Codestral 2508 ialah model pengekodan Mistral AI untuk tugas pelengkapan dan penjanaan yang kerap serta sensitif kepada kependaman. Ia menerima kod sumber dan keperluan bertulis lalu mengembalikan teks yang boleh mengandungi pelaksanaan, pelengkapan, pembetulan atau penjelasan. Edisi bernama 2508 menumpukan konteks penyuntingan semasa pembangun, bukannya model pembenaman atau ejen repositori lengkap dengan sendirinya.
Pelengkapan kod dan kemas kini 2508
Pembuat menyasarkan Codestral untuk pelengkapan pengisian bahagian tengah dan penyuntingan berbilang baris. Keluaran ini menerangkan penambahbaikan dalam tingkah laku pelengkapan, termasuk mengurangkan penjanaan yang berlanjutan tanpa kawalan, bersama penambahbaikan pada kepatuhan arahan dan tugas kod dalam mod sembang. Ini ialah perubahan pada edisi Codestral ini; ciri perolehan maklumat dan ejen autonomi dalam susunan pengekodan sekeliling dimiliki oleh komponen lain yang dinamakan secara berasingan.
Untuk tugas pelengkapan, kekalkan tandatangan fungsi, pengisytiharan dan konteks panggilan yang berkaitan bersama kedudukan kursor. Kenal pasti sama ada hasil yang diingini hanyalah kod yang tiada atau fungsi lengkap yang telah disemak semula. Permintaan gaya penyunting boleh meminta badan gelung yang mengekalkan jenis pulangan sedia ada, mengekalkan nilai pendua dan tidak mengubah input pemanggil. Hasilnya kemudian mempunyai titik sisipan konkrit dan tingkah laku yang ditakrifkan.
Penyediaan pengisian bahagian tengah
Dalam antara muka FIM pembuat, prom membekalkan teks atau kod untuk dilengkapkan dan akhiran pilihan membekalkan bahan selepas ruang kosong. Apabila kedua-duanya diberikan, model mengisi ruang di antaranya. Tanpa akhiran, ia menyambung daripada prom. Ini berbeza daripada permintaan perbualan biasa yang meminta perubahan kod dan penjelasan; setiap gaya penyediaan mentakrifkan kontrak output yang berbeza.
Input pelengkapan ruang kosong yang berguna merangkumi permulaan fungsi, kod yang mesti menyusuli sisipan dan sebarang takrif jenis atau fungsi pembantu yang berkaitan. Kekalkan pengengsotan dan pembatas supaya teks yang dikembalikan boleh dimuatkan ke dalam fragmen sedia ada. Jika tugas hanya memerlukan badan yang tiada, minta badan itu dan bukannya penulisan semula seluruh fail. Soalan sembang berasingan boleh menerangkan sebab fragmen yang dilengkapkan memenuhi keperluan.
Dokumentasi FIM rasmi membenarkan bajet token output dan mensyaratkan prom bersama bajet itu kekal dalam konteks model. Ia turut mendokumentasikan jujukan henti dan penstriman kandungan yang dijana. Pilih aliran kerja pelengkapan apabila hasil mesti muat dalam ruang kod, dan aliran kerja perbualan apabila tugas meminta kod bersama penjelasan.
Konteks dan ciri sokongan
Halaman model memberikan tetingkap konteks 128k. Gunakan konteks untuk mengekalkan sumber dan pengisytiharan yang menentukan perubahan yang dimaksudkan, sambil memastikan tugas penyuntingan sebenar jelas. Untuk permintaan pembaikan pepijat, berikan fungsi yang terjejas, input gagal yang konkrit, hasil yang dijangka dan ralat atau tingkah laku yang diperhatikan. Minta pembetulan yang dicadangkan secara berasingan daripada penjelasan dan contohnya.
Halaman itu turut menyenaraikan output berstruktur, panggilan fungsi, output ramalan, soal jawab dokumen, awalan respons dan pemprosesan kelompok bersama keupayaan sembang dan FIM. Untuk hasil semakan kod berstruktur, takrifkan medan seperti simbol yang terjejas, ketidakpadanan yang diperhatikan, perubahan yang dicadangkan dan andaian yang masih memerlukan penjelasan. Panduan output berstruktur Mistral membezakan mod JSON daripada skema tersuai, dengan format JSON yang diingini dinyatakan dalam prom.
Output ramalan ditujukan untuk kandungan yang sebahagian besar jawapannya sudah diketahui. Ia boleh digunakan apabila menjana semula dokumen atau fail kod dengan suntingan terhad sambil mengekalkan kandungan selebihnya. Nyatakan perubahan tepat dan bahan yang mesti dikekalkan. Sebaliknya, awalan respons membekalkan permulaan yang diketahui untuk diteruskan oleh penjanaan; ia berbeza daripada badan penuh yang diketahui mahupun akhiran FIM.
Soalan dokumentasi boleh menggunakan aliran kerja pemprosesan dokumen pembuat untuk menyediakan teks dan struktur melalui OCR sebelum analisis model bahasa. Untuk bahan pengaturcaraan yang sudah tersedia sebagai teks, berikan petikan dokumentasi berkaitan dan tanya syarat yang mengawal pelaksanaan. Kekalkan setiap keperluan yang diekstrak bersama bahagian sumbernya supaya kod atau penjelasan yang dijana kekal berkaitan dengan spesifikasi yang diberikan.
Alat dan hasil praktikal
Panggilan fungsi membolehkan aplikasi menyediakan operasi yang diterangkan dan parameternya. Model menyediakan panggilan, aplikasi melaksanakannya dan hasil yang dikembalikan menjadi konteks untuk jawapan seterusnya. Pembantu kod mungkin menerima hasil carian atau hasil pengiraan melalui kitaran itu, tetapi penyusunan, pengujian atau penerapan perubahan yang dicadangkan masih memerlukan persekitaran pembangunan sekeliling.
Untuk pembetulan praktikal, takrifkan antara muka awam yang mesti kekal serasi dan minta fragmen yang disemak, penjelasan ringkas dan contoh input dengan output yang dijangka. Untuk fungsi yang dijana, nyatakan jenis yang diterima dan keadaan pinggir. Untuk penjelasan, berikan input yang hendak dijejaki supaya jawapan menghubungkan laluan pelaksanaan konkrit dengan nilai pulangannya.
Codestral menghasilkan teks. Ia tidak mewarisi vektor carian kod daripada Codestral Embed, automasi repositori daripada Devstral atau penjanaan imej daripada model visual. Halaman model 2508 yang khusus ini tidak menerbitkan bilangan parameter atau panjang jawapan maksimum berasingan yang boleh dipinjam daripada keluaran lain. Kekalkan edisi bernama, konteks pengekodan dan artifak yang diperlukan semasa menyediakan aliran kerja penyunting atau sembang yang boleh diulang.
", "aboutText": "Codestral 2508 ialah model pengekodan Mistral AI untuk tugas pelengkapan dan penjanaan yang kerap serta sensitif kepada kependaman. Ia menerima kod sumber dan keperluan bertulis lalu mengembalikan teks yang boleh mengandungi pelaksanaan, pelengkapan, pembetulan atau penjelasan. Edisi bernama 2508 menumpukan konteks penyuntingan semasa pembangun, bukannya model pembenaman atau ejen repositori lengkap dengan sendirinya.\n\nPelengkapan kod dan kemas kini 2508\n\nPembuat menyasarkan Codestral untuk pelengkapan pengisian bahagian tengah dan penyuntingan berbilang baris. Keluaran ini menerangkan penambahbaikan dalam tingkah laku pelengkapan, termasuk mengurangkan penjanaan yang berlanjutan tanpa kawalan, bersama penambahbaikan pada kepatuhan arahan dan tugas kod dalam mod sembang. Ini ialah perubahan pada edisi Codestral ini; ciri perolehan maklumat dan ejen autonomi dalam susunan pengekodan sekeliling dimiliki oleh komponen lain yang dinamakan secara berasingan.\n\nUntuk tugas pelengkapan, kekalkan tandatangan fungsi, pengisytiharan dan konteks panggilan yang berkaitan bersama kedudukan kursor. Kenal pasti sama ada hasil yang diingini hanyalah kod yang tiada atau fungsi lengkap yang telah disemak semula. Permintaan gaya penyunting boleh meminta badan gelung yang mengekalkan jenis pulangan sedia ada, mengekalkan nilai pendua dan tidak mengubah input pemanggil. Hasilnya kemudian mempunyai titik sisipan konkrit dan tingkah laku yang ditakrifkan.\n\nPenyediaan pengisian bahagian tengah\n\nDalam antara muka FIM pembuat, prom membekalkan teks atau kod untuk dilengkapkan dan akhiran pilihan membekalkan bahan selepas ruang kosong. Apabila kedua-duanya diberikan, model mengisi ruang di antaranya. Tanpa akhiran, ia menyambung daripada prom. Ini berbeza daripada permintaan perbualan biasa yang meminta perubahan kod dan penjelasan; setiap gaya penyediaan mentakrifkan kontrak output yang berbeza.\n\nInput pelengkapan ruang kosong yang berguna merangkumi permulaan fungsi, kod yang mesti menyusuli sisipan dan sebarang takrif jenis atau fungsi pembantu yang berkaitan. Kekalkan pengengsotan dan pembatas supaya teks yang dikembalikan boleh dimuatkan ke dalam fragmen sedia ada. Jika tugas hanya memerlukan badan yang tiada, minta badan itu dan bukannya penulisan semula seluruh fail. Soalan sembang berasingan boleh menerangkan sebab fragmen yang dilengkapkan memenuhi keperluan.\n\nDokumentasi FIM rasmi membenarkan bajet token output dan mensyaratkan prom bersama bajet itu kekal dalam konteks model. Ia turut mendokumentasikan jujukan henti dan penstriman kandungan yang dijana. Pilih aliran kerja pelengkapan apabila hasil mesti muat dalam ruang kod, dan aliran kerja perbualan apabila tugas meminta kod bersama penjelasan.\n\nKonteks dan ciri sokongan\n\nHalaman model memberikan tetingkap konteks 128k. Gunakan konteks untuk mengekalkan sumber dan pengisytiharan yang menentukan perubahan yang dimaksudkan, sambil memastikan tugas penyuntingan sebenar jelas. Untuk permintaan pembaikan pepijat, berikan fungsi yang terjejas, input gagal yang konkrit, hasil yang dijangka dan ralat atau tingkah laku yang diperhatikan. Minta pembetulan yang dicadangkan secara berasingan daripada penjelasan dan contohnya.\n\nHalaman itu turut menyenaraikan output berstruktur, panggilan fungsi, output ramalan, soal jawab dokumen, awalan respons dan pemprosesan kelompok bersama keupayaan sembang dan FIM. Untuk hasil semakan kod berstruktur, takrifkan medan seperti simbol yang terjejas, ketidakpadanan yang diperhatikan, perubahan yang dicadangkan dan andaian yang masih memerlukan penjelasan. Panduan output berstruktur Mistral membezakan mod JSON daripada skema tersuai, dengan format JSON yang diingini dinyatakan dalam prom.\n\nOutput ramalan ditujukan untuk kandungan yang sebahagian besar jawapannya sudah diketahui. Ia boleh digunakan apabila menjana semula dokumen atau fail kod dengan suntingan terhad sambil mengekalkan kandungan selebihnya. Nyatakan perubahan tepat dan bahan yang mesti dikekalkan. Sebaliknya, awalan respons membekalkan permulaan yang diketahui untuk diteruskan oleh penjanaan; ia berbeza daripada badan penuh yang diketahui mahupun akhiran FIM.\n\nSoalan dokumentasi boleh menggunakan aliran kerja pemprosesan dokumen pembuat untuk menyediakan teks dan struktur melalui OCR sebelum analisis model bahasa. Untuk bahan pengaturcaraan yang sudah tersedia sebagai teks, berikan petikan dokumentasi berkaitan dan tanya syarat yang mengawal pelaksanaan. Kekalkan setiap keperluan yang diekstrak bersama bahagian sumbernya supaya kod atau penjelasan yang dijana kekal berkaitan dengan spesifikasi yang diberikan.\n\nAlat dan hasil praktikal\n\nPanggilan fungsi membolehkan aplikasi menyediakan operasi yang diterangkan dan parameternya. Model menyediakan panggilan, aplikasi melaksanakannya dan hasil yang dikembalikan menjadi konteks untuk jawapan seterusnya. Pembantu kod mungkin menerima hasil carian atau hasil pengiraan melalui kitaran itu, tetapi penyusunan, pengujian atau penerapan perubahan yang dicadangkan masih memerlukan persekitaran pembangunan sekeliling.\n\nUntuk pembetulan praktikal, takrifkan antara muka awam yang mesti kekal serasi dan minta fragmen yang disemak, penjelasan ringkas dan contoh input dengan output yang dijangka. Untuk fungsi yang dijana, nyatakan jenis yang diterima dan keadaan pinggir. Untuk penjelasan, berikan input yang hendak dijejaki supaya jawapan menghubungkan laluan pelaksanaan konkrit dengan nilai pulangannya.\n\nCodestral menghasilkan teks. Ia tidak mewarisi vektor carian kod daripada Codestral Embed, automasi repositori daripada Devstral atau penjanaan imej daripada model visual. Halaman model 2508 yang khusus ini tidak menerbitkan bilangan parameter atau panjang jawapan maksimum berasingan yang boleh dipinjam daripada keluaran lain. Kekalkan edisi bernama, konteks pengekodan dan artifak yang diperlukan semasa menyediakan aliran kerja penyunting atau sembang yang boleh diulang.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Fill a nonmutating loop body\n\nComplete only the missing body in this Python function: 'def doubled(values):\n result = []\n # missing body\n return result'. It must append twice every input value, preserve order and duplicate values, and leave values unchanged. Return the indented insertion followed by assert tests for [2, 2, -1] and []. This is a chat completion request, not a FIM transport request.Only the missing indented loop body, then two tests verifying [4, 4, -2] and an empty result.The insertion fits before return result and never deduplicates or mutates the input.mistralai/codestral-2508Codestral 2508 ialah model teks Mistral AI untuk penjanaan kod dan pelengkapan peka konteks. Ia dioptimumkan untuk tugas penyunting yang kerap, termasuk pengisian bahagian tengah dan suntingan berbilang baris, dengan konteks 128k yang dinyatakan oleh pembuat serta ciri sembang, output berstruktur dan alat yang didokumentasikan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Codestral 2508 ialah model pengekodan Mistral AI untuk tugas pelengkapan dan penjanaan yang kerap serta sensitif kepada kependaman. Ia menerima kod sumber dan keperluan bertulis lalu mengembalikan teks yang boleh mengandungi pelaksanaan, pelengkapan, pembetulan atau penjelasan. Edisi bernama 2508 menumpukan konteks penyuntingan semasa pembangun, bukannya model pembenaman atau ejen repositori lengkap dengan sendirinya.
Pelengkapan kod dan kemas kini 2508
Pembuat menyasarkan Codestral untuk pelengkapan pengisian bahagian tengah dan penyuntingan berbilang baris. Keluaran ini menerangkan penambahbaikan dalam tingkah laku pelengkapan, termasuk mengurangkan penjanaan yang berlanjutan tanpa kawalan, bersama penambahbaikan pada kepatuhan arahan dan tugas kod dalam mod sembang. Ini ialah perubahan pada edisi Codestral ini; ciri perolehan maklumat dan ejen autonomi dalam susunan pengekodan sekeliling dimiliki oleh komponen lain yang dinamakan secara berasingan.
Untuk tugas pelengkapan, kekalkan tandatangan fungsi, pengisytiharan dan konteks panggilan yang berkaitan bersama kedudukan kursor. Kenal pasti sama ada hasil yang diingini hanyalah kod yang tiada atau fungsi lengkap yang telah disemak semula. Permintaan gaya penyunting boleh meminta badan gelung yang mengekalkan jenis pulangan sedia ada, mengekalkan nilai pendua dan tidak mengubah input pemanggil. Hasilnya kemudian mempunyai titik sisipan konkrit dan tingkah laku yang ditakrifkan.
Penyediaan pengisian bahagian tengah
Dalam antara muka FIM pembuat, prom membekalkan teks atau kod untuk dilengkapkan dan akhiran pilihan membekalkan bahan selepas ruang kosong. Apabila kedua-duanya diberikan, model mengisi ruang di antaranya. Tanpa akhiran, ia menyambung daripada prom. Ini berbeza daripada permintaan perbualan biasa yang meminta perubahan kod dan penjelasan; setiap gaya penyediaan mentakrifkan kontrak output yang berbeza.
Input pelengkapan ruang kosong yang berguna merangkumi permulaan fungsi, kod yang mesti menyusuli sisipan dan sebarang takrif jenis atau fungsi pembantu yang berkaitan. Kekalkan pengengsotan dan pembatas supaya teks yang dikembalikan boleh dimuatkan ke dalam fragmen sedia ada. Jika tugas hanya memerlukan badan yang tiada, minta badan itu dan bukannya penulisan semula seluruh fail. Soalan sembang berasingan boleh menerangkan sebab fragmen yang dilengkapkan memenuhi keperluan.
Dokumentasi FIM rasmi membenarkan bajet token output dan mensyaratkan prom bersama bajet itu kekal dalam konteks model. Ia turut mendokumentasikan jujukan henti dan penstriman kandungan yang dijana. Pilih aliran kerja pelengkapan apabila hasil mesti muat dalam ruang kod, dan aliran kerja perbualan apabila tugas meminta kod bersama penjelasan.
Konteks dan ciri sokongan
Halaman model memberikan tetingkap konteks 128k. Gunakan konteks untuk mengekalkan sumber dan pengisytiharan yang menentukan perubahan yang dimaksudkan, sambil memastikan tugas penyuntingan sebenar jelas. Untuk permintaan pembaikan pepijat, berikan fungsi yang terjejas, input gagal yang konkrit, hasil yang dijangka dan ralat atau tingkah laku yang diperhatikan. Minta pembetulan yang dicadangkan secara berasingan daripada penjelasan dan contohnya.
Halaman itu turut menyenaraikan output berstruktur, panggilan fungsi, output ramalan, soal jawab dokumen, awalan respons dan pemprosesan kelompok bersama keupayaan sembang dan FIM. Untuk hasil semakan kod berstruktur, takrifkan medan seperti simbol yang terjejas, ketidakpadanan yang diperhatikan, perubahan yang dicadangkan dan andaian yang masih memerlukan penjelasan. Panduan output berstruktur Mistral membezakan mod JSON daripada skema tersuai, dengan format JSON yang diingini dinyatakan dalam prom.
Output ramalan ditujukan untuk kandungan yang sebahagian besar jawapannya sudah diketahui. Ia boleh digunakan apabila menjana semula dokumen atau fail kod dengan suntingan terhad sambil mengekalkan kandungan selebihnya. Nyatakan perubahan tepat dan bahan yang mesti dikekalkan. Sebaliknya, awalan respons membekalkan permulaan yang diketahui untuk diteruskan oleh penjanaan; ia berbeza daripada badan penuh yang diketahui mahupun akhiran FIM.
Soalan dokumentasi boleh menggunakan aliran kerja pemprosesan dokumen pembuat untuk menyediakan teks dan struktur melalui OCR sebelum analisis model bahasa. Untuk bahan pengaturcaraan yang sudah tersedia sebagai teks, berikan petikan dokumentasi berkaitan dan tanya syarat yang mengawal pelaksanaan. Kekalkan setiap keperluan yang diekstrak bersama bahagian sumbernya supaya kod atau penjelasan yang dijana kekal berkaitan dengan spesifikasi yang diberikan.
Alat dan hasil praktikal
Panggilan fungsi membolehkan aplikasi menyediakan operasi yang diterangkan dan parameternya. Model menyediakan panggilan, aplikasi melaksanakannya dan hasil yang dikembalikan menjadi konteks untuk jawapan seterusnya. Pembantu kod mungkin menerima hasil carian atau hasil pengiraan melalui kitaran itu, tetapi penyusunan, pengujian atau penerapan perubahan yang dicadangkan masih memerlukan persekitaran pembangunan sekeliling.
Untuk pembetulan praktikal, takrifkan antara muka awam yang mesti kekal serasi dan minta fragmen yang disemak, penjelasan ringkas dan contoh input dengan output yang dijangka. Untuk fungsi yang dijana, nyatakan jenis yang diterima dan keadaan pinggir. Untuk penjelasan, berikan input yang hendak dijejaki supaya jawapan menghubungkan laluan pelaksanaan konkrit dengan nilai pulangannya.
Codestral menghasilkan teks. Ia tidak mewarisi vektor carian kod daripada Codestral Embed, automasi repositori daripada Devstral atau penjanaan imej daripada model visual. Halaman model 2508 yang khusus ini tidak menerbitkan bilangan parameter atau panjang jawapan maksimum berasingan yang boleh dipinjam daripada keluaran lain. Kekalkan edisi bernama, konteks pengekodan dan artifak yang diperlukan semasa menyediakan aliran kerja penyunting atau sembang yang boleh diulang.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/codestral-2508 | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0006 / 1K token Output · Token output $0.0018 / 1K token Input · Bacaan cache $0.00006 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0006 / 1K token Output · Token output $0.0018 / 1K token Input · Bacaan cache $0.00006 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/codestral-2508", "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/codestral-2508',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/codestral-2508',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 mistralai/codestral-2508
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/codestral-2508Codestral 2508 ialah model teks Mistral AI untuk penjanaan kod dan pelengkapan peka konteks. Ia dioptimumkan untuk tugas penyunting yang kerap, termasuk pengisian bahagian tengah dan suntingan berbilang baris, dengan konteks 128k yang dinyatakan oleh pembuat serta ciri sembang, output berstruktur dan alat yang didokumentasikan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Codestral 2508 ialah model pengekodan Mistral AI untuk tugas pelengkapan dan penjanaan yang kerap serta sensitif kepada kependaman. Ia menerima kod sumber dan keperluan bertulis lalu mengembalikan teks yang boleh mengandungi pelaksanaan, pelengkapan, pembetulan atau penjelasan. Edisi bernama 2508 menumpukan konteks penyuntingan semasa pembangun, bukannya model pembenaman atau ejen repositori lengkap dengan sendirinya.
Pelengkapan kod dan kemas kini 2508
Pembuat menyasarkan Codestral untuk pelengkapan pengisian bahagian tengah dan penyuntingan berbilang baris. Keluaran ini menerangkan penambahbaikan dalam tingkah laku pelengkapan, termasuk mengurangkan penjanaan yang berlanjutan tanpa kawalan, bersama penambahbaikan pada kepatuhan arahan dan tugas kod dalam mod sembang. Ini ialah perubahan pada edisi Codestral ini; ciri perolehan maklumat dan ejen autonomi dalam susunan pengekodan sekeliling dimiliki oleh komponen lain yang dinamakan secara berasingan.
Untuk tugas pelengkapan, kekalkan tandatangan fungsi, pengisytiharan dan konteks panggilan yang berkaitan bersama kedudukan kursor. Kenal pasti sama ada hasil yang diingini hanyalah kod yang tiada atau fungsi lengkap yang telah disemak semula. Permintaan gaya penyunting boleh meminta badan gelung yang mengekalkan jenis pulangan sedia ada, mengekalkan nilai pendua dan tidak mengubah input pemanggil. Hasilnya kemudian mempunyai titik sisipan konkrit dan tingkah laku yang ditakrifkan.
Penyediaan pengisian bahagian tengah
Dalam antara muka FIM pembuat, prom membekalkan teks atau kod untuk dilengkapkan dan akhiran pilihan membekalkan bahan selepas ruang kosong. Apabila kedua-duanya diberikan, model mengisi ruang di antaranya. Tanpa akhiran, ia menyambung daripada prom. Ini berbeza daripada permintaan perbualan biasa yang meminta perubahan kod dan penjelasan; setiap gaya penyediaan mentakrifkan kontrak output yang berbeza.
Input pelengkapan ruang kosong yang berguna merangkumi permulaan fungsi, kod yang mesti menyusuli sisipan dan sebarang takrif jenis atau fungsi pembantu yang berkaitan. Kekalkan pengengsotan dan pembatas supaya teks yang dikembalikan boleh dimuatkan ke dalam fragmen sedia ada. Jika tugas hanya memerlukan badan yang tiada, minta badan itu dan bukannya penulisan semula seluruh fail. Soalan sembang berasingan boleh menerangkan sebab fragmen yang dilengkapkan memenuhi keperluan.
Dokumentasi FIM rasmi membenarkan bajet token output dan mensyaratkan prom bersama bajet itu kekal dalam konteks model. Ia turut mendokumentasikan jujukan henti dan penstriman kandungan yang dijana. Pilih aliran kerja pelengkapan apabila hasil mesti muat dalam ruang kod, dan aliran kerja perbualan apabila tugas meminta kod bersama penjelasan.
Konteks dan ciri sokongan
Halaman model memberikan tetingkap konteks 128k. Gunakan konteks untuk mengekalkan sumber dan pengisytiharan yang menentukan perubahan yang dimaksudkan, sambil memastikan tugas penyuntingan sebenar jelas. Untuk permintaan pembaikan pepijat, berikan fungsi yang terjejas, input gagal yang konkrit, hasil yang dijangka dan ralat atau tingkah laku yang diperhatikan. Minta pembetulan yang dicadangkan secara berasingan daripada penjelasan dan contohnya.
Halaman itu turut menyenaraikan output berstruktur, panggilan fungsi, output ramalan, soal jawab dokumen, awalan respons dan pemprosesan kelompok bersama keupayaan sembang dan FIM. Untuk hasil semakan kod berstruktur, takrifkan medan seperti simbol yang terjejas, ketidakpadanan yang diperhatikan, perubahan yang dicadangkan dan andaian yang masih memerlukan penjelasan. Panduan output berstruktur Mistral membezakan mod JSON daripada skema tersuai, dengan format JSON yang diingini dinyatakan dalam prom.
Output ramalan ditujukan untuk kandungan yang sebahagian besar jawapannya sudah diketahui. Ia boleh digunakan apabila menjana semula dokumen atau fail kod dengan suntingan terhad sambil mengekalkan kandungan selebihnya. Nyatakan perubahan tepat dan bahan yang mesti dikekalkan. Sebaliknya, awalan respons membekalkan permulaan yang diketahui untuk diteruskan oleh penjanaan; ia berbeza daripada badan penuh yang diketahui mahupun akhiran FIM.
Soalan dokumentasi boleh menggunakan aliran kerja pemprosesan dokumen pembuat untuk menyediakan teks dan struktur melalui OCR sebelum analisis model bahasa. Untuk bahan pengaturcaraan yang sudah tersedia sebagai teks, berikan petikan dokumentasi berkaitan dan tanya syarat yang mengawal pelaksanaan. Kekalkan setiap keperluan yang diekstrak bersama bahagian sumbernya supaya kod atau penjelasan yang dijana kekal berkaitan dengan spesifikasi yang diberikan.
Alat dan hasil praktikal
Panggilan fungsi membolehkan aplikasi menyediakan operasi yang diterangkan dan parameternya. Model menyediakan panggilan, aplikasi melaksanakannya dan hasil yang dikembalikan menjadi konteks untuk jawapan seterusnya. Pembantu kod mungkin menerima hasil carian atau hasil pengiraan melalui kitaran itu, tetapi penyusunan, pengujian atau penerapan perubahan yang dicadangkan masih memerlukan persekitaran pembangunan sekeliling.
Untuk pembetulan praktikal, takrifkan antara muka awam yang mesti kekal serasi dan minta fragmen yang disemak, penjelasan ringkas dan contoh input dengan output yang dijangka. Untuk fungsi yang dijana, nyatakan jenis yang diterima dan keadaan pinggir. Untuk penjelasan, berikan input yang hendak dijejaki supaya jawapan menghubungkan laluan pelaksanaan konkrit dengan nilai pulangannya.
Codestral menghasilkan teks. Ia tidak mewarisi vektor carian kod daripada Codestral Embed, automasi repositori daripada Devstral atau penjanaan imej daripada model visual. Halaman model 2508 yang khusus ini tidak menerbitkan bilangan parameter atau panjang jawapan maksimum berasingan yang boleh dipinjam daripada keluaran lain. Kekalkan edisi bernama, konteks pengekodan dan artifak yang diperlukan semasa menyediakan aliran kerja penyunting atau sembang yang boleh diulang.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/codestral-2508 | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0006 / 1K token Output · Token output $0.0018 / 1K token Input · Bacaan cache $0.00006 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0006 / 1K token Output · Token output $0.0018 / 1K token Input · Bacaan cache $0.00006 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/codestral-2508",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/codestral-2508', '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/codestral-2508', '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 mistralai/codestral-2508
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Fill a nonmutating loop body\n\nComplete only the missing body in this Python function: 'def doubled(values):\n result = []\n # missing body\n return result'. It must append twice every input value, preserve order and duplicate values, and leave values unchanged. Return the indented insertion followed by assert tests for [2, 2, -1] and []. This is a chat completion request, not a FIM transport request.Only the missing indented loop body, then two tests verifying [4, 4, -2] and an empty result.The insertion fits before return result and never deduplicates or mutates the input.