Ministral 3 8B Instruct 2512 ialah model bersaiz pertengahan dalam keluarga Ministral 3 Mistral AI yang dilaraskan untuk mengikuti arahan. Titik semak yang dikeluarkan menjalani pascalatihan untuk tugas sembang dan arahan dalam kejituan FP8. Ia menggabungkan komponen bahasa dengan pengekod penglihatan, menerima teks dan imej serta mengembalikan teks dan bukannya artifak imej atau audio.
Seni bina dan ciri utama
Pembuat menyenaraikan model bahasa dengan 8.4 bilion parameter dan pengekod penglihatan dengan 0.4 bilion parameter. Tetingkap konteksnya diterangkan sebagai 256k, dan nota penggunaan yang diterbitkan menggunakan panjang terkonfigurasi lalai 262,144. Ini menerangkan edisi bersaiz 8B ini; ahli keluarga 3B yang lebih kecil dan 14B yang lebih besar mengekalkan saiz komponen dan konfigurasinya sendiri.
Penglihatan memperluas input model melangkaui perbualan bertulis. Imej dokumen boleh dipadankan dengan soalan tentang medan, perenggan atau hubungan yang kelihatan yang dipilih. Tangkapan skrin boleh dipadankan dengan matlamat pengguna dan permintaan untuk mengenal pasti kawalan berkaitan. Minta pemerhatian yang menyokong setiap kesimpulan apabila jawapan bergantung pada butiran visual, dan kekalkan tajuk, label serta unit yang diperlukan untuk mentafsirkan potongan.
Kad model menerangkan kerja berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut mengenal pasti kepatuhan kepada arahan sistem, panggilan fungsi asli dan output JSON. Takrifkan bahasa akhir, peranan dan keperluan output secara jelas dan jangan biarkan model menyimpulkan artifak yang dimaksudkan daripada input besar.
Tugas dokumen, perbualan dan ejen
Kes penggunaan pembuat merangkumi antara muka sembang, pembantu harian, perihalan imej dan dokumen, terjemahan, penjanaan kandungan dan ejen khusus. Untuk pembantu dokumen, berikan halaman dan nyatakan maklumat yang perlu dikembalikan. Permintaan pengekstrakan boleh menamakan label medan, jenis yang dijangka dan cara menangani nilai yang tiada. Jawapan yang berguna mungkin mengandungi pengecam dokumen, nilai yang diekstrak dan penjelasan ringkas yang terikat pada sumber yang kelihatan.
Untuk perbualan berterusan, kekalkan jawapan terdahulu yang relevan dan tanya soalan susulan berfokus. Pengguna boleh terlebih dahulu meminta ringkasan dokumen dan kemudian bertanya pernyataan yang menyokong satu kesimpulan. Ini mengubah output yang diperlukan daripada gambaran umum kepada penjelasan berhubung sumber sambil mengekalkan bahan asal dan tujuan dialog.
Untuk penyuntingan berbilang bahasa, berikan petikan asal, pembaca yang dimaksudkan dan senarai istilah. Minta versi semakan yang mengekalkan nama, syarat dan unit, diikuti penjelasan ringkas tentang perubahan jika berguna. Untuk penjanaan kandungan, nyatakan khalayak dan fakta yang perlu muncul sebelum meminta draf pendek atau ungkapan alternatif.
Dalam tugas ejen, aplikasi menyediakan alat dan parameternya. Model boleh memilih fungsi dan menyediakan argumen, manakala aplikasi melaksanakannya dan mengembalikan hasil. Contoh fungsi dalam kad model menggabungkan soalan imej dengan alat pengiraan. Kekalkan hasil alat secara berasingan daripada panggilan yang dicadangkan supaya jawapan bertulis seterusnya menggunakan maklumat yang benar-benar dikembalikan oleh operasi.
Penyediaan dan tetapan yang disyorkan
Pembuat mengesyorkan arahan sistem yang menerangkan persekitaran, kes penggunaan dan cara alat perlu digunakan. Pastikan set alat ditakrifkan dengan baik dan terhad kepada minimum yang diperlukan untuk tugas. Aliran kerja carian kecil boleh menawarkan fungsi yang relevan untuk soalan semasa, dengan argumen wajib yang dinamakan secara jelas, dan bukannya membentangkan koleksi besar operasi yang tidak berkaitan.
Untuk kegunaan harian dan kegunaan seumpama produksi, kad model mengesyorkan suhu di bawah 0.1, dengan suhu lebih tinggi tersedia untuk penerokaan kreatif. Anggap ini sebagai syor untuk aliran kerja arahan, bukannya kawalan mod penaakulan yang berasingan. Keluarga ini mempunyai titik semak Base, Instruct dan Reasoning yang berbeza; entri ini ialah edisi Instruct 2512, bukannya keluaran Reasoning berasingan dengan saiz yang sama.
Untuk imej, pembuat mengesyorkan nisbah bidang hampir 1:1 dan mengelakkan input yang terlalu nipis atau terlalu lebar. Pangkas apabila diperlukan sambil mengekalkan label dan konteks yang diperlukan oleh soalan. Jika halaman mengandungi beberapa kawasan tidak berkaitan, kenal pasti bahagian yang hendak diperiksa dan hasil yang perlu dikembalikan. Imej yang jelas dan berfokus lebih berguna daripada meminta model meneka butiran kecil mana dalam halaman yang luas yang penting.
Batas konteks dan edisi
Rancang teks, imej, perbualan dan jawapan yang diingini mengikut konteks terkonfigurasi. Nota penggunaan secara jelas membenarkan pengurangan panjang model terkonfigurasi apabila kurang konteks diperlukan, jadi tetingkap penuh bukan arahan untuk mengisi setiap permintaan dengan semua bahan yang tersedia. Contoh penjanaan 512 token dalam kad model hanyalah tetapan contoh, dan sumber yang dibaca tidak menetapkan had keras panjang jawapan maksimum berasingan.
Titik semak FP8 Instruct, keluaran Base yang dilatih awal dan keluaran Reasoning ialah edisi berasingan. Pembuat turut menerangkan pengkhususan dan penalaan halus sebagai kes penggunaan. Kekalkan titik semak bernama dan pentokennya semasa menyediakan perbualan, dan pastikan penjanaan teks berbeza daripada akses repositori, pelaksanaan fungsi atau tindakan lain yang dibekalkan oleh aplikasi sekeliling.
", "aboutText": "Ministral 3 8B Instruct 2512 ialah model bersaiz pertengahan dalam keluarga Ministral 3 Mistral AI yang dilaraskan untuk mengikuti arahan. Titik semak yang dikeluarkan menjalani pascalatihan untuk tugas sembang dan arahan dalam kejituan FP8. Ia menggabungkan komponen bahasa dengan pengekod penglihatan, menerima teks dan imej serta mengembalikan teks dan bukannya artifak imej atau audio.\n\nSeni bina dan ciri utama\n\nPembuat menyenaraikan model bahasa dengan 8.4 bilion parameter dan pengekod penglihatan dengan 0.4 bilion parameter. Tetingkap konteksnya diterangkan sebagai 256k, dan nota penggunaan yang diterbitkan menggunakan panjang terkonfigurasi lalai 262,144. Ini menerangkan edisi bersaiz 8B ini; ahli keluarga 3B yang lebih kecil dan 14B yang lebih besar mengekalkan saiz komponen dan konfigurasinya sendiri.\n\nPenglihatan memperluas input model melangkaui perbualan bertulis. Imej dokumen boleh dipadankan dengan soalan tentang medan, perenggan atau hubungan yang kelihatan yang dipilih. Tangkapan skrin boleh dipadankan dengan matlamat pengguna dan permintaan untuk mengenal pasti kawalan berkaitan. Minta pemerhatian yang menyokong setiap kesimpulan apabila jawapan bergantung pada butiran visual, dan kekalkan tajuk, label serta unit yang diperlukan untuk mentafsirkan potongan.\n\nKad model menerangkan kerja berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut mengenal pasti kepatuhan kepada arahan sistem, panggilan fungsi asli dan output JSON. Takrifkan bahasa akhir, peranan dan keperluan output secara jelas dan jangan biarkan model menyimpulkan artifak yang dimaksudkan daripada input besar.\n\nTugas dokumen, perbualan dan ejen\n\nKes penggunaan pembuat merangkumi antara muka sembang, pembantu harian, perihalan imej dan dokumen, terjemahan, penjanaan kandungan dan ejen khusus. Untuk pembantu dokumen, berikan halaman dan nyatakan maklumat yang perlu dikembalikan. Permintaan pengekstrakan boleh menamakan label medan, jenis yang dijangka dan cara menangani nilai yang tiada. Jawapan yang berguna mungkin mengandungi pengecam dokumen, nilai yang diekstrak dan penjelasan ringkas yang terikat pada sumber yang kelihatan.\n\nUntuk perbualan berterusan, kekalkan jawapan terdahulu yang relevan dan tanya soalan susulan berfokus. Pengguna boleh terlebih dahulu meminta ringkasan dokumen dan kemudian bertanya pernyataan yang menyokong satu kesimpulan. Ini mengubah output yang diperlukan daripada gambaran umum kepada penjelasan berhubung sumber sambil mengekalkan bahan asal dan tujuan dialog.\n\nUntuk penyuntingan berbilang bahasa, berikan petikan asal, pembaca yang dimaksudkan dan senarai istilah. Minta versi semakan yang mengekalkan nama, syarat dan unit, diikuti penjelasan ringkas tentang perubahan jika berguna. Untuk penjanaan kandungan, nyatakan khalayak dan fakta yang perlu muncul sebelum meminta draf pendek atau ungkapan alternatif.\n\nDalam tugas ejen, aplikasi menyediakan alat dan parameternya. Model boleh memilih fungsi dan menyediakan argumen, manakala aplikasi melaksanakannya dan mengembalikan hasil. Contoh fungsi dalam kad model menggabungkan soalan imej dengan alat pengiraan. Kekalkan hasil alat secara berasingan daripada panggilan yang dicadangkan supaya jawapan bertulis seterusnya menggunakan maklumat yang benar-benar dikembalikan oleh operasi.\n\nPenyediaan dan tetapan yang disyorkan\n\nPembuat mengesyorkan arahan sistem yang menerangkan persekitaran, kes penggunaan dan cara alat perlu digunakan. Pastikan set alat ditakrifkan dengan baik dan terhad kepada minimum yang diperlukan untuk tugas. Aliran kerja carian kecil boleh menawarkan fungsi yang relevan untuk soalan semasa, dengan argumen wajib yang dinamakan secara jelas, dan bukannya membentangkan koleksi besar operasi yang tidak berkaitan.\n\nUntuk kegunaan harian dan kegunaan seumpama produksi, kad model mengesyorkan suhu di bawah 0.1, dengan suhu lebih tinggi tersedia untuk penerokaan kreatif. Anggap ini sebagai syor untuk aliran kerja arahan, bukannya kawalan mod penaakulan yang berasingan. Keluarga ini mempunyai titik semak Base, Instruct dan Reasoning yang berbeza; entri ini ialah edisi Instruct 2512, bukannya keluaran Reasoning berasingan dengan saiz yang sama.\n\nUntuk imej, pembuat mengesyorkan nisbah bidang hampir 1:1 dan mengelakkan input yang terlalu nipis atau terlalu lebar. Pangkas apabila diperlukan sambil mengekalkan label dan konteks yang diperlukan oleh soalan. Jika halaman mengandungi beberapa kawasan tidak berkaitan, kenal pasti bahagian yang hendak diperiksa dan hasil yang perlu dikembalikan. Imej yang jelas dan berfokus lebih berguna daripada meminta model meneka butiran kecil mana dalam halaman yang luas yang penting.\n\nBatas konteks dan edisi\n\nRancang teks, imej, perbualan dan jawapan yang diingini mengikut konteks terkonfigurasi. Nota penggunaan secara jelas membenarkan pengurangan panjang model terkonfigurasi apabila kurang konteks diperlukan, jadi tetingkap penuh bukan arahan untuk mengisi setiap permintaan dengan semua bahan yang tersedia. Contoh penjanaan 512 token dalam kad model hanyalah tetapan contoh, dan sumber yang dibaca tidak menetapkan had keras panjang jawapan maksimum berasingan.\n\nTitik semak FP8 Instruct, keluaran Base yang dilatih awal dan keluaran Reasoning ialah edisi berasingan. Pembuat turut menerangkan pengkhususan dan penalaan halus sebagai kes penggunaan. Kekalkan titik semak bernama dan pentokennya semasa menyediakan perbualan, dan pastikan penjanaan teks berbeza daripada akses repositori, pelaksanaan fungsi atau tindakan lain yang dibekalkan oleh aplikasi sekeliling.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 ialah model arahan teks dan imej berbilang bahasa dengan komponen bahasa 8.4B dan pengekod penglihatan 0.4B. Ia menyokong konteks 256k yang dinyatakan oleh pembuat, arahan sistem, JSON dan panggilan fungsi asli untuk pembantu dan aliran kerja dokumen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Ministral 3 8B Instruct 2512 ialah model bersaiz pertengahan dalam keluarga Ministral 3 Mistral AI yang dilaraskan untuk mengikuti arahan. Titik semak yang dikeluarkan menjalani pascalatihan untuk tugas sembang dan arahan dalam kejituan FP8. Ia menggabungkan komponen bahasa dengan pengekod penglihatan, menerima teks dan imej serta mengembalikan teks dan bukannya artifak imej atau audio.
Seni bina dan ciri utama
Pembuat menyenaraikan model bahasa dengan 8.4 bilion parameter dan pengekod penglihatan dengan 0.4 bilion parameter. Tetingkap konteksnya diterangkan sebagai 256k, dan nota penggunaan yang diterbitkan menggunakan panjang terkonfigurasi lalai 262,144. Ini menerangkan edisi bersaiz 8B ini; ahli keluarga 3B yang lebih kecil dan 14B yang lebih besar mengekalkan saiz komponen dan konfigurasinya sendiri.
Penglihatan memperluas input model melangkaui perbualan bertulis. Imej dokumen boleh dipadankan dengan soalan tentang medan, perenggan atau hubungan yang kelihatan yang dipilih. Tangkapan skrin boleh dipadankan dengan matlamat pengguna dan permintaan untuk mengenal pasti kawalan berkaitan. Minta pemerhatian yang menyokong setiap kesimpulan apabila jawapan bergantung pada butiran visual, dan kekalkan tajuk, label serta unit yang diperlukan untuk mentafsirkan potongan.
Kad model menerangkan kerja berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut mengenal pasti kepatuhan kepada arahan sistem, panggilan fungsi asli dan output JSON. Takrifkan bahasa akhir, peranan dan keperluan output secara jelas dan jangan biarkan model menyimpulkan artifak yang dimaksudkan daripada input besar.
Tugas dokumen, perbualan dan ejen
Kes penggunaan pembuat merangkumi antara muka sembang, pembantu harian, perihalan imej dan dokumen, terjemahan, penjanaan kandungan dan ejen khusus. Untuk pembantu dokumen, berikan halaman dan nyatakan maklumat yang perlu dikembalikan. Permintaan pengekstrakan boleh menamakan label medan, jenis yang dijangka dan cara menangani nilai yang tiada. Jawapan yang berguna mungkin mengandungi pengecam dokumen, nilai yang diekstrak dan penjelasan ringkas yang terikat pada sumber yang kelihatan.
Untuk perbualan berterusan, kekalkan jawapan terdahulu yang relevan dan tanya soalan susulan berfokus. Pengguna boleh terlebih dahulu meminta ringkasan dokumen dan kemudian bertanya pernyataan yang menyokong satu kesimpulan. Ini mengubah output yang diperlukan daripada gambaran umum kepada penjelasan berhubung sumber sambil mengekalkan bahan asal dan tujuan dialog.
Untuk penyuntingan berbilang bahasa, berikan petikan asal, pembaca yang dimaksudkan dan senarai istilah. Minta versi semakan yang mengekalkan nama, syarat dan unit, diikuti penjelasan ringkas tentang perubahan jika berguna. Untuk penjanaan kandungan, nyatakan khalayak dan fakta yang perlu muncul sebelum meminta draf pendek atau ungkapan alternatif.
Dalam tugas ejen, aplikasi menyediakan alat dan parameternya. Model boleh memilih fungsi dan menyediakan argumen, manakala aplikasi melaksanakannya dan mengembalikan hasil. Contoh fungsi dalam kad model menggabungkan soalan imej dengan alat pengiraan. Kekalkan hasil alat secara berasingan daripada panggilan yang dicadangkan supaya jawapan bertulis seterusnya menggunakan maklumat yang benar-benar dikembalikan oleh operasi.
Penyediaan dan tetapan yang disyorkan
Pembuat mengesyorkan arahan sistem yang menerangkan persekitaran, kes penggunaan dan cara alat perlu digunakan. Pastikan set alat ditakrifkan dengan baik dan terhad kepada minimum yang diperlukan untuk tugas. Aliran kerja carian kecil boleh menawarkan fungsi yang relevan untuk soalan semasa, dengan argumen wajib yang dinamakan secara jelas, dan bukannya membentangkan koleksi besar operasi yang tidak berkaitan.
Untuk kegunaan harian dan kegunaan seumpama produksi, kad model mengesyorkan suhu di bawah 0.1, dengan suhu lebih tinggi tersedia untuk penerokaan kreatif. Anggap ini sebagai syor untuk aliran kerja arahan, bukannya kawalan mod penaakulan yang berasingan. Keluarga ini mempunyai titik semak Base, Instruct dan Reasoning yang berbeza; entri ini ialah edisi Instruct 2512, bukannya keluaran Reasoning berasingan dengan saiz yang sama.
Untuk imej, pembuat mengesyorkan nisbah bidang hampir 1:1 dan mengelakkan input yang terlalu nipis atau terlalu lebar. Pangkas apabila diperlukan sambil mengekalkan label dan konteks yang diperlukan oleh soalan. Jika halaman mengandungi beberapa kawasan tidak berkaitan, kenal pasti bahagian yang hendak diperiksa dan hasil yang perlu dikembalikan. Imej yang jelas dan berfokus lebih berguna daripada meminta model meneka butiran kecil mana dalam halaman yang luas yang penting.
Batas konteks dan edisi
Rancang teks, imej, perbualan dan jawapan yang diingini mengikut konteks terkonfigurasi. Nota penggunaan secara jelas membenarkan pengurangan panjang model terkonfigurasi apabila kurang konteks diperlukan, jadi tetingkap penuh bukan arahan untuk mengisi setiap permintaan dengan semua bahan yang tersedia. Contoh penjanaan 512 token dalam kad model hanyalah tetapan contoh, dan sumber yang dibaca tidak menetapkan had keras panjang jawapan maksimum berasingan.
Titik semak FP8 Instruct, keluaran Base yang dilatih awal dan keluaran Reasoning ialah edisi berasingan. Pembuat turut menerangkan pengkhususan dan penalaan halus sebagai kes penggunaan. Kekalkan titik semak bernama dan pentokennya semasa menyediakan perbualan, dan pastikan penjanaan teks berbeza daripada akses repositori, pelaksanaan fungsi atau tindakan lain yang dibekalkan oleh aplikasi sekeliling.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-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-8b-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-8b-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-8b-2512
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 ialah model arahan teks dan imej berbilang bahasa dengan komponen bahasa 8.4B dan pengekod penglihatan 0.4B. Ia menyokong konteks 256k yang dinyatakan oleh pembuat, arahan sistem, JSON dan panggilan fungsi asli untuk pembantu dan aliran kerja dokumen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Ministral 3 8B Instruct 2512 ialah model bersaiz pertengahan dalam keluarga Ministral 3 Mistral AI yang dilaraskan untuk mengikuti arahan. Titik semak yang dikeluarkan menjalani pascalatihan untuk tugas sembang dan arahan dalam kejituan FP8. Ia menggabungkan komponen bahasa dengan pengekod penglihatan, menerima teks dan imej serta mengembalikan teks dan bukannya artifak imej atau audio.
Seni bina dan ciri utama
Pembuat menyenaraikan model bahasa dengan 8.4 bilion parameter dan pengekod penglihatan dengan 0.4 bilion parameter. Tetingkap konteksnya diterangkan sebagai 256k, dan nota penggunaan yang diterbitkan menggunakan panjang terkonfigurasi lalai 262,144. Ini menerangkan edisi bersaiz 8B ini; ahli keluarga 3B yang lebih kecil dan 14B yang lebih besar mengekalkan saiz komponen dan konfigurasinya sendiri.
Penglihatan memperluas input model melangkaui perbualan bertulis. Imej dokumen boleh dipadankan dengan soalan tentang medan, perenggan atau hubungan yang kelihatan yang dipilih. Tangkapan skrin boleh dipadankan dengan matlamat pengguna dan permintaan untuk mengenal pasti kawalan berkaitan. Minta pemerhatian yang menyokong setiap kesimpulan apabila jawapan bergantung pada butiran visual, dan kekalkan tajuk, label serta unit yang diperlukan untuk mentafsirkan potongan.
Kad model menerangkan kerja berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut mengenal pasti kepatuhan kepada arahan sistem, panggilan fungsi asli dan output JSON. Takrifkan bahasa akhir, peranan dan keperluan output secara jelas dan jangan biarkan model menyimpulkan artifak yang dimaksudkan daripada input besar.
Tugas dokumen, perbualan dan ejen
Kes penggunaan pembuat merangkumi antara muka sembang, pembantu harian, perihalan imej dan dokumen, terjemahan, penjanaan kandungan dan ejen khusus. Untuk pembantu dokumen, berikan halaman dan nyatakan maklumat yang perlu dikembalikan. Permintaan pengekstrakan boleh menamakan label medan, jenis yang dijangka dan cara menangani nilai yang tiada. Jawapan yang berguna mungkin mengandungi pengecam dokumen, nilai yang diekstrak dan penjelasan ringkas yang terikat pada sumber yang kelihatan.
Untuk perbualan berterusan, kekalkan jawapan terdahulu yang relevan dan tanya soalan susulan berfokus. Pengguna boleh terlebih dahulu meminta ringkasan dokumen dan kemudian bertanya pernyataan yang menyokong satu kesimpulan. Ini mengubah output yang diperlukan daripada gambaran umum kepada penjelasan berhubung sumber sambil mengekalkan bahan asal dan tujuan dialog.
Untuk penyuntingan berbilang bahasa, berikan petikan asal, pembaca yang dimaksudkan dan senarai istilah. Minta versi semakan yang mengekalkan nama, syarat dan unit, diikuti penjelasan ringkas tentang perubahan jika berguna. Untuk penjanaan kandungan, nyatakan khalayak dan fakta yang perlu muncul sebelum meminta draf pendek atau ungkapan alternatif.
Dalam tugas ejen, aplikasi menyediakan alat dan parameternya. Model boleh memilih fungsi dan menyediakan argumen, manakala aplikasi melaksanakannya dan mengembalikan hasil. Contoh fungsi dalam kad model menggabungkan soalan imej dengan alat pengiraan. Kekalkan hasil alat secara berasingan daripada panggilan yang dicadangkan supaya jawapan bertulis seterusnya menggunakan maklumat yang benar-benar dikembalikan oleh operasi.
Penyediaan dan tetapan yang disyorkan
Pembuat mengesyorkan arahan sistem yang menerangkan persekitaran, kes penggunaan dan cara alat perlu digunakan. Pastikan set alat ditakrifkan dengan baik dan terhad kepada minimum yang diperlukan untuk tugas. Aliran kerja carian kecil boleh menawarkan fungsi yang relevan untuk soalan semasa, dengan argumen wajib yang dinamakan secara jelas, dan bukannya membentangkan koleksi besar operasi yang tidak berkaitan.
Untuk kegunaan harian dan kegunaan seumpama produksi, kad model mengesyorkan suhu di bawah 0.1, dengan suhu lebih tinggi tersedia untuk penerokaan kreatif. Anggap ini sebagai syor untuk aliran kerja arahan, bukannya kawalan mod penaakulan yang berasingan. Keluarga ini mempunyai titik semak Base, Instruct dan Reasoning yang berbeza; entri ini ialah edisi Instruct 2512, bukannya keluaran Reasoning berasingan dengan saiz yang sama.
Untuk imej, pembuat mengesyorkan nisbah bidang hampir 1:1 dan mengelakkan input yang terlalu nipis atau terlalu lebar. Pangkas apabila diperlukan sambil mengekalkan label dan konteks yang diperlukan oleh soalan. Jika halaman mengandungi beberapa kawasan tidak berkaitan, kenal pasti bahagian yang hendak diperiksa dan hasil yang perlu dikembalikan. Imej yang jelas dan berfokus lebih berguna daripada meminta model meneka butiran kecil mana dalam halaman yang luas yang penting.
Batas konteks dan edisi
Rancang teks, imej, perbualan dan jawapan yang diingini mengikut konteks terkonfigurasi. Nota penggunaan secara jelas membenarkan pengurangan panjang model terkonfigurasi apabila kurang konteks diperlukan, jadi tetingkap penuh bukan arahan untuk mengisi setiap permintaan dengan semua bahan yang tersedia. Contoh penjanaan 512 token dalam kad model hanyalah tetapan contoh, dan sumber yang dibaca tidak menetapkan had keras panjang jawapan maksimum berasingan.
Titik semak FP8 Instruct, keluaran Base yang dilatih awal dan keluaran Reasoning ialah edisi berasingan. Pembuat turut menerangkan pengkhususan dan penalaan halus sebagai kes penggunaan. Kekalkan titik semak bernama dan pentokennya semasa menyediakan perbualan, dan pastikan penjanaan teks berbeza daripada akses repositori, pelaksanaan fungsi atau tindakan lain yang dibekalkan oleh aplikasi sekeliling.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-2512
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.