 3 di Mistral AI. Il checkpoint rilasciato è post-addestrato per chat e compiti basati su istruzioni in precisione FP8. Combina una componente linguistica con un encoder visivo, accettando testo e immagini e restituendo testo anziché un’immagine o un elaborato audio.
Architettura e funzionalità principali
Il produttore indica un modello linguistico da 8,4 miliardi di parametri e un encoder visivo da 0,4 miliardi. La finestra di contesto è descritta come 256k e le note d’uso pubblicate adottano una lunghezza configurata predefinita di 262.144. Queste caratteristiche descrivono l’edizione di dimensione 8B; i membri più piccolo 3B e più grande 14B della famiglia mantengono dimensioni delle componenti e configurazioni proprie.
La visione estende l’input del modello oltre una conversazione scritta. Un’immagine documentale può essere abbinata a una domanda su un campo, un paragrafo o una relazione visibile selezionati. Uno screenshot può essere abbinato all’obiettivo dell’utente e a una richiesta di identificare il controllo pertinente. Chiedi l’osservazione che supporta ogni conclusione quando la risposta dipende da dettagli visivi e conserva titoli, etichette e unità necessari a interpretare un ritaglio.
La scheda descrive lavoro multilingue in decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Identifica inoltre aderenza alle istruzioni di sistema, chiamate di funzione native e output JSON. Definisci esplicitamente lingua finale, ruolo e requisiti di output, invece di lasciare che il modello deduca l’elaborato previsto da un input ampio.
Compiti documentali, conversazionali e agentici
I casi d’uso del produttore includono interfacce di chat, assistenti quotidiani, descrizione di immagini e documenti, traduzione, generazione di contenuti e agenti specializzati. Per un assistente documentale, fornisci la pagina e specifica le informazioni da restituire. Una richiesta di estrazione può indicare etichette dei campi, tipi attesi e trattamento dei valori mancanti. Una risposta utile può contenere l’identificatore del documento, il valore estratto e una breve spiegazione legata alla fonte visibile.
Per una conversazione in corso, conserva la risposta precedente pertinente e poni una domanda successiva mirata. Un utente può chiedere prima un riepilogo del documento e poi quale affermazione supporti una conclusione. Questo cambia l’output richiesto da una panoramica generale a una spiegazione collegata alla fonte, conservando il materiale originale e lo scopo del dialogo.
Per la revisione multilingue, fornisci il brano originale, il lettore previsto e un elenco terminologico. Chiedi una versione revisionata che mantenga nomi, condizioni e unità, seguita da una breve spiegazione delle modifiche se utile. Per la generazione di contenuti, specifica il pubblico e i fatti che devono comparire prima di chiedere una breve bozza o formulazioni alternative.
In un compito agentico, l’applicazione fornisce gli strumenti e i relativi parametri. Il modello può scegliere una funzione e preparare gli argomenti, mentre l’applicazione la esegue e restituisce il risultato. L’esempio di funzione nella scheda combina una domanda su un’immagine con uno strumento di calcolo. Mantieni il risultato dello strumento separato dalla chiamata proposta, affinché la risposta scritta successiva usi le informazioni effettivamente restituite dall’operazione.
Preparazione e impostazioni raccomandate
Il produttore raccomanda un’istruzione di sistema che descriva ambiente, caso d’uso e modalità d’impiego degli strumenti. Mantieni ben definito l’insieme degli strumenti e limitato al minimo necessario per il compito. Un piccolo flusso di ricerca può offrire le funzioni pertinenti alla domanda corrente, con argomenti obbligatori chiaramente denominati, invece di presentare una grande raccolta di operazioni non correlate.
Per l’uso quotidiano e in produzione, la scheda raccomanda una temperatura inferiore a 0.1, con temperature maggiori disponibili per l’esplorazione creativa. Considerala una raccomandazione per il flusso basato su istruzioni, non un controllo separato della modalità di ragionamento. La famiglia ha checkpoint distinti Base, Instruct e Reasoning; questa voce è l’edizione Instruct 2512, non il rilascio Reasoning separato della stessa dimensione.
Per le immagini, il produttore raccomanda proporzioni vicine a 1:1 e di evitare input molto sottili o molto larghi. Ritaglia quando necessario, mantenendo etichette e contesto richiesti dalla domanda. Se una pagina contiene più aree non correlate, identifica la parte da esaminare e il risultato da restituire. Un’immagine leggibile e mirata è più utile che chiedere al modello di indovinare quale piccolo dettaglio di una pagina ampia sia importante.
Contesto e limiti dell’edizione
Pianifica testo, immagini, conversazione e risposta desiderata in funzione del contesto configurato. Le note d’uso consentono esplicitamente di ridurre la lunghezza configurata del modello quando serve meno contesto, quindi l’intera finestra non è un’istruzione a riempire ogni richiesta con tutto il materiale disponibile. L’esempio di generazione da 512 token della scheda è soltanto un’impostazione esemplificativa e le fonti lette non stabiliscono una lunghezza massima rigida separata della risposta.
Il checkpoint FP8 Instruct, il rilascio Base preaddestrato e il rilascio Reasoning sono edizioni separate. Il produttore descrive anche specializzazione e fine-tuning come casi d’uso. Conserva il checkpoint denominato e il suo tokenizer quando prepari la conversazione e mantieni distinta la generazione di testo dall’accesso ai repository, dall’esecuzione di funzioni o da altre azioni fornite dall’applicazione circostante.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-2512
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.