Devstral Small 1.1 ialah model teks sahaja versi tetap Mistral AI untuk ejen kejuruteraan perisian. Model ini ditala halus daripada Mistral Small 3.1 dengan pengekod penglihatan dibuang, supaya model tertumpu pada penerokaan repositori, alat dan perubahan kod berbilang fail. Keluaran ini mempunyai 24 bilion parameter dan tetingkap konteks sehingga 128K token. Outputnya terdiri daripada teks, kod atau arahan bagi fungsi yang disediakan oleh aplikasi ejen.
Versi 1.1 mengekalkan seni bina keluaran Small sebelumnya sambil meluaskan cara model bekerja dengan prom dan persekitaran pengekodan. Pengeluar menerangkan pengitlakan yang lebih baik merentas kerangka ejen berbeza serta menambah sokongan format panggilan fungsi Mistral bersama format berasaskan XML. Ini ialah cara menyatakan dan mentafsir interaksi ejen; alat yang dibekalkan dan persekitaran pelaksanaan menentukan tindakan repositori yang tersedia.
Sifat utama model merangkumi saiz 24B, pemberat Apache 2.0 dan pentoken Tekken dengan kosa kata kira-kira 131K entri. Edisi 1.1 tetap dikenal pasti dengan nama keluarannya sendiri dan mengekalkan konteks 128K. Bahan projek berbentuk teks boleh merangkumi fail sumber, keperluan tugasan, tindakan terdahulu dan hasil carian atau arahan yang dikembalikan. Ini membolehkan cadangan perubahan seterusnya berdasarkan perkara yang telah dipelajari ejen tentang projek.
Aliran kerja praktikal bermula dengan matlamat kejuruteraan tertentu. Minta ejen mencari laluan yang mengendalikan permintaan, mengenal pasti fungsi berkaitan dan mencadangkan suntingan terselaras pada fail yang terlibat. Bekalkan tingkah laku yang dijangkakan, keperluan keserasian dan contoh yang membezakan hasil yang betul. Untuk kecacatan, sertakan ralat yang diperhatikan dan input yang menghasilkannya semula. Untuk pemfaktoran semula, namakan antara muka serta tingkah laku yang mesti kekal stabil. Artifak yang berguna ialah tampalan cadangan bersama penjelasan kebergantungannya dan semakan yang diperlukan untuk mengesahkannya.
Model ini turut menyokong respons berstruktur dan soalan dokumen. Tugasan semakan kod boleh mengembalikan medan berasingan untuk komponen terjejas, perubahan cadangan dan semakan susulan. Tugasan dokumen teknikal boleh mengenal pasti keperluan yang berkaitan dengan pelaksanaan. Penyambungan awalan boleh menetapkan permulaan respons, manakala aliran kerja kelompok tak segerak boleh mengendalikan tugasan analisis kod bebas. Ciri ini melengkapi pengkhususan utamanya pada repositori dan alat.
Dalam ejen Ailoot API, berikan penerangan alat dan skema argumennya bersama tugasan. Devstral boleh memilih fungsi dan menyediakan argumen; aplikasi melaksanakan fungsi, mengembalikan outputnya dan meneruskan perbualan. Model tidak mendapatkan akses fail atau melaksanakan kod cadangannya sendiri. Gunakan hasil alat yang dikembalikan untuk memperhalus suntingan cadangan, dan selesaikan dengan artifak kod, penjelasan serta bukti yang dibekalkan persekitaran. Identiti Small 1.1 kekal berasingan daripada edisi Devstral kemudian dan keluaran Mistral Small tujuan umum.
", "aboutText": "Devstral Small 1.1 ialah model teks sahaja versi tetap Mistral AI untuk ejen kejuruteraan perisian. Model ini ditala halus daripada Mistral Small 3.1 dengan pengekod penglihatan dibuang, supaya model tertumpu pada penerokaan repositori, alat dan perubahan kod berbilang fail. Keluaran ini mempunyai 24 bilion parameter dan tetingkap konteks sehingga 128K token. Outputnya terdiri daripada teks, kod atau arahan bagi fungsi yang disediakan oleh aplikasi ejen.\n\nVersi 1.1 mengekalkan seni bina keluaran Small sebelumnya sambil meluaskan cara model bekerja dengan prom dan persekitaran pengekodan. Pengeluar menerangkan pengitlakan yang lebih baik merentas kerangka ejen berbeza serta menambah sokongan format panggilan fungsi Mistral bersama format berasaskan XML. Ini ialah cara menyatakan dan mentafsir interaksi ejen; alat yang dibekalkan dan persekitaran pelaksanaan menentukan tindakan repositori yang tersedia.\n\nSifat utama model merangkumi saiz 24B, pemberat Apache 2.0 dan pentoken Tekken dengan kosa kata kira-kira 131K entri. Edisi 1.1 tetap dikenal pasti dengan nama keluarannya sendiri dan mengekalkan konteks 128K. Bahan projek berbentuk teks boleh merangkumi fail sumber, keperluan tugasan, tindakan terdahulu dan hasil carian atau arahan yang dikembalikan. Ini membolehkan cadangan perubahan seterusnya berdasarkan perkara yang telah dipelajari ejen tentang projek.\n\nAliran kerja praktikal bermula dengan matlamat kejuruteraan tertentu. Minta ejen mencari laluan yang mengendalikan permintaan, mengenal pasti fungsi berkaitan dan mencadangkan suntingan terselaras pada fail yang terlibat. Bekalkan tingkah laku yang dijangkakan, keperluan keserasian dan contoh yang membezakan hasil yang betul. Untuk kecacatan, sertakan ralat yang diperhatikan dan input yang menghasilkannya semula. Untuk pemfaktoran semula, namakan antara muka serta tingkah laku yang mesti kekal stabil. Artifak yang berguna ialah tampalan cadangan bersama penjelasan kebergantungannya dan semakan yang diperlukan untuk mengesahkannya.\n\nModel ini turut menyokong respons berstruktur dan soalan dokumen. Tugasan semakan kod boleh mengembalikan medan berasingan untuk komponen terjejas, perubahan cadangan dan semakan susulan. Tugasan dokumen teknikal boleh mengenal pasti keperluan yang berkaitan dengan pelaksanaan. Penyambungan awalan boleh menetapkan permulaan respons, manakala aliran kerja kelompok tak segerak boleh mengendalikan tugasan analisis kod bebas. Ciri ini melengkapi pengkhususan utamanya pada repositori dan alat.\n\nDalam ejen Ailoot API, berikan penerangan alat dan skema argumennya bersama tugasan. Devstral boleh memilih fungsi dan menyediakan argumen; aplikasi melaksanakan fungsi, mengembalikan outputnya dan meneruskan perbualan. Model tidak mendapatkan akses fail atau melaksanakan kod cadangannya sendiri. Gunakan hasil alat yang dikembalikan untuk memperhalus suntingan cadangan, dan selesaikan dengan artifak kod, penjelasan serta bukti yang dibekalkan persekitaran. Identiti Small 1.1 kekal berasingan daripada edisi Devstral kemudian dan keluaran Mistral Small tujuan umum.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.devstral-small-2507Devstral Small 1.1 ialah model ejen pengekodan teks sahaja 24B Mistral AI untuk meneroka repositori dan menyediakan suntingan terselaras merentas fail. Versi 1.1 menambah keserasian prom yang lebih luas dan menyokong panggilan fungsi serta format ejen berasaskan XML, dengan tetingkap konteks 128K.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Devstral Small 1.1 ialah model teks sahaja versi tetap Mistral AI untuk ejen kejuruteraan perisian. Model ini ditala halus daripada Mistral Small 3.1 dengan pengekod penglihatan dibuang, supaya model tertumpu pada penerokaan repositori, alat dan perubahan kod berbilang fail. Keluaran ini mempunyai 24 bilion parameter dan tetingkap konteks sehingga 128K token. Outputnya terdiri daripada teks, kod atau arahan bagi fungsi yang disediakan oleh aplikasi ejen.
Versi 1.1 mengekalkan seni bina keluaran Small sebelumnya sambil meluaskan cara model bekerja dengan prom dan persekitaran pengekodan. Pengeluar menerangkan pengitlakan yang lebih baik merentas kerangka ejen berbeza serta menambah sokongan format panggilan fungsi Mistral bersama format berasaskan XML. Ini ialah cara menyatakan dan mentafsir interaksi ejen; alat yang dibekalkan dan persekitaran pelaksanaan menentukan tindakan repositori yang tersedia.
Sifat utama model merangkumi saiz 24B, pemberat Apache 2.0 dan pentoken Tekken dengan kosa kata kira-kira 131K entri. Edisi 1.1 tetap dikenal pasti dengan nama keluarannya sendiri dan mengekalkan konteks 128K. Bahan projek berbentuk teks boleh merangkumi fail sumber, keperluan tugasan, tindakan terdahulu dan hasil carian atau arahan yang dikembalikan. Ini membolehkan cadangan perubahan seterusnya berdasarkan perkara yang telah dipelajari ejen tentang projek.
Aliran kerja praktikal bermula dengan matlamat kejuruteraan tertentu. Minta ejen mencari laluan yang mengendalikan permintaan, mengenal pasti fungsi berkaitan dan mencadangkan suntingan terselaras pada fail yang terlibat. Bekalkan tingkah laku yang dijangkakan, keperluan keserasian dan contoh yang membezakan hasil yang betul. Untuk kecacatan, sertakan ralat yang diperhatikan dan input yang menghasilkannya semula. Untuk pemfaktoran semula, namakan antara muka serta tingkah laku yang mesti kekal stabil. Artifak yang berguna ialah tampalan cadangan bersama penjelasan kebergantungannya dan semakan yang diperlukan untuk mengesahkannya.
Model ini turut menyokong respons berstruktur dan soalan dokumen. Tugasan semakan kod boleh mengembalikan medan berasingan untuk komponen terjejas, perubahan cadangan dan semakan susulan. Tugasan dokumen teknikal boleh mengenal pasti keperluan yang berkaitan dengan pelaksanaan. Penyambungan awalan boleh menetapkan permulaan respons, manakala aliran kerja kelompok tak segerak boleh mengendalikan tugasan analisis kod bebas. Ciri ini melengkapi pengkhususan utamanya pada repositori dan alat.
Dalam ejen Ailoot API, berikan penerangan alat dan skema argumennya bersama tugasan. Devstral boleh memilih fungsi dan menyediakan argumen; aplikasi melaksanakan fungsi, mengembalikan outputnya dan meneruskan perbualan. Model tidak mendapatkan akses fail atau melaksanakan kod cadangannya sendiri. Gunakan hasil alat yang dikembalikan untuk memperhalus suntingan cadangan, dan selesaikan dengan artifak kod, penjelasan serta bukti yang dibekalkan persekitaran. Identiti Small 1.1 kekal berasingan daripada edisi Devstral kemudian dan keluaran Mistral Small tujuan umum.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had devstral-small-2507 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00022 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2507", "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='devstral-small-2507',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='devstral-small-2507',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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra devstral-small-2507
Gunakan laluan kaedah yang dipaparkan di atas.
devstral-small-2507Devstral Small 1.1 ialah model ejen pengekodan teks sahaja 24B Mistral AI untuk meneroka repositori dan menyediakan suntingan terselaras merentas fail. Versi 1.1 menambah keserasian prom yang lebih luas dan menyokong panggilan fungsi serta format ejen berasaskan XML, dengan tetingkap konteks 128K.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Devstral Small 1.1 ialah model teks sahaja versi tetap Mistral AI untuk ejen kejuruteraan perisian. Model ini ditala halus daripada Mistral Small 3.1 dengan pengekod penglihatan dibuang, supaya model tertumpu pada penerokaan repositori, alat dan perubahan kod berbilang fail. Keluaran ini mempunyai 24 bilion parameter dan tetingkap konteks sehingga 128K token. Outputnya terdiri daripada teks, kod atau arahan bagi fungsi yang disediakan oleh aplikasi ejen.
Versi 1.1 mengekalkan seni bina keluaran Small sebelumnya sambil meluaskan cara model bekerja dengan prom dan persekitaran pengekodan. Pengeluar menerangkan pengitlakan yang lebih baik merentas kerangka ejen berbeza serta menambah sokongan format panggilan fungsi Mistral bersama format berasaskan XML. Ini ialah cara menyatakan dan mentafsir interaksi ejen; alat yang dibekalkan dan persekitaran pelaksanaan menentukan tindakan repositori yang tersedia.
Sifat utama model merangkumi saiz 24B, pemberat Apache 2.0 dan pentoken Tekken dengan kosa kata kira-kira 131K entri. Edisi 1.1 tetap dikenal pasti dengan nama keluarannya sendiri dan mengekalkan konteks 128K. Bahan projek berbentuk teks boleh merangkumi fail sumber, keperluan tugasan, tindakan terdahulu dan hasil carian atau arahan yang dikembalikan. Ini membolehkan cadangan perubahan seterusnya berdasarkan perkara yang telah dipelajari ejen tentang projek.
Aliran kerja praktikal bermula dengan matlamat kejuruteraan tertentu. Minta ejen mencari laluan yang mengendalikan permintaan, mengenal pasti fungsi berkaitan dan mencadangkan suntingan terselaras pada fail yang terlibat. Bekalkan tingkah laku yang dijangkakan, keperluan keserasian dan contoh yang membezakan hasil yang betul. Untuk kecacatan, sertakan ralat yang diperhatikan dan input yang menghasilkannya semula. Untuk pemfaktoran semula, namakan antara muka serta tingkah laku yang mesti kekal stabil. Artifak yang berguna ialah tampalan cadangan bersama penjelasan kebergantungannya dan semakan yang diperlukan untuk mengesahkannya.
Model ini turut menyokong respons berstruktur dan soalan dokumen. Tugasan semakan kod boleh mengembalikan medan berasingan untuk komponen terjejas, perubahan cadangan dan semakan susulan. Tugasan dokumen teknikal boleh mengenal pasti keperluan yang berkaitan dengan pelaksanaan. Penyambungan awalan boleh menetapkan permulaan respons, manakala aliran kerja kelompok tak segerak boleh mengendalikan tugasan analisis kod bebas. Ciri ini melengkapi pengkhususan utamanya pada repositori dan alat.
Dalam ejen Ailoot API, berikan penerangan alat dan skema argumennya bersama tugasan. Devstral boleh memilih fungsi dan menyediakan argumen; aplikasi melaksanakan fungsi, mengembalikan outputnya dan meneruskan perbualan. Model tidak mendapatkan akses fail atau melaksanakan kod cadangannya sendiri. Gunakan hasil alat yang dikembalikan untuk memperhalus suntingan cadangan, dan selesaikan dengan artifak kod, penjelasan serta bukti yang dibekalkan persekitaran. Identiti Small 1.1 kekal berasingan daripada edisi Devstral kemudian dan keluaran Mistral Small tujuan umum.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had devstral-small-2507 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00022 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "devstral-small-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2507', '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': 'devstral-small-2507', '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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra devstral-small-2507
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.