Ministral 3 3B Instruct 2512 ialah edisi terkecil dalam keluarga Ministral 3 Mistral AI yang dilaraskan untuk mengikuti arahan. Pembuat menyasarkannya untuk aplikasi berasaskan arahan yang ringkas, termasuk kapsyen imej, pengelasan teks, pengekstrakan data, terjemahan dan kandungan pendek. Titik semak yang dikeluarkan menggunakan kejituan FP8 dan menggabungkan pemprosesan teks dengan komponen input visual.
Komponen dan keupayaan model
Kad model menyenaraikan model bahasa dengan 3.4 bilion parameter dan pengekod penglihatan dengan 0.4 bilion parameter. Ia mendokumentasikan tetingkap konteks 256k, dengan panjang terkonfigurasi lalai 262,144 dalam nota penggunaan. Bilangan komponen ini merujuk kepada edisi 3B, bukannya ahli keluarga 8B atau 14B. Model menerima teks dan imej serta menjana teks, termasuk rekod berformat JSON atau cadangan panggilan fungsi.
Pembuat menerangkan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut menekankan kepatuhan kepada prom sistem. Nyatakan bahasa output yang diperlukan serta label atau istilah yang mesti dikekalkan tanpa perubahan. Ini memastikan penjelasan yang diterjemahkan atau rekod yang diekstrak selaras dengan tujuan penggunaan aplikasi.
Pengelasan dan pengekstrakan berfokus
Untuk tugas pengelasan, berikan label yang dibenarkan, peraturan yang membezakannya dan mesej yang hendak dikelaskan. Minta satu label yang dipilih serta penjelasan ringkas berdasarkan mesej yang diberikan. Jika label itu kabur, takrifkan maklumat yang dapat membezakannya dan jangan bergantung pada namanya semata-mata. Ini menghasilkan keputusan ringkas yang boleh digunakan secara konsisten dalam aliran kerja yang lebih besar.
Untuk pengekstrakan, senaraikan medan serta jenisnya dan nyatakan cara mewakili maklumat yang tiada. Permintaan boleh meminta pengecam item, keadaan yang diterangkan secara jelas dan tindakan yang diminta oleh pengguna. Minta ungkapan asal apabila kata-kata yang tepat penting, atau nilai ternormal apabila aplikasi menyediakan peraturan penormalan. Output JSON menyusun hasilnya; reka bentuk medan kekal sebahagian daripada tugas dan bukannya skema sejagat terbina dalam.
Kad model turut menyebut penghasilan kapsyen imej dan kandungan pendek. Untuk kapsyen, tentukan aspek imej yang hendak diterangkan dan khalayaknya. Untuk penjelasan ringkas, berikan fakta yang perlu dikekalkan dan panjang yang diingini. Jawapan berbentuk sokongan boleh menggunakan soalan asal dan panduan yang diberikan untuk menghasilkan langkah seterusnya yang ringkas berserta syarat yang menjadikannya terpakai.
Penyediaan visual dan berbilang bahasa
Padankan imej dengan soalan teks yang jelas. Untuk medan dokumen, kekalkan label, nilai dan konteks sekeliling yang diperlukan untuk mentafsirkannya. Untuk perihalan objek, nyatakan ciri yang kelihatan yang penting. Pembuat mengesyorkan perkadaran imej hampir 1:1 dan mengelakkan input yang terlalu nipis atau lebar; pangkas mengikut keperluan tanpa membuang bukti yang menjadi asas soalan.
Untuk terjemahan, berikan teks asal, bahasa akhir dan sebarang senarai istilah. Minta petikan terjemahan secara berasingan daripada penjelasan pilihan. Tugas pengelasan berbilang bahasa boleh mengekalkan label aplikasi tanpa perubahan sambil menerangkan label yang dipilih dalam bahasa pembaca. Ini ialah output yang ditentukan dengan jelas, bukannya permintaan untuk membincangkan mesej atau imej secara umum.
Alat dan tetapan yang disyorkan
Panggilan fungsi asli membolehkan aplikasi menghubungkan perbualan dengan operasi yang diterangkan. Model menyediakan argumen fungsi, aplikasi melaksanakan fungsi tersebut dan hasilnya menjadi maklumat untuk jawapan seterusnya. Carian boleh membekalkan nilai yang tiada, atau alat pengiraan boleh beroperasi pada nilai yang dikenal pasti daripada imej. Model teks itu sendiri tidak melaksanakan fungsi hanya dengan menghasilkan nama dan argumennya.
Pembuat mengesyorkan arahan sistem yang mentakrifkan persekitaran dan kes penggunaan, termasuk panduan alat. Pastikan perihalan alat jelas dan hadkan setnya kepada operasi berkaitan yang paling minimum. Untuk pembantu dengan skop sempit, tugas pengekstrakan atau carian yang jelas boleh lebih mudah ditafsirkan berbanding prom yang merangkumi banyak fungsi tidak berkaitan tanpa peraturan pemilihan.
Kad model memberikan panduan suhu rendah: di bawah 0.1 untuk kegunaan harian dan kegunaan seumpama produksi, serta suhu permulaan 0.1 untuk kebanyakan kes penggunaan dalam nota pensampelan yang berasingan. Nilai lebih tinggi boleh diterokai untuk kandungan kreatif. Syor ini mempunyai skop dinyatakan yang berbeza; ia tidak menjamin bahawa satu tetapan pensampelan menjadikan setiap nilai yang diekstrak atau pengelasan betul.
Batas edisi dan konteks
Ministral 3 menyediakan keluaran Base, Instruct dan Reasoning yang berasingan pada setiap saiz model. Entri ini mengenal pasti titik semak Instruct 2512, bukannya mod penaakulan yang diaktifkan secara automatik atau model asas yang telah dilatih awal. Pembuat menyenaraikan pengkhususan dan penalaan halus sebagai kemungkinan aplikasi, manakala tugas arahan semasa masih memerlukan input, peraturan dan output yang ditakrifkan dengan jelas.
Kekalkan bahan sumber dan perbualan yang berkaitan dalam konteks terkonfigurasi dan minta hasil ringkas yang diperlukan oleh langkah aplikasi seterusnya. Nota penggunaan membenarkan pengurangan panjang konteks terkonfigurasi untuk tugas yang tidak memerlukan keseluruhan tetingkap. Contoh penjanaan 512 token dan peruntukan penjanaan contoh yang besar bukanlah kapasiti output maksimum yang didokumentasikan secara berasingan. Penjanaan imej, output audio dan tindakan luaran memerlukan komponen lain di luar model yang menghasilkan teks ini.
", "aboutText": "Ministral 3 3B Instruct 2512 ialah edisi terkecil dalam keluarga Ministral 3 Mistral AI yang dilaraskan untuk mengikuti arahan. Pembuat menyasarkannya untuk aplikasi berasaskan arahan yang ringkas, termasuk kapsyen imej, pengelasan teks, pengekstrakan data, terjemahan dan kandungan pendek. Titik semak yang dikeluarkan menggunakan kejituan FP8 dan menggabungkan pemprosesan teks dengan komponen input visual.\n\nKomponen dan keupayaan model\n\nKad model menyenaraikan model bahasa dengan 3.4 bilion parameter dan pengekod penglihatan dengan 0.4 bilion parameter. Ia mendokumentasikan tetingkap konteks 256k, dengan panjang terkonfigurasi lalai 262,144 dalam nota penggunaan. Bilangan komponen ini merujuk kepada edisi 3B, bukannya ahli keluarga 8B atau 14B. Model menerima teks dan imej serta menjana teks, termasuk rekod berformat JSON atau cadangan panggilan fungsi.\n\nPembuat menerangkan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut menekankan kepatuhan kepada prom sistem. Nyatakan bahasa output yang diperlukan serta label atau istilah yang mesti dikekalkan tanpa perubahan. Ini memastikan penjelasan yang diterjemahkan atau rekod yang diekstrak selaras dengan tujuan penggunaan aplikasi.\n\nPengelasan dan pengekstrakan berfokus\n\nUntuk tugas pengelasan, berikan label yang dibenarkan, peraturan yang membezakannya dan mesej yang hendak dikelaskan. Minta satu label yang dipilih serta penjelasan ringkas berdasarkan mesej yang diberikan. Jika label itu kabur, takrifkan maklumat yang dapat membezakannya dan jangan bergantung pada namanya semata-mata. Ini menghasilkan keputusan ringkas yang boleh digunakan secara konsisten dalam aliran kerja yang lebih besar.\n\nUntuk pengekstrakan, senaraikan medan serta jenisnya dan nyatakan cara mewakili maklumat yang tiada. Permintaan boleh meminta pengecam item, keadaan yang diterangkan secara jelas dan tindakan yang diminta oleh pengguna. Minta ungkapan asal apabila kata-kata yang tepat penting, atau nilai ternormal apabila aplikasi menyediakan peraturan penormalan. Output JSON menyusun hasilnya; reka bentuk medan kekal sebahagian daripada tugas dan bukannya skema sejagat terbina dalam.\n\nKad model turut menyebut penghasilan kapsyen imej dan kandungan pendek. Untuk kapsyen, tentukan aspek imej yang hendak diterangkan dan khalayaknya. Untuk penjelasan ringkas, berikan fakta yang perlu dikekalkan dan panjang yang diingini. Jawapan berbentuk sokongan boleh menggunakan soalan asal dan panduan yang diberikan untuk menghasilkan langkah seterusnya yang ringkas berserta syarat yang menjadikannya terpakai.\n\nPenyediaan visual dan berbilang bahasa\n\nPadankan imej dengan soalan teks yang jelas. Untuk medan dokumen, kekalkan label, nilai dan konteks sekeliling yang diperlukan untuk mentafsirkannya. Untuk perihalan objek, nyatakan ciri yang kelihatan yang penting. Pembuat mengesyorkan perkadaran imej hampir 1:1 dan mengelakkan input yang terlalu nipis atau lebar; pangkas mengikut keperluan tanpa membuang bukti yang menjadi asas soalan.\n\nUntuk terjemahan, berikan teks asal, bahasa akhir dan sebarang senarai istilah. Minta petikan terjemahan secara berasingan daripada penjelasan pilihan. Tugas pengelasan berbilang bahasa boleh mengekalkan label aplikasi tanpa perubahan sambil menerangkan label yang dipilih dalam bahasa pembaca. Ini ialah output yang ditentukan dengan jelas, bukannya permintaan untuk membincangkan mesej atau imej secara umum.\n\nAlat dan tetapan yang disyorkan\n\nPanggilan fungsi asli membolehkan aplikasi menghubungkan perbualan dengan operasi yang diterangkan. Model menyediakan argumen fungsi, aplikasi melaksanakan fungsi tersebut dan hasilnya menjadi maklumat untuk jawapan seterusnya. Carian boleh membekalkan nilai yang tiada, atau alat pengiraan boleh beroperasi pada nilai yang dikenal pasti daripada imej. Model teks itu sendiri tidak melaksanakan fungsi hanya dengan menghasilkan nama dan argumennya.\n\nPembuat mengesyorkan arahan sistem yang mentakrifkan persekitaran dan kes penggunaan, termasuk panduan alat. Pastikan perihalan alat jelas dan hadkan setnya kepada operasi berkaitan yang paling minimum. Untuk pembantu dengan skop sempit, tugas pengekstrakan atau carian yang jelas boleh lebih mudah ditafsirkan berbanding prom yang merangkumi banyak fungsi tidak berkaitan tanpa peraturan pemilihan.\n\nKad model memberikan panduan suhu rendah: di bawah 0.1 untuk kegunaan harian dan kegunaan seumpama produksi, serta suhu permulaan 0.1 untuk kebanyakan kes penggunaan dalam nota pensampelan yang berasingan. Nilai lebih tinggi boleh diterokai untuk kandungan kreatif. Syor ini mempunyai skop dinyatakan yang berbeza; ia tidak menjamin bahawa satu tetapan pensampelan menjadikan setiap nilai yang diekstrak atau pengelasan betul.\n\nBatas edisi dan konteks\n\nMinistral 3 menyediakan keluaran Base, Instruct dan Reasoning yang berasingan pada setiap saiz model. Entri ini mengenal pasti titik semak Instruct 2512, bukannya mod penaakulan yang diaktifkan secara automatik atau model asas yang telah dilatih awal. Pembuat menyenaraikan pengkhususan dan penalaan halus sebagai kemungkinan aplikasi, manakala tugas arahan semasa masih memerlukan input, peraturan dan output yang ditakrifkan dengan jelas.\n\nKekalkan bahan sumber dan perbualan yang berkaitan dalam konteks terkonfigurasi dan minta hasil ringkas yang diperlukan oleh langkah aplikasi seterusnya. Nota penggunaan membenarkan pengurangan panjang konteks terkonfigurasi untuk tugas yang tidak memerlukan keseluruhan tetingkap. Contoh penjanaan 512 token dan peruntukan penjanaan contoh yang besar bukanlah kapasiti output maksimum yang didokumentasikan secara berasingan. Penjanaan imej, output audio dan tindakan luaran memerlukan komponen lain di luar model yang menghasilkan teks ini.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 ialah model teks dan imej berbilang bahasa yang ringkas untuk pengelasan, pengekstrakan, kapsyen imej dan kandungan pendek. Komponen bahasanya yang bersaiz 3.4B dan pengekod penglihatan 0.4B menyokong arahan sistem, JSON, panggilan fungsi dan konteks 256k yang dinyatakan oleh pembuat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Ministral 3 3B Instruct 2512 ialah edisi terkecil dalam keluarga Ministral 3 Mistral AI yang dilaraskan untuk mengikuti arahan. Pembuat menyasarkannya untuk aplikasi berasaskan arahan yang ringkas, termasuk kapsyen imej, pengelasan teks, pengekstrakan data, terjemahan dan kandungan pendek. Titik semak yang dikeluarkan menggunakan kejituan FP8 dan menggabungkan pemprosesan teks dengan komponen input visual.
Komponen dan keupayaan model
Kad model menyenaraikan model bahasa dengan 3.4 bilion parameter dan pengekod penglihatan dengan 0.4 bilion parameter. Ia mendokumentasikan tetingkap konteks 256k, dengan panjang terkonfigurasi lalai 262,144 dalam nota penggunaan. Bilangan komponen ini merujuk kepada edisi 3B, bukannya ahli keluarga 8B atau 14B. Model menerima teks dan imej serta menjana teks, termasuk rekod berformat JSON atau cadangan panggilan fungsi.
Pembuat menerangkan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut menekankan kepatuhan kepada prom sistem. Nyatakan bahasa output yang diperlukan serta label atau istilah yang mesti dikekalkan tanpa perubahan. Ini memastikan penjelasan yang diterjemahkan atau rekod yang diekstrak selaras dengan tujuan penggunaan aplikasi.
Pengelasan dan pengekstrakan berfokus
Untuk tugas pengelasan, berikan label yang dibenarkan, peraturan yang membezakannya dan mesej yang hendak dikelaskan. Minta satu label yang dipilih serta penjelasan ringkas berdasarkan mesej yang diberikan. Jika label itu kabur, takrifkan maklumat yang dapat membezakannya dan jangan bergantung pada namanya semata-mata. Ini menghasilkan keputusan ringkas yang boleh digunakan secara konsisten dalam aliran kerja yang lebih besar.
Untuk pengekstrakan, senaraikan medan serta jenisnya dan nyatakan cara mewakili maklumat yang tiada. Permintaan boleh meminta pengecam item, keadaan yang diterangkan secara jelas dan tindakan yang diminta oleh pengguna. Minta ungkapan asal apabila kata-kata yang tepat penting, atau nilai ternormal apabila aplikasi menyediakan peraturan penormalan. Output JSON menyusun hasilnya; reka bentuk medan kekal sebahagian daripada tugas dan bukannya skema sejagat terbina dalam.
Kad model turut menyebut penghasilan kapsyen imej dan kandungan pendek. Untuk kapsyen, tentukan aspek imej yang hendak diterangkan dan khalayaknya. Untuk penjelasan ringkas, berikan fakta yang perlu dikekalkan dan panjang yang diingini. Jawapan berbentuk sokongan boleh menggunakan soalan asal dan panduan yang diberikan untuk menghasilkan langkah seterusnya yang ringkas berserta syarat yang menjadikannya terpakai.
Penyediaan visual dan berbilang bahasa
Padankan imej dengan soalan teks yang jelas. Untuk medan dokumen, kekalkan label, nilai dan konteks sekeliling yang diperlukan untuk mentafsirkannya. Untuk perihalan objek, nyatakan ciri yang kelihatan yang penting. Pembuat mengesyorkan perkadaran imej hampir 1:1 dan mengelakkan input yang terlalu nipis atau lebar; pangkas mengikut keperluan tanpa membuang bukti yang menjadi asas soalan.
Untuk terjemahan, berikan teks asal, bahasa akhir dan sebarang senarai istilah. Minta petikan terjemahan secara berasingan daripada penjelasan pilihan. Tugas pengelasan berbilang bahasa boleh mengekalkan label aplikasi tanpa perubahan sambil menerangkan label yang dipilih dalam bahasa pembaca. Ini ialah output yang ditentukan dengan jelas, bukannya permintaan untuk membincangkan mesej atau imej secara umum.
Alat dan tetapan yang disyorkan
Panggilan fungsi asli membolehkan aplikasi menghubungkan perbualan dengan operasi yang diterangkan. Model menyediakan argumen fungsi, aplikasi melaksanakan fungsi tersebut dan hasilnya menjadi maklumat untuk jawapan seterusnya. Carian boleh membekalkan nilai yang tiada, atau alat pengiraan boleh beroperasi pada nilai yang dikenal pasti daripada imej. Model teks itu sendiri tidak melaksanakan fungsi hanya dengan menghasilkan nama dan argumennya.
Pembuat mengesyorkan arahan sistem yang mentakrifkan persekitaran dan kes penggunaan, termasuk panduan alat. Pastikan perihalan alat jelas dan hadkan setnya kepada operasi berkaitan yang paling minimum. Untuk pembantu dengan skop sempit, tugas pengekstrakan atau carian yang jelas boleh lebih mudah ditafsirkan berbanding prom yang merangkumi banyak fungsi tidak berkaitan tanpa peraturan pemilihan.
Kad model memberikan panduan suhu rendah: di bawah 0.1 untuk kegunaan harian dan kegunaan seumpama produksi, serta suhu permulaan 0.1 untuk kebanyakan kes penggunaan dalam nota pensampelan yang berasingan. Nilai lebih tinggi boleh diterokai untuk kandungan kreatif. Syor ini mempunyai skop dinyatakan yang berbeza; ia tidak menjamin bahawa satu tetapan pensampelan menjadikan setiap nilai yang diekstrak atau pengelasan betul.
Batas edisi dan konteks
Ministral 3 menyediakan keluaran Base, Instruct dan Reasoning yang berasingan pada setiap saiz model. Entri ini mengenal pasti titik semak Instruct 2512, bukannya mod penaakulan yang diaktifkan secara automatik atau model asas yang telah dilatih awal. Pembuat menyenaraikan pengkhususan dan penalaan halus sebagai kemungkinan aplikasi, manakala tugas arahan semasa masih memerlukan input, peraturan dan output yang ditakrifkan dengan jelas.
Kekalkan bahan sumber dan perbualan yang berkaitan dalam konteks terkonfigurasi dan minta hasil ringkas yang diperlukan oleh langkah aplikasi seterusnya. Nota penggunaan membenarkan pengurangan panjang konteks terkonfigurasi untuk tugas yang tidak memerlukan keseluruhan tetingkap. Contoh penjanaan 512 token dan peruntukan penjanaan contoh yang besar bukanlah kapasiti output maksimum yang didokumentasikan secara berasingan. Penjanaan imej, output audio dan tindakan luaran memerlukan komponen lain di luar model yang menghasilkan teks ini.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/ministral-3b-2512 | 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 $0.00066 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache $0 / 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 $0.00066 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0.00002 / 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": "mistralai/ministral-3b-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/ministral-3b-2512
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 ialah model teks dan imej berbilang bahasa yang ringkas untuk pengelasan, pengekstrakan, kapsyen imej dan kandungan pendek. Komponen bahasanya yang bersaiz 3.4B dan pengekod penglihatan 0.4B menyokong arahan sistem, JSON, panggilan fungsi dan konteks 256k yang dinyatakan oleh pembuat.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Ministral 3 3B Instruct 2512 ialah edisi terkecil dalam keluarga Ministral 3 Mistral AI yang dilaraskan untuk mengikuti arahan. Pembuat menyasarkannya untuk aplikasi berasaskan arahan yang ringkas, termasuk kapsyen imej, pengelasan teks, pengekstrakan data, terjemahan dan kandungan pendek. Titik semak yang dikeluarkan menggunakan kejituan FP8 dan menggabungkan pemprosesan teks dengan komponen input visual.
Komponen dan keupayaan model
Kad model menyenaraikan model bahasa dengan 3.4 bilion parameter dan pengekod penglihatan dengan 0.4 bilion parameter. Ia mendokumentasikan tetingkap konteks 256k, dengan panjang terkonfigurasi lalai 262,144 dalam nota penggunaan. Bilangan komponen ini merujuk kepada edisi 3B, bukannya ahli keluarga 8B atau 14B. Model menerima teks dan imej serta menjana teks, termasuk rekod berformat JSON atau cadangan panggilan fungsi.
Pembuat menerangkan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut menekankan kepatuhan kepada prom sistem. Nyatakan bahasa output yang diperlukan serta label atau istilah yang mesti dikekalkan tanpa perubahan. Ini memastikan penjelasan yang diterjemahkan atau rekod yang diekstrak selaras dengan tujuan penggunaan aplikasi.
Pengelasan dan pengekstrakan berfokus
Untuk tugas pengelasan, berikan label yang dibenarkan, peraturan yang membezakannya dan mesej yang hendak dikelaskan. Minta satu label yang dipilih serta penjelasan ringkas berdasarkan mesej yang diberikan. Jika label itu kabur, takrifkan maklumat yang dapat membezakannya dan jangan bergantung pada namanya semata-mata. Ini menghasilkan keputusan ringkas yang boleh digunakan secara konsisten dalam aliran kerja yang lebih besar.
Untuk pengekstrakan, senaraikan medan serta jenisnya dan nyatakan cara mewakili maklumat yang tiada. Permintaan boleh meminta pengecam item, keadaan yang diterangkan secara jelas dan tindakan yang diminta oleh pengguna. Minta ungkapan asal apabila kata-kata yang tepat penting, atau nilai ternormal apabila aplikasi menyediakan peraturan penormalan. Output JSON menyusun hasilnya; reka bentuk medan kekal sebahagian daripada tugas dan bukannya skema sejagat terbina dalam.
Kad model turut menyebut penghasilan kapsyen imej dan kandungan pendek. Untuk kapsyen, tentukan aspek imej yang hendak diterangkan dan khalayaknya. Untuk penjelasan ringkas, berikan fakta yang perlu dikekalkan dan panjang yang diingini. Jawapan berbentuk sokongan boleh menggunakan soalan asal dan panduan yang diberikan untuk menghasilkan langkah seterusnya yang ringkas berserta syarat yang menjadikannya terpakai.
Penyediaan visual dan berbilang bahasa
Padankan imej dengan soalan teks yang jelas. Untuk medan dokumen, kekalkan label, nilai dan konteks sekeliling yang diperlukan untuk mentafsirkannya. Untuk perihalan objek, nyatakan ciri yang kelihatan yang penting. Pembuat mengesyorkan perkadaran imej hampir 1:1 dan mengelakkan input yang terlalu nipis atau lebar; pangkas mengikut keperluan tanpa membuang bukti yang menjadi asas soalan.
Untuk terjemahan, berikan teks asal, bahasa akhir dan sebarang senarai istilah. Minta petikan terjemahan secara berasingan daripada penjelasan pilihan. Tugas pengelasan berbilang bahasa boleh mengekalkan label aplikasi tanpa perubahan sambil menerangkan label yang dipilih dalam bahasa pembaca. Ini ialah output yang ditentukan dengan jelas, bukannya permintaan untuk membincangkan mesej atau imej secara umum.
Alat dan tetapan yang disyorkan
Panggilan fungsi asli membolehkan aplikasi menghubungkan perbualan dengan operasi yang diterangkan. Model menyediakan argumen fungsi, aplikasi melaksanakan fungsi tersebut dan hasilnya menjadi maklumat untuk jawapan seterusnya. Carian boleh membekalkan nilai yang tiada, atau alat pengiraan boleh beroperasi pada nilai yang dikenal pasti daripada imej. Model teks itu sendiri tidak melaksanakan fungsi hanya dengan menghasilkan nama dan argumennya.
Pembuat mengesyorkan arahan sistem yang mentakrifkan persekitaran dan kes penggunaan, termasuk panduan alat. Pastikan perihalan alat jelas dan hadkan setnya kepada operasi berkaitan yang paling minimum. Untuk pembantu dengan skop sempit, tugas pengekstrakan atau carian yang jelas boleh lebih mudah ditafsirkan berbanding prom yang merangkumi banyak fungsi tidak berkaitan tanpa peraturan pemilihan.
Kad model memberikan panduan suhu rendah: di bawah 0.1 untuk kegunaan harian dan kegunaan seumpama produksi, serta suhu permulaan 0.1 untuk kebanyakan kes penggunaan dalam nota pensampelan yang berasingan. Nilai lebih tinggi boleh diterokai untuk kandungan kreatif. Syor ini mempunyai skop dinyatakan yang berbeza; ia tidak menjamin bahawa satu tetapan pensampelan menjadikan setiap nilai yang diekstrak atau pengelasan betul.
Batas edisi dan konteks
Ministral 3 menyediakan keluaran Base, Instruct dan Reasoning yang berasingan pada setiap saiz model. Entri ini mengenal pasti titik semak Instruct 2512, bukannya mod penaakulan yang diaktifkan secara automatik atau model asas yang telah dilatih awal. Pembuat menyenaraikan pengkhususan dan penalaan halus sebagai kemungkinan aplikasi, manakala tugas arahan semasa masih memerlukan input, peraturan dan output yang ditakrifkan dengan jelas.
Kekalkan bahan sumber dan perbualan yang berkaitan dalam konteks terkonfigurasi dan minta hasil ringkas yang diperlukan oleh langkah aplikasi seterusnya. Nota penggunaan membenarkan pengurangan panjang konteks terkonfigurasi untuk tugas yang tidak memerlukan keseluruhan tetingkap. Contoh penjanaan 512 token dan peruntukan penjanaan contoh yang besar bukanlah kapasiti output maksimum yang didokumentasikan secara berasingan. Penjanaan imej, output audio dan tindakan luaran memerlukan komponen lain di luar model yang menghasilkan teks ini.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/ministral-3b-2512 | 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 $0.00066 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache $0 / 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 $0.00066 / 1K token Output · Token output $0.00066 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/ministral-3b-2512
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.