Mistral Small 3 Instruct 2501 è il rilascio da 24 miliardi di parametri di Mistral Small 3 ottimizzato per seguire istruzioni. È affinato dal modello denominato separatamente Small 24B Base 2501. Il produttore lo propone per assistenza conversazionale reattiva, chiamate di funzione e adattamento a materie specifiche, con testo sia come input sia come risultato generato.
Funzionalità principali e distinzione dell’addestramento
La scheda del modello documenta supporto multilingue, capacità conversazionali e di ragionamento, chiamate di funzione native, output JSON e aderenza ai prompt di sistema. La finestra di contesto è di 32k e usa un tokenizer Tekken con vocabolario indicato come 131k. L’indicazione del contesto riguarda il testo conservato per il compito, mentre quella del vocabolario descrive la tokenizzazione; sono specifiche diverse.
Il produttore elenca lingue tra cui inglese, francese, tedesco, spagnolo, italiano, cinese, giapponese, coreano, portoghese, olandese e polacco, con il russo presente anche nei metadati linguistici della scheda rilasciata. Definisci la lingua finale e la terminologia che deve restare invariata. Una spiegazione tradotta può conservare identificatori, nomi e unità adattando la prosa circostante al lettore.
L’annuncio del rilascio afferma che Small 3 non è addestrato con apprendimento per rinforzo o dati sintetici e distingue checkpoint preaddestrati e ottimizzati per seguire istruzioni. Descrive il modello come una base ulteriormente personalizzabile, non un checkpoint ibrido con i controlli di ragionamento del successivo Small 4. Questa voce è l’edizione Instruct 2501 per seguire un compito conversazionale.
Compiti conversazionali e strutturati
Per un assistente di supporto, fornisci la domanda dell’utente, il materiale di riferimento pertinente e le regole della risposta. Chiedi l’azione che risponde alla domanda e la condizione in cui si applica. Un output pratico può separare una risposta concisa dai campi estratti necessari all’applicazione per il passaggio successivo, anziché mescolarli in una spiegazione non strutturata.
Per la classificazione, fornisci le etichette consentite e le distinzioni tra esse. Per l’estrazione, indica campi, tipi attesi e rappresentazione delle informazioni mancanti. Un record può contenere la categoria del problema, un identificatore copiato dal messaggio e un breve riepilogo dell’azione richiesta. JSON organizza il risultato, mentre la progettazione dei campi e le regole d’interpretazione restano parte del compito fornito.
Per una spiegazione del codice, includi la funzione, le dichiarazioni pertinenti e un input concreto. Chiedi quale percorso nel codice determini il risultato. Per una spiegazione matematica, definisci variabili e ipotesi e identifica l’espressione o l’affermazione da stabilire. Questi compiti testuali possono restituire un metodo, una spiegazione e l’elaborato finale senza presumere che il modello stesso esegua il codice o un calcolo esterno.
Istruzioni di sistema e impostazioni raccomandate
La scheda raccomanda un prompt di sistema adattato all’assistente previsto e una temperatura relativamente bassa, come 0.15. Usa l’istruzione di sistema per definire ruolo, stile e regole della risposta, mentre il messaggio utente contiene il problema effettivo o il materiale sorgente. Mantieni separate le istruzioni citate dentro un documento dall’istruzione dell’applicazione su cosa fare con quel documento.
Per un assistente quotidiano, specifica se il risultato deve essere una risposta breve, un record strutturato o una spiegazione più lunga. Se una risposta verrà analizzata da un programma, richiedi il record separatamente dalla prosa facoltativa. In un flusso documentale ripetuto, conserva l’identificatore della fonte accanto a ogni risultato, affinché l’applicazione possa restituire all’utente il materiale corretto.
Chiamate di funzione e specializzazione
Il modello può selezionare una funzione descritta e produrne gli argomenti. L’applicazione esegue l’operazione e restituisce il risultato con la chiamata di strumento corrispondente, dopodiché la risposta successiva può usare quelle informazioni. L’esempio della scheda mostra una conversazione con uso precedente di strumenti seguita da una nuova domanda. Questo offre all’assistente un modo per richiedere informazioni a strumenti collegati senza trattare una chiamata proposta come una ricerca completata.
Descrivi chiaramente scopo di ogni funzione e valori richiesti. Un compito di ricerca può indicare le informazioni necessarie e restituire alla conversazione il risultato effettivo dello strumento; una funzione di elaborazione testuale può fornire un brano trasformato per la risposta successiva. Mantieni l’insieme degli strumenti collegato al processo corrente e conserva il legame tra operazione proposta e risultato.
Il produttore descrive anche il fine-tuning per la specializzazione in una materia. Quel processo modifica un modello per un dominio definito; fornire un documento in una conversazione è invece un condizionamento sulle fonti per quel compito. Fornisci il materiale di dominio e i requisiti di risposta necessari all’assistente specifico, anziché presumere che una personalizzazione sia già stata eseguita.
Contesto e limiti sostanziali
Small 3 2501 è un modello solo testuale con contesto di 32k. La capacità visiva e il contesto di 128k introdotti in Small 3.1 appartengono al rilascio successivo e anche le modalità ibride di Small 4 non devono essere trasferite qui. Immagini, registrazioni audio o video devono avere il contenuto pertinente preparato tramite un’altra componente prima di questo compito testuale.
Le impostazioni di generazione da 256 e 512 token della scheda sono esempi d’uso, non capacità massime separate di output. Mantieni espliciti l’identità esatta Instruct 2501, il tokenizer e il risultato richiesto. L’elaborato finale utile è la risposta, il record JSON o il codice proposto il cui significato e formato corrispondono al compito scritto originale.
", "aboutText": "Mistral Small 3 Instruct 2501 è il rilascio da 24 miliardi di parametri di Mistral Small 3 ottimizzato per seguire istruzioni. È affinato dal modello denominato separatamente Small 24B Base 2501. Il produttore lo propone per assistenza conversazionale reattiva, chiamate di funzione e adattamento a materie specifiche, con testo sia come input sia come risultato generato.\n\nFunzionalità principali e distinzione dell’addestramento\n\nLa scheda del modello documenta supporto multilingue, capacità conversazionali e di ragionamento, chiamate di funzione native, output JSON e aderenza ai prompt di sistema. La finestra di contesto è di 32k e usa un tokenizer Tekken con vocabolario indicato come 131k. L’indicazione del contesto riguarda il testo conservato per il compito, mentre quella del vocabolario descrive la tokenizzazione; sono specifiche diverse.\n\nIl produttore elenca lingue tra cui inglese, francese, tedesco, spagnolo, italiano, cinese, giapponese, coreano, portoghese, olandese e polacco, con il russo presente anche nei metadati linguistici della scheda rilasciata. Definisci la lingua finale e la terminologia che deve restare invariata. Una spiegazione tradotta può conservare identificatori, nomi e unità adattando la prosa circostante al lettore.\n\nL’annuncio del rilascio afferma che Small 3 non è addestrato con apprendimento per rinforzo o dati sintetici e distingue checkpoint preaddestrati e ottimizzati per seguire istruzioni. Descrive il modello come una base ulteriormente personalizzabile, non un checkpoint ibrido con i controlli di ragionamento del successivo Small 4. Questa voce è l’edizione Instruct 2501 per seguire un compito conversazionale.\n\nCompiti conversazionali e strutturati\n\nPer un assistente di supporto, fornisci la domanda dell’utente, il materiale di riferimento pertinente e le regole della risposta. Chiedi l’azione che risponde alla domanda e la condizione in cui si applica. Un output pratico può separare una risposta concisa dai campi estratti necessari all’applicazione per il passaggio successivo, anziché mescolarli in una spiegazione non strutturata.\n\nPer la classificazione, fornisci le etichette consentite e le distinzioni tra esse. Per l’estrazione, indica campi, tipi attesi e rappresentazione delle informazioni mancanti. Un record può contenere la categoria del problema, un identificatore copiato dal messaggio e un breve riepilogo dell’azione richiesta. JSON organizza il risultato, mentre la progettazione dei campi e le regole d’interpretazione restano parte del compito fornito.\n\nPer una spiegazione del codice, includi la funzione, le dichiarazioni pertinenti e un input concreto. Chiedi quale percorso nel codice determini il risultato. Per una spiegazione matematica, definisci variabili e ipotesi e identifica l’espressione o l’affermazione da stabilire. Questi compiti testuali possono restituire un metodo, una spiegazione e l’elaborato finale senza presumere che il modello stesso esegua il codice o un calcolo esterno.\n\nIstruzioni di sistema e impostazioni raccomandate\n\nLa scheda raccomanda un prompt di sistema adattato all’assistente previsto e una temperatura relativamente bassa, come 0.15. Usa l’istruzione di sistema per definire ruolo, stile e regole della risposta, mentre il messaggio utente contiene il problema effettivo o il materiale sorgente. Mantieni separate le istruzioni citate dentro un documento dall’istruzione dell’applicazione su cosa fare con quel documento.\n\nPer un assistente quotidiano, specifica se il risultato deve essere una risposta breve, un record strutturato o una spiegazione più lunga. Se una risposta verrà analizzata da un programma, richiedi il record separatamente dalla prosa facoltativa. In un flusso documentale ripetuto, conserva l’identificatore della fonte accanto a ogni risultato, affinché l’applicazione possa restituire all’utente il materiale corretto.\n\nChiamate di funzione e specializzazione\n\nIl modello può selezionare una funzione descritta e produrne gli argomenti. L’applicazione esegue l’operazione e restituisce il risultato con la chiamata di strumento corrispondente, dopodiché la risposta successiva può usare quelle informazioni. L’esempio della scheda mostra una conversazione con uso precedente di strumenti seguita da una nuova domanda. Questo offre all’assistente un modo per richiedere informazioni a strumenti collegati senza trattare una chiamata proposta come una ricerca completata.\n\nDescrivi chiaramente scopo di ogni funzione e valori richiesti. Un compito di ricerca può indicare le informazioni necessarie e restituire alla conversazione il risultato effettivo dello strumento; una funzione di elaborazione testuale può fornire un brano trasformato per la risposta successiva. Mantieni l’insieme degli strumenti collegato al processo corrente e conserva il legame tra operazione proposta e risultato.\n\nIl produttore descrive anche il fine-tuning per la specializzazione in una materia. Quel processo modifica un modello per un dominio definito; fornire un documento in una conversazione è invece un condizionamento sulle fonti per quel compito. Fornisci il materiale di dominio e i requisiti di risposta necessari all’assistente specifico, anziché presumere che una personalizzazione sia già stata eseguita.\n\nContesto e limiti sostanziali\n\nSmall 3 2501 è un modello solo testuale con contesto di 32k. La capacità visiva e il contesto di 128k introdotti in Small 3.1 appartengono al rilascio successivo e anche le modalità ibride di Small 4 non devono essere trasferite qui. Immagini, registrazioni audio o video devono avere il contenuto pertinente preparato tramite un’altra componente prima di questo compito testuale.\n\nLe impostazioni di generazione da 256 e 512 token della scheda sono esempi d’uso, non capacità massime separate di output. Mantieni espliciti l’identità esatta Instruct 2501, il tokenizer e il risultato richiesto. L’elaborato finale utile è la risposta, il record JSON o il codice proposto il cui significato e formato corrispondono al compito scritto originale.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 è un modello testuale da 24 miliardi di parametri per istruzioni conversazionali, estrazione strutturata e applicazioni assistite da strumenti. Offre un contesto di 32k dichiarato dal produttore, risposte multilingue, supporto al prompt di sistema, JSON e chiamate di funzione native in un rilascio distinto solo testuale.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Mistral Small 3 Instruct 2501 è il rilascio da 24 miliardi di parametri di Mistral Small 3 ottimizzato per seguire istruzioni. È affinato dal modello denominato separatamente Small 24B Base 2501. Il produttore lo propone per assistenza conversazionale reattiva, chiamate di funzione e adattamento a materie specifiche, con testo sia come input sia come risultato generato.
Funzionalità principali e distinzione dell’addestramento
La scheda del modello documenta supporto multilingue, capacità conversazionali e di ragionamento, chiamate di funzione native, output JSON e aderenza ai prompt di sistema. La finestra di contesto è di 32k e usa un tokenizer Tekken con vocabolario indicato come 131k. L’indicazione del contesto riguarda il testo conservato per il compito, mentre quella del vocabolario descrive la tokenizzazione; sono specifiche diverse.
Il produttore elenca lingue tra cui inglese, francese, tedesco, spagnolo, italiano, cinese, giapponese, coreano, portoghese, olandese e polacco, con il russo presente anche nei metadati linguistici della scheda rilasciata. Definisci la lingua finale e la terminologia che deve restare invariata. Una spiegazione tradotta può conservare identificatori, nomi e unità adattando la prosa circostante al lettore.
L’annuncio del rilascio afferma che Small 3 non è addestrato con apprendimento per rinforzo o dati sintetici e distingue checkpoint preaddestrati e ottimizzati per seguire istruzioni. Descrive il modello come una base ulteriormente personalizzabile, non un checkpoint ibrido con i controlli di ragionamento del successivo Small 4. Questa voce è l’edizione Instruct 2501 per seguire un compito conversazionale.
Compiti conversazionali e strutturati
Per un assistente di supporto, fornisci la domanda dell’utente, il materiale di riferimento pertinente e le regole della risposta. Chiedi l’azione che risponde alla domanda e la condizione in cui si applica. Un output pratico può separare una risposta concisa dai campi estratti necessari all’applicazione per il passaggio successivo, anziché mescolarli in una spiegazione non strutturata.
Per la classificazione, fornisci le etichette consentite e le distinzioni tra esse. Per l’estrazione, indica campi, tipi attesi e rappresentazione delle informazioni mancanti. Un record può contenere la categoria del problema, un identificatore copiato dal messaggio e un breve riepilogo dell’azione richiesta. JSON organizza il risultato, mentre la progettazione dei campi e le regole d’interpretazione restano parte del compito fornito.
Per una spiegazione del codice, includi la funzione, le dichiarazioni pertinenti e un input concreto. Chiedi quale percorso nel codice determini il risultato. Per una spiegazione matematica, definisci variabili e ipotesi e identifica l’espressione o l’affermazione da stabilire. Questi compiti testuali possono restituire un metodo, una spiegazione e l’elaborato finale senza presumere che il modello stesso esegua il codice o un calcolo esterno.
Istruzioni di sistema e impostazioni raccomandate
La scheda raccomanda un prompt di sistema adattato all’assistente previsto e una temperatura relativamente bassa, come 0.15. Usa l’istruzione di sistema per definire ruolo, stile e regole della risposta, mentre il messaggio utente contiene il problema effettivo o il materiale sorgente. Mantieni separate le istruzioni citate dentro un documento dall’istruzione dell’applicazione su cosa fare con quel documento.
Per un assistente quotidiano, specifica se il risultato deve essere una risposta breve, un record strutturato o una spiegazione più lunga. Se una risposta verrà analizzata da un programma, richiedi il record separatamente dalla prosa facoltativa. In un flusso documentale ripetuto, conserva l’identificatore della fonte accanto a ogni risultato, affinché l’applicazione possa restituire all’utente il materiale corretto.
Chiamate di funzione e specializzazione
Il modello può selezionare una funzione descritta e produrne gli argomenti. L’applicazione esegue l’operazione e restituisce il risultato con la chiamata di strumento corrispondente, dopodiché la risposta successiva può usare quelle informazioni. L’esempio della scheda mostra una conversazione con uso precedente di strumenti seguita da una nuova domanda. Questo offre all’assistente un modo per richiedere informazioni a strumenti collegati senza trattare una chiamata proposta come una ricerca completata.
Descrivi chiaramente scopo di ogni funzione e valori richiesti. Un compito di ricerca può indicare le informazioni necessarie e restituire alla conversazione il risultato effettivo dello strumento; una funzione di elaborazione testuale può fornire un brano trasformato per la risposta successiva. Mantieni l’insieme degli strumenti collegato al processo corrente e conserva il legame tra operazione proposta e risultato.
Il produttore descrive anche il fine-tuning per la specializzazione in una materia. Quel processo modifica un modello per un dominio definito; fornire un documento in una conversazione è invece un condizionamento sulle fonti per quel compito. Fornisci il materiale di dominio e i requisiti di risposta necessari all’assistente specifico, anziché presumere che una personalizzazione sia già stata eseguita.
Contesto e limiti sostanziali
Small 3 2501 è un modello solo testuale con contesto di 32k. La capacità visiva e il contesto di 128k introdotti in Small 3.1 appartengono al rilascio successivo e anche le modalità ibride di Small 4 non devono essere trasferite qui. Immagini, registrazioni audio o video devono avere il contenuto pertinente preparato tramite un’altra componente prima di questo compito testuale.
Le impostazioni di generazione da 256 e 512 token della scheda sono esempi d’uso, non capacità massime separate di output. Mantieni espliciti l’identità esatta Instruct 2501, il tokenizer e il risultato richiesto. L’elaborato finale utile è la risposta, il record JSON o il codice proposto il cui significato e formato corrispondono al compito scritto originale.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K token Output · Token in output $0.00016 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 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 $0.0001 / 1K token Output · Token in output $0.00016 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-24b-instruct-2501',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/mistral-small-24b-instruct-2501
Usa i percorsi dei metodi indicati sopra.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 è un modello testuale da 24 miliardi di parametri per istruzioni conversazionali, estrazione strutturata e applicazioni assistite da strumenti. Offre un contesto di 32k dichiarato dal produttore, risposte multilingue, supporto al prompt di sistema, JSON e chiamate di funzione native in un rilascio distinto solo testuale.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Mistral Small 3 Instruct 2501 è il rilascio da 24 miliardi di parametri di Mistral Small 3 ottimizzato per seguire istruzioni. È affinato dal modello denominato separatamente Small 24B Base 2501. Il produttore lo propone per assistenza conversazionale reattiva, chiamate di funzione e adattamento a materie specifiche, con testo sia come input sia come risultato generato.
Funzionalità principali e distinzione dell’addestramento
La scheda del modello documenta supporto multilingue, capacità conversazionali e di ragionamento, chiamate di funzione native, output JSON e aderenza ai prompt di sistema. La finestra di contesto è di 32k e usa un tokenizer Tekken con vocabolario indicato come 131k. L’indicazione del contesto riguarda il testo conservato per il compito, mentre quella del vocabolario descrive la tokenizzazione; sono specifiche diverse.
Il produttore elenca lingue tra cui inglese, francese, tedesco, spagnolo, italiano, cinese, giapponese, coreano, portoghese, olandese e polacco, con il russo presente anche nei metadati linguistici della scheda rilasciata. Definisci la lingua finale e la terminologia che deve restare invariata. Una spiegazione tradotta può conservare identificatori, nomi e unità adattando la prosa circostante al lettore.
L’annuncio del rilascio afferma che Small 3 non è addestrato con apprendimento per rinforzo o dati sintetici e distingue checkpoint preaddestrati e ottimizzati per seguire istruzioni. Descrive il modello come una base ulteriormente personalizzabile, non un checkpoint ibrido con i controlli di ragionamento del successivo Small 4. Questa voce è l’edizione Instruct 2501 per seguire un compito conversazionale.
Compiti conversazionali e strutturati
Per un assistente di supporto, fornisci la domanda dell’utente, il materiale di riferimento pertinente e le regole della risposta. Chiedi l’azione che risponde alla domanda e la condizione in cui si applica. Un output pratico può separare una risposta concisa dai campi estratti necessari all’applicazione per il passaggio successivo, anziché mescolarli in una spiegazione non strutturata.
Per la classificazione, fornisci le etichette consentite e le distinzioni tra esse. Per l’estrazione, indica campi, tipi attesi e rappresentazione delle informazioni mancanti. Un record può contenere la categoria del problema, un identificatore copiato dal messaggio e un breve riepilogo dell’azione richiesta. JSON organizza il risultato, mentre la progettazione dei campi e le regole d’interpretazione restano parte del compito fornito.
Per una spiegazione del codice, includi la funzione, le dichiarazioni pertinenti e un input concreto. Chiedi quale percorso nel codice determini il risultato. Per una spiegazione matematica, definisci variabili e ipotesi e identifica l’espressione o l’affermazione da stabilire. Questi compiti testuali possono restituire un metodo, una spiegazione e l’elaborato finale senza presumere che il modello stesso esegua il codice o un calcolo esterno.
Istruzioni di sistema e impostazioni raccomandate
La scheda raccomanda un prompt di sistema adattato all’assistente previsto e una temperatura relativamente bassa, come 0.15. Usa l’istruzione di sistema per definire ruolo, stile e regole della risposta, mentre il messaggio utente contiene il problema effettivo o il materiale sorgente. Mantieni separate le istruzioni citate dentro un documento dall’istruzione dell’applicazione su cosa fare con quel documento.
Per un assistente quotidiano, specifica se il risultato deve essere una risposta breve, un record strutturato o una spiegazione più lunga. Se una risposta verrà analizzata da un programma, richiedi il record separatamente dalla prosa facoltativa. In un flusso documentale ripetuto, conserva l’identificatore della fonte accanto a ogni risultato, affinché l’applicazione possa restituire all’utente il materiale corretto.
Chiamate di funzione e specializzazione
Il modello può selezionare una funzione descritta e produrne gli argomenti. L’applicazione esegue l’operazione e restituisce il risultato con la chiamata di strumento corrispondente, dopodiché la risposta successiva può usare quelle informazioni. L’esempio della scheda mostra una conversazione con uso precedente di strumenti seguita da una nuova domanda. Questo offre all’assistente un modo per richiedere informazioni a strumenti collegati senza trattare una chiamata proposta come una ricerca completata.
Descrivi chiaramente scopo di ogni funzione e valori richiesti. Un compito di ricerca può indicare le informazioni necessarie e restituire alla conversazione il risultato effettivo dello strumento; una funzione di elaborazione testuale può fornire un brano trasformato per la risposta successiva. Mantieni l’insieme degli strumenti collegato al processo corrente e conserva il legame tra operazione proposta e risultato.
Il produttore descrive anche il fine-tuning per la specializzazione in una materia. Quel processo modifica un modello per un dominio definito; fornire un documento in una conversazione è invece un condizionamento sulle fonti per quel compito. Fornisci il materiale di dominio e i requisiti di risposta necessari all’assistente specifico, anziché presumere che una personalizzazione sia già stata eseguita.
Contesto e limiti sostanziali
Small 3 2501 è un modello solo testuale con contesto di 32k. La capacità visiva e il contesto di 128k introdotti in Small 3.1 appartengono al rilascio successivo e anche le modalità ibride di Small 4 non devono essere trasferite qui. Immagini, registrazioni audio o video devono avere il contenuto pertinente preparato tramite un’altra componente prima di questo compito testuale.
Le impostazioni di generazione da 256 e 512 token della scheda sono esempi d’uso, non capacità massime separate di output. Mantieni espliciti l’identità esatta Instruct 2501, il tokenizer e il risultato richiesto. L’elaborato finale utile è la risposta, il record JSON o il codice proposto il cui significato e formato corrispondono al compito scritto originale.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K token Output · Token in output $0.00016 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 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 $0.0001 / 1K token Output · Token in output $0.00016 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', '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/mistral-small-24b-instruct-2501
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.