Mistral Small 3.1 24B Instruct 2503 parte da Small 3 2501 aggiungendo comprensione visiva ed estendendo il supporto al contesto lungo a 128k token. Ha 24 miliardi di parametri ed è ottimizzato per seguire istruzioni a partire dal rilascio denominato separatamente Small 3.1 Base. Accetta testo e immagini e produce testo, incluse spiegazioni, codice o record strutturati.
Capacità principali
La visione consente al modello di analizzare materiale visibile insieme alla domanda dell’utente. L’immagine di un documento può fornire il campo o l’affermazione da esaminare, un diagramma la relazione da spiegare e un grafico i dati dietro a un confronto. Mantieni leggibili etichette, unità e contenuto circostante pertinente, affinché la domanda si riferisca a evidenze effettivamente presenti nell’immagine.
Il produttore elenca supporto multilingue per decine di lingue, tra cui russo, inglese, francese, tedesco, greco, hindi, indonesiano, italiano, giapponese, coreano, malese, nepalese, polacco, portoghese, romeno, serbo, spagnolo, svedese, turco, ucraino, vietnamita, arabo, bengalese, cinese e farsi. Definisci lingua finale, lettore e terminologia per una risposta multilingue. Nomi, etichette citate, identificatori di variabili e unità possono restare invariati mentre la prosa circostante viene adattata.
La scheda descrive anche capacità conversazionali e di ragionamento, chiamate di funzione native, output JSON e aderenza ai prompt di sistema. Il tokenizer è Tekken, con un vocabolario indicato come 131k. Sono funzionalità del rilascio denominato e ottimizzato per seguire istruzioni; la sua edizione Base ha un ruolo diverso e i rilasci successivi Small 3.2 e Small 4 mantengono modifiche e modalità proprie.
Preparazione documentale, di programmazione e matematica
Per un compito su documenti lunghi, identifica i documenti e poni una domanda definita. Un confronto può chiedere una matrice dei requisiti con l’affermazione, la sezione sorgente ed eventuali disaccordi tra documenti. Un riepilogo può richiedere soltanto il materiale pertinente a una modifica nominata. Il contesto lungo mantiene insieme quelle fonti, mentre la risposta finale può restare concisa.
Per una spiegazione del codice, fornisci la funzione e l’input di cui seguire il comportamento. Includi funzioni ausiliarie o dichiarazioni pertinenti e chiedi come cambia lo stato prima della restituzione del valore. Per una modifica proposta, indica il requisito, l’interfaccia pubblica da preservare e l’output atteso. Richiedi il codice revisionato separatamente dalla spiegazione e dagli esempi.
Per un compito matematico, definisci simboli e ipotesi sul dominio prima di chiedere una derivazione. Specifica se il risultato finale deve essere esatto, arrotondato o una dimostrazione di un’affermazione. Se la condizione appare in un’immagine, mantieni chiare formula ed etichette associate e chiedi al modello di preservare quella notazione nella risposta. Queste preparazioni trasformano l’attenzione documentata del modello a programmazione e ragionamento matematico in un elaborato esaminabile.
Formato delle istruzioni e uso raccomandato
Il produttore pubblica un template di conversazione V7-Tekken che distingue ruoli di sistema, utente e assistente e raccomanda di usare l’implementazione del tokenizer corrispondente come riferimento autorevole. Un’istruzione di sistema deve definire ruolo dell’assistente e regole della risposta, mentre il messaggio utente contiene il compito effettivo e il materiale sorgente. Una formattazione corretta della conversazione è diversa dall’inserire etichette simili a ruoli dentro un documento citato.
La scheda raccomanda una temperatura relativamente bassa, come 0.15, e un prompt di sistema adattato al caso d’uso. Definisci i campi o le sezioni dell’output e le condizioni che devono sopravvivere alla riscrittura. Per estrazioni ripetute, chiedi JSON con nomi e tipi specificati e una rappresentazione per i valori mancanti nella fonte. Un paragrafo esplicativo può essere restituito separatamente quando una persona deve esaminare l’interpretazione.
Flusso delle chiamate di funzione
Il modello può selezionare una funzione tra gli strumenti descritti dall’applicazione e generarne gli argomenti. L’applicazione esegue la funzione, restituisce il risultato con la chiamata corrispondente e il modello usa quel risultato in una risposta successiva. L’esempio del produttore mostra questo ciclo conversazionale, incluso l’uso precedente di strumenti e una nuova domanda dell’utente. Una ricerca proposta è quindi distinta dai dati effettivamente restituiti dalla ricerca.
Un assistente pratico può prima estrarre una domanda da un documento e poi usare una funzione di riferimento fornita per ottenere una condizione mancante. Descrivi chiaramente la funzione, includi i suoi argomenti obbligatori e mantieni il risultato restituito associato all’operazione originaria. JSON organizza un risultato testuale; una chiamata di funzione richiede un’operazione collegata, anziché eseguire silenziosamente codice o leggere un database.
Limiti sostanziali
La capacità visiva documentata legge immagini; non le genera. Le indicazioni per l’assistente nella scheda rilasciata distinguono inoltre questo modello dalla trascrizione audio e video, quindi una domanda parlata o video richiede che il contenuto pertinente sia fornito tramite un passaggio di preparazione separato appropriato. Anche accesso al web e azioni esterne provengono da strumenti collegati, non dal solo modello per testo e immagini.
Il contesto di 128k riguarda l’input del compito e la conversazione generata, mentre l’esempio di generazione da 512 token della scheda è soltanto un’impostazione esemplificativa. Nelle fonti lette non è specificata una capacità rigida separata per la lunghezza della risposta. Conserva l’edizione esatta Instruct 2503, il suo formato di conversazione e la spiegazione, il record o l’elaborato di codice richiesti.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 parte da Small 3 2501 aggiungendo comprensione visiva ed estendendo il supporto al contesto lungo a 128k token. Ha 24 miliardi di parametri ed è ottimizzato per seguire istruzioni a partire dal rilascio denominato separatamente Small 3.1 Base. Accetta testo e immagini e produce testo, incluse spiegazioni, codice o record strutturati.\n\nCapacità principali\n\nLa visione consente al modello di analizzare materiale visibile insieme alla domanda dell’utente. L’immagine di un documento può fornire il campo o l’affermazione da esaminare, un diagramma la relazione da spiegare e un grafico i dati dietro a un confronto. Mantieni leggibili etichette, unità e contenuto circostante pertinente, affinché la domanda si riferisca a evidenze effettivamente presenti nell’immagine.\n\nIl produttore elenca supporto multilingue per decine di lingue, tra cui russo, inglese, francese, tedesco, greco, hindi, indonesiano, italiano, giapponese, coreano, malese, nepalese, polacco, portoghese, romeno, serbo, spagnolo, svedese, turco, ucraino, vietnamita, arabo, bengalese, cinese e farsi. Definisci lingua finale, lettore e terminologia per una risposta multilingue. Nomi, etichette citate, identificatori di variabili e unità possono restare invariati mentre la prosa circostante viene adattata.\n\nLa scheda descrive anche capacità conversazionali e di ragionamento, chiamate di funzione native, output JSON e aderenza ai prompt di sistema. Il tokenizer è Tekken, con un vocabolario indicato come 131k. Sono funzionalità del rilascio denominato e ottimizzato per seguire istruzioni; la sua edizione Base ha un ruolo diverso e i rilasci successivi Small 3.2 e Small 4 mantengono modifiche e modalità proprie.\n\nPreparazione documentale, di programmazione e matematica\n\nPer un compito su documenti lunghi, identifica i documenti e poni una domanda definita. Un confronto può chiedere una matrice dei requisiti con l’affermazione, la sezione sorgente ed eventuali disaccordi tra documenti. Un riepilogo può richiedere soltanto il materiale pertinente a una modifica nominata. Il contesto lungo mantiene insieme quelle fonti, mentre la risposta finale può restare concisa.\n\nPer una spiegazione del codice, fornisci la funzione e l’input di cui seguire il comportamento. Includi funzioni ausiliarie o dichiarazioni pertinenti e chiedi come cambia lo stato prima della restituzione del valore. Per una modifica proposta, indica il requisito, l’interfaccia pubblica da preservare e l’output atteso. Richiedi il codice revisionato separatamente dalla spiegazione e dagli esempi.\n\nPer un compito matematico, definisci simboli e ipotesi sul dominio prima di chiedere una derivazione. Specifica se il risultato finale deve essere esatto, arrotondato o una dimostrazione di un’affermazione. Se la condizione appare in un’immagine, mantieni chiare formula ed etichette associate e chiedi al modello di preservare quella notazione nella risposta. Queste preparazioni trasformano l’attenzione documentata del modello a programmazione e ragionamento matematico in un elaborato esaminabile.\n\nFormato delle istruzioni e uso raccomandato\n\nIl produttore pubblica un template di conversazione V7-Tekken che distingue ruoli di sistema, utente e assistente e raccomanda di usare l’implementazione del tokenizer corrispondente come riferimento autorevole. Un’istruzione di sistema deve definire ruolo dell’assistente e regole della risposta, mentre il messaggio utente contiene il compito effettivo e il materiale sorgente. Una formattazione corretta della conversazione è diversa dall’inserire etichette simili a ruoli dentro un documento citato.\n\nLa scheda raccomanda una temperatura relativamente bassa, come 0.15, e un prompt di sistema adattato al caso d’uso. Definisci i campi o le sezioni dell’output e le condizioni che devono sopravvivere alla riscrittura. Per estrazioni ripetute, chiedi JSON con nomi e tipi specificati e una rappresentazione per i valori mancanti nella fonte. Un paragrafo esplicativo può essere restituito separatamente quando una persona deve esaminare l’interpretazione.\n\nFlusso delle chiamate di funzione\n\nIl modello può selezionare una funzione tra gli strumenti descritti dall’applicazione e generarne gli argomenti. L’applicazione esegue la funzione, restituisce il risultato con la chiamata corrispondente e il modello usa quel risultato in una risposta successiva. L’esempio del produttore mostra questo ciclo conversazionale, incluso l’uso precedente di strumenti e una nuova domanda dell’utente. Una ricerca proposta è quindi distinta dai dati effettivamente restituiti dalla ricerca.\n\nUn assistente pratico può prima estrarre una domanda da un documento e poi usare una funzione di riferimento fornita per ottenere una condizione mancante. Descrivi chiaramente la funzione, includi i suoi argomenti obbligatori e mantieni il risultato restituito associato all’operazione originaria. JSON organizza un risultato testuale; una chiamata di funzione richiede un’operazione collegata, anziché eseguire silenziosamente codice o leggere un database.\n\nLimiti sostanziali\n\nLa capacità visiva documentata legge immagini; non le genera. Le indicazioni per l’assistente nella scheda rilasciata distinguono inoltre questo modello dalla trascrizione audio e video, quindi una domanda parlata o video richiede che il contenuto pertinente sia fornito tramite un passaggio di preparazione separato appropriato. Anche accesso al web e azioni esterne provengono da strumenti collegati, non dal solo modello per testo e immagini.\n\nIl contesto di 128k riguarda l’input del compito e la conversazione generata, mentre l’esempio di generazione da 512 token della scheda è soltanto un’impostazione esemplificativa. Nelle fonti lette non è specificata una capacità rigida separata per la lunghezza della risposta. Conserva l’edizione esatta Instruct 2503, il suo formato di conversazione e la spiegazione, il record o l’elaborato di codice richiesti.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 aggiunge comprensione delle immagini e un contesto di 128k dichiarato dal produttore alla linea Small 3. Combina testo multilingue, programmazione e ragionamento matematico con istruzioni di sistema, JSON e chiamate di funzione native in un rilascio distinto ottimizzato per seguire istruzioni.
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 3.1 24B Instruct 2503 parte da Small 3 2501 aggiungendo comprensione visiva ed estendendo il supporto al contesto lungo a 128k token. Ha 24 miliardi di parametri ed è ottimizzato per seguire istruzioni a partire dal rilascio denominato separatamente Small 3.1 Base. Accetta testo e immagini e produce testo, incluse spiegazioni, codice o record strutturati.
Capacità principali
La visione consente al modello di analizzare materiale visibile insieme alla domanda dell’utente. L’immagine di un documento può fornire il campo o l’affermazione da esaminare, un diagramma la relazione da spiegare e un grafico i dati dietro a un confronto. Mantieni leggibili etichette, unità e contenuto circostante pertinente, affinché la domanda si riferisca a evidenze effettivamente presenti nell’immagine.
Il produttore elenca supporto multilingue per decine di lingue, tra cui russo, inglese, francese, tedesco, greco, hindi, indonesiano, italiano, giapponese, coreano, malese, nepalese, polacco, portoghese, romeno, serbo, spagnolo, svedese, turco, ucraino, vietnamita, arabo, bengalese, cinese e farsi. Definisci lingua finale, lettore e terminologia per una risposta multilingue. Nomi, etichette citate, identificatori di variabili e unità possono restare invariati mentre la prosa circostante viene adattata.
La scheda descrive anche capacità conversazionali e di ragionamento, chiamate di funzione native, output JSON e aderenza ai prompt di sistema. Il tokenizer è Tekken, con un vocabolario indicato come 131k. Sono funzionalità del rilascio denominato e ottimizzato per seguire istruzioni; la sua edizione Base ha un ruolo diverso e i rilasci successivi Small 3.2 e Small 4 mantengono modifiche e modalità proprie.
Preparazione documentale, di programmazione e matematica
Per un compito su documenti lunghi, identifica i documenti e poni una domanda definita. Un confronto può chiedere una matrice dei requisiti con l’affermazione, la sezione sorgente ed eventuali disaccordi tra documenti. Un riepilogo può richiedere soltanto il materiale pertinente a una modifica nominata. Il contesto lungo mantiene insieme quelle fonti, mentre la risposta finale può restare concisa.
Per una spiegazione del codice, fornisci la funzione e l’input di cui seguire il comportamento. Includi funzioni ausiliarie o dichiarazioni pertinenti e chiedi come cambia lo stato prima della restituzione del valore. Per una modifica proposta, indica il requisito, l’interfaccia pubblica da preservare e l’output atteso. Richiedi il codice revisionato separatamente dalla spiegazione e dagli esempi.
Per un compito matematico, definisci simboli e ipotesi sul dominio prima di chiedere una derivazione. Specifica se il risultato finale deve essere esatto, arrotondato o una dimostrazione di un’affermazione. Se la condizione appare in un’immagine, mantieni chiare formula ed etichette associate e chiedi al modello di preservare quella notazione nella risposta. Queste preparazioni trasformano l’attenzione documentata del modello a programmazione e ragionamento matematico in un elaborato esaminabile.
Formato delle istruzioni e uso raccomandato
Il produttore pubblica un template di conversazione V7-Tekken che distingue ruoli di sistema, utente e assistente e raccomanda di usare l’implementazione del tokenizer corrispondente come riferimento autorevole. Un’istruzione di sistema deve definire ruolo dell’assistente e regole della risposta, mentre il messaggio utente contiene il compito effettivo e il materiale sorgente. Una formattazione corretta della conversazione è diversa dall’inserire etichette simili a ruoli dentro un documento citato.
La scheda raccomanda una temperatura relativamente bassa, come 0.15, e un prompt di sistema adattato al caso d’uso. Definisci i campi o le sezioni dell’output e le condizioni che devono sopravvivere alla riscrittura. Per estrazioni ripetute, chiedi JSON con nomi e tipi specificati e una rappresentazione per i valori mancanti nella fonte. Un paragrafo esplicativo può essere restituito separatamente quando una persona deve esaminare l’interpretazione.
Flusso delle chiamate di funzione
Il modello può selezionare una funzione tra gli strumenti descritti dall’applicazione e generarne gli argomenti. L’applicazione esegue la funzione, restituisce il risultato con la chiamata corrispondente e il modello usa quel risultato in una risposta successiva. L’esempio del produttore mostra questo ciclo conversazionale, incluso l’uso precedente di strumenti e una nuova domanda dell’utente. Una ricerca proposta è quindi distinta dai dati effettivamente restituiti dalla ricerca.
Un assistente pratico può prima estrarre una domanda da un documento e poi usare una funzione di riferimento fornita per ottenere una condizione mancante. Descrivi chiaramente la funzione, includi i suoi argomenti obbligatori e mantieni il risultato restituito associato all’operazione originaria. JSON organizza un risultato testuale; una chiamata di funzione richiede un’operazione collegata, anziché eseguire silenziosamente codice o leggere un database.
Limiti sostanziali
La capacità visiva documentata legge immagini; non le genera. Le indicazioni per l’assistente nella scheda rilasciata distinguono inoltre questo modello dalla trascrizione audio e video, quindi una domanda parlata o video richiede che il contenuto pertinente sia fornito tramite un passaggio di preparazione separato appropriato. Anche accesso al web e azioni esterne provengono da strumenti collegati, non dal solo modello per testo e immagini.
Il contesto di 128k riguarda l’input del compito e la conversazione generata, mentre l’esempio di generazione da 512 token della scheda è soltanto un’impostazione esemplificativa. Nelle fonti lette non è specificata una capacità rigida separata per la lunghezza della risposta. Conserva l’edizione esatta Instruct 2503, il suo formato di conversazione e la spiegazione, il record o l’elaborato di codice richiesti.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Output · Token in output $0.00111 / 1K token Input · Lettura dalla cache $0 / 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 $0.0011 / 1K token Output · Token in output $0.00111 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-3.1-24b-instruct',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-3.1-24b-instruct',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-3.1-24b-instruct
Usa i percorsi dei metodi indicati sopra.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 aggiunge comprensione delle immagini e un contesto di 128k dichiarato dal produttore alla linea Small 3. Combina testo multilingue, programmazione e ragionamento matematico con istruzioni di sistema, JSON e chiamate di funzione native in un rilascio distinto ottimizzato per seguire istruzioni.
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 3.1 24B Instruct 2503 parte da Small 3 2501 aggiungendo comprensione visiva ed estendendo il supporto al contesto lungo a 128k token. Ha 24 miliardi di parametri ed è ottimizzato per seguire istruzioni a partire dal rilascio denominato separatamente Small 3.1 Base. Accetta testo e immagini e produce testo, incluse spiegazioni, codice o record strutturati.
Capacità principali
La visione consente al modello di analizzare materiale visibile insieme alla domanda dell’utente. L’immagine di un documento può fornire il campo o l’affermazione da esaminare, un diagramma la relazione da spiegare e un grafico i dati dietro a un confronto. Mantieni leggibili etichette, unità e contenuto circostante pertinente, affinché la domanda si riferisca a evidenze effettivamente presenti nell’immagine.
Il produttore elenca supporto multilingue per decine di lingue, tra cui russo, inglese, francese, tedesco, greco, hindi, indonesiano, italiano, giapponese, coreano, malese, nepalese, polacco, portoghese, romeno, serbo, spagnolo, svedese, turco, ucraino, vietnamita, arabo, bengalese, cinese e farsi. Definisci lingua finale, lettore e terminologia per una risposta multilingue. Nomi, etichette citate, identificatori di variabili e unità possono restare invariati mentre la prosa circostante viene adattata.
La scheda descrive anche capacità conversazionali e di ragionamento, chiamate di funzione native, output JSON e aderenza ai prompt di sistema. Il tokenizer è Tekken, con un vocabolario indicato come 131k. Sono funzionalità del rilascio denominato e ottimizzato per seguire istruzioni; la sua edizione Base ha un ruolo diverso e i rilasci successivi Small 3.2 e Small 4 mantengono modifiche e modalità proprie.
Preparazione documentale, di programmazione e matematica
Per un compito su documenti lunghi, identifica i documenti e poni una domanda definita. Un confronto può chiedere una matrice dei requisiti con l’affermazione, la sezione sorgente ed eventuali disaccordi tra documenti. Un riepilogo può richiedere soltanto il materiale pertinente a una modifica nominata. Il contesto lungo mantiene insieme quelle fonti, mentre la risposta finale può restare concisa.
Per una spiegazione del codice, fornisci la funzione e l’input di cui seguire il comportamento. Includi funzioni ausiliarie o dichiarazioni pertinenti e chiedi come cambia lo stato prima della restituzione del valore. Per una modifica proposta, indica il requisito, l’interfaccia pubblica da preservare e l’output atteso. Richiedi il codice revisionato separatamente dalla spiegazione e dagli esempi.
Per un compito matematico, definisci simboli e ipotesi sul dominio prima di chiedere una derivazione. Specifica se il risultato finale deve essere esatto, arrotondato o una dimostrazione di un’affermazione. Se la condizione appare in un’immagine, mantieni chiare formula ed etichette associate e chiedi al modello di preservare quella notazione nella risposta. Queste preparazioni trasformano l’attenzione documentata del modello a programmazione e ragionamento matematico in un elaborato esaminabile.
Formato delle istruzioni e uso raccomandato
Il produttore pubblica un template di conversazione V7-Tekken che distingue ruoli di sistema, utente e assistente e raccomanda di usare l’implementazione del tokenizer corrispondente come riferimento autorevole. Un’istruzione di sistema deve definire ruolo dell’assistente e regole della risposta, mentre il messaggio utente contiene il compito effettivo e il materiale sorgente. Una formattazione corretta della conversazione è diversa dall’inserire etichette simili a ruoli dentro un documento citato.
La scheda raccomanda una temperatura relativamente bassa, come 0.15, e un prompt di sistema adattato al caso d’uso. Definisci i campi o le sezioni dell’output e le condizioni che devono sopravvivere alla riscrittura. Per estrazioni ripetute, chiedi JSON con nomi e tipi specificati e una rappresentazione per i valori mancanti nella fonte. Un paragrafo esplicativo può essere restituito separatamente quando una persona deve esaminare l’interpretazione.
Flusso delle chiamate di funzione
Il modello può selezionare una funzione tra gli strumenti descritti dall’applicazione e generarne gli argomenti. L’applicazione esegue la funzione, restituisce il risultato con la chiamata corrispondente e il modello usa quel risultato in una risposta successiva. L’esempio del produttore mostra questo ciclo conversazionale, incluso l’uso precedente di strumenti e una nuova domanda dell’utente. Una ricerca proposta è quindi distinta dai dati effettivamente restituiti dalla ricerca.
Un assistente pratico può prima estrarre una domanda da un documento e poi usare una funzione di riferimento fornita per ottenere una condizione mancante. Descrivi chiaramente la funzione, includi i suoi argomenti obbligatori e mantieni il risultato restituito associato all’operazione originaria. JSON organizza un risultato testuale; una chiamata di funzione richiede un’operazione collegata, anziché eseguire silenziosamente codice o leggere un database.
Limiti sostanziali
La capacità visiva documentata legge immagini; non le genera. Le indicazioni per l’assistente nella scheda rilasciata distinguono inoltre questo modello dalla trascrizione audio e video, quindi una domanda parlata o video richiede che il contenuto pertinente sia fornito tramite un passaggio di preparazione separato appropriato. Anche accesso al web e azioni esterne provengono da strumenti collegati, non dal solo modello per testo e immagini.
Il contesto di 128k riguarda l’input del compito e la conversazione generata, mentre l’esempio di generazione da 512 token della scheda è soltanto un’impostazione esemplificativa. Nelle fonti lette non è specificata una capacità rigida separata per la lunghezza della risposta. Conserva l’edizione esatta Instruct 2503, il suo formato di conversazione e la spiegazione, il record o l’elaborato di codice richiesti.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Output · Token in output $0.00111 / 1K token Input · Lettura dalla cache $0 / 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 $0.0011 / 1K token Output · Token in output $0.00111 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-instruct', '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-3.1-24b-instruct', '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-3.1-24b-instruct
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.