Mistral Nemo Instruct 2407 ialah edisi model bahasa Mistral Nemo 12B yang ditala mengikut arahan. Model ini ditala halus daripada titik semak Nemo Base 2407 yang mempunyai nama tersendiri. Pengeluar menerangkan latihan dengan sebahagian besar bahan berbilang bahasa dan kod serta tetingkap konteks 128k token, yang menyokong arahan bertulis, perbualan dan tugas pengaturcaraan.
Ciri utama dan seni bina
Keluaran ini menyediakan versi pralatih dan versi ditala mengikut arahan secara berasingan. Entri ini berkaitan dengan titik semak Instruct: permintaan teks boleh meminta penjelasan, dokumen yang disemak, kod program atau cadangan panggilan fungsi. Penalaan arahannya diterangkan sebagai meningkatkan pematuhan arahan yang tepat, penaakulan, dialog berbilang giliran dan penjanaan kod berbanding barisan Mistral 7B terdahulu.
Model ini mempunyai 40 lapisan Transformer dengan lebar model 5,120. Model ini menggunakan SwiGLU, 32 kepala perhatian dan 8 kepala kunci/nilai dalam perhatian pertanyaan berkumpulan, dimensi kepala 128 dan dimensi tersembunyi 14,336. Pembenaman putaran menggunakan tetapan theta satu juta. Kosa kata yang dikeluarkan mempunyai 2 kuasa 17 entri, atau 131,072; saiz kosa kata itu berbeza daripada label konteks tugas 128k.
Pengumuman pengeluar turut menerangkan latihan peka kuantisasi dan inferens FP8. Ini ialah ciri keluaran dan ketepatan, bukannya modaliti kandungan tambahan. Kekalkan titik semak yang tepat dan pentoken yang sepadan, bukannya menganggap model 12B lain atau model keluarga Mistral lain sebagai edisi yang sama.
Teks berbilang bahasa dan Tekken
Keluaran ini menekankan bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Cina, Jepun, Korea, Arab dan Hindi, manakala bahasa Rusia disertakan dalam metadata bahasa kad model. Tetapkan bahasa akhir, khalayak sasaran dan istilah sebelum meminta hasil. Untuk tugas dokumen berbilang bahasa, kekalkan nama, pengecam dan unit sambil menyesuaikan prosa di sekelilingnya.
Nemo menggunakan pentoken Tekken, dilatih pada lebih daripada 100 bahasa dan direka untuk mewakili bahasa semula jadi serta kod sumber dengan cekap. Pentoken mempengaruhi ruang konteks yang digunakan bahan sumber; oleh itu, bilangan aksara bukan bilangan token. Gunakan pentoken yang sepadan dan kekalkan bahan tugas yang berkaitan bersama-sama, bukannya menganggarkan konteks daripada panjang petikan yang kelihatan sahaja.
Persediaan arahan dan kod
Untuk penjelasan dokumen, berikan petikan sumber dan kenal pasti syarat atau istilah yang hendak dijelaskan. Minta penjelasan dalam bahasa pembaca sambil mengekalkan nama asal dan pernyataan sumber yang menyokong jawapan. Untuk penyuntingan, nyatakan makna serta syarat yang mesti dikekalkan dalam penulisan semula, dan sama ada hasil perlu berupa petikan yang disemak sahaja atau petikan berserta penjelasan.
Untuk tugas pengaturcaraan, nyatakan bahasa, jenis input, output yang dijangkakan dan antara muka sedia ada. Sertakan fungsi atau pengisytiharan yang menentukan perubahan. Hasil yang berguna boleh mengandungi pelaksanaan, andaian dan contoh input dengan output yang dijangkakan. Soalan berasingan boleh meminta model menjejaki satu input melalui kod yang dibekalkan supaya penjelasan berkaitan dengan laluan konkrit, bukannya program yang tidak ditentukan.
Untuk perbualan berbilang giliran, kekalkan respons terdahulu yang berkaitan dan minta susulan terfokus atau bekalkan bahan baharu yang mengubah tugas. Takrifkan sama ada jawapan seterusnya perlu menyemak hasil terdahulu, menjelaskan satu keputusan atau menghasilkan perwakilan lain bagi fakta sumber yang sama. Ini menjadikan kesinambungan perbualan jelas.
Panggilan fungsi dan pensampelan
Pengeluar mendokumentasikan panggilan fungsi menggunakan format perbualan yang sepadan. Model menjana operasi dan argumen yang dicadangkan, manakala aplikasi melaksanakan fungsi dan menambah hasilnya ke dalam perbualan sebelum penjanaan seterusnya. Kad menyatakan dengan jelas bahawa contoh kod yang dipendekkan tidak menunjukkan keseluruhan kitaran, jadi langkah pelaksanaan dan pemulangan hasil yang tidak ditunjukkan kekal sebagai bahagian penting aplikasi berbantukan alat.
Dalam format alat yang diterbitkan itu, ID panggilan dan ID hasil yang sepadan terdiri daripada tepat sembilan aksara abjad angka. Kekalkan hubungan antara operasi dan hasilnya semasa menyediakan perbualan dalam format asli. Antara muka pembalut mungkin mewakili perbualan secara berbeza; keperluan keluaran itu menerangkan pemformatan model pengeluar, bukannya pengecam klien universal yang direka-reka.
Pengeluar mengesyorkan temperature 0.3, dengan menyatakan bahawa Nemo menggunakan temperature lebih rendah berbanding model Mistral terdahulu. Pelbagai tetapan 64, 128, 256 dan 1,000 token yang ditunjukkan dalam contoh ialah pilihan penjanaan untuk demonstrasi tersebut, bukannya kapasiti jawapan maksimum yang diterbitkan secara berasingan.
Had penting
Kad Instruct menerangkan titik semak ini sebagai demonstrasi penalaan halus model asas dan menyatakan dengan jelas bahawa model tidak mengandungi mekanisme moderasi kandungan. Aplikasi yang memerlukan tingkah laku yang tertakluk pada moderasi perlu menyediakan tingkah laku itu dalam sistem sekeliling. Ini ialah sifat titik semak yang dikeluarkan, bukannya dakwaan tentang setiap perkhidmatan yang mengehoskan model Nemo.
Tugas Nemo yang didokumentasikan di sini ialah penjanaan teks, dengan konteks 128k dan format perbualannya sendiri. Pemahaman imej, transkripsi pertuturan dan kawalan penaakulan hibrid daripada keluarga Mistral kemudian tidak patut diberikan kepada edisi ini. Bekalkan syarat bertulis yang lengkap, bahan sumber berkaitan dan hasil akhir yang diperlukan supaya hasil kekal berguna sebagai penjelasan, teks yang disemak atau cadangan pelaksanaan.
", "aboutText": "Mistral Nemo Instruct 2407 ialah edisi model bahasa Mistral Nemo 12B yang ditala mengikut arahan. Model ini ditala halus daripada titik semak Nemo Base 2407 yang mempunyai nama tersendiri. Pengeluar menerangkan latihan dengan sebahagian besar bahan berbilang bahasa dan kod serta tetingkap konteks 128k token, yang menyokong arahan bertulis, perbualan dan tugas pengaturcaraan.\n\nCiri utama dan seni bina\n\nKeluaran ini menyediakan versi pralatih dan versi ditala mengikut arahan secara berasingan. Entri ini berkaitan dengan titik semak Instruct: permintaan teks boleh meminta penjelasan, dokumen yang disemak, kod program atau cadangan panggilan fungsi. Penalaan arahannya diterangkan sebagai meningkatkan pematuhan arahan yang tepat, penaakulan, dialog berbilang giliran dan penjanaan kod berbanding barisan Mistral 7B terdahulu.\n\nModel ini mempunyai 40 lapisan Transformer dengan lebar model 5,120. Model ini menggunakan SwiGLU, 32 kepala perhatian dan 8 kepala kunci/nilai dalam perhatian pertanyaan berkumpulan, dimensi kepala 128 dan dimensi tersembunyi 14,336. Pembenaman putaran menggunakan tetapan theta satu juta. Kosa kata yang dikeluarkan mempunyai 2 kuasa 17 entri, atau 131,072; saiz kosa kata itu berbeza daripada label konteks tugas 128k.\n\nPengumuman pengeluar turut menerangkan latihan peka kuantisasi dan inferens FP8. Ini ialah ciri keluaran dan ketepatan, bukannya modaliti kandungan tambahan. Kekalkan titik semak yang tepat dan pentoken yang sepadan, bukannya menganggap model 12B lain atau model keluarga Mistral lain sebagai edisi yang sama.\n\nTeks berbilang bahasa dan Tekken\n\nKeluaran ini menekankan bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Cina, Jepun, Korea, Arab dan Hindi, manakala bahasa Rusia disertakan dalam metadata bahasa kad model. Tetapkan bahasa akhir, khalayak sasaran dan istilah sebelum meminta hasil. Untuk tugas dokumen berbilang bahasa, kekalkan nama, pengecam dan unit sambil menyesuaikan prosa di sekelilingnya.\n\nNemo menggunakan pentoken Tekken, dilatih pada lebih daripada 100 bahasa dan direka untuk mewakili bahasa semula jadi serta kod sumber dengan cekap. Pentoken mempengaruhi ruang konteks yang digunakan bahan sumber; oleh itu, bilangan aksara bukan bilangan token. Gunakan pentoken yang sepadan dan kekalkan bahan tugas yang berkaitan bersama-sama, bukannya menganggarkan konteks daripada panjang petikan yang kelihatan sahaja.\n\nPersediaan arahan dan kod\n\nUntuk penjelasan dokumen, berikan petikan sumber dan kenal pasti syarat atau istilah yang hendak dijelaskan. Minta penjelasan dalam bahasa pembaca sambil mengekalkan nama asal dan pernyataan sumber yang menyokong jawapan. Untuk penyuntingan, nyatakan makna serta syarat yang mesti dikekalkan dalam penulisan semula, dan sama ada hasil perlu berupa petikan yang disemak sahaja atau petikan berserta penjelasan.\n\nUntuk tugas pengaturcaraan, nyatakan bahasa, jenis input, output yang dijangkakan dan antara muka sedia ada. Sertakan fungsi atau pengisytiharan yang menentukan perubahan. Hasil yang berguna boleh mengandungi pelaksanaan, andaian dan contoh input dengan output yang dijangkakan. Soalan berasingan boleh meminta model menjejaki satu input melalui kod yang dibekalkan supaya penjelasan berkaitan dengan laluan konkrit, bukannya program yang tidak ditentukan.\n\nUntuk perbualan berbilang giliran, kekalkan respons terdahulu yang berkaitan dan minta susulan terfokus atau bekalkan bahan baharu yang mengubah tugas. Takrifkan sama ada jawapan seterusnya perlu menyemak hasil terdahulu, menjelaskan satu keputusan atau menghasilkan perwakilan lain bagi fakta sumber yang sama. Ini menjadikan kesinambungan perbualan jelas.\n\nPanggilan fungsi dan pensampelan\n\nPengeluar mendokumentasikan panggilan fungsi menggunakan format perbualan yang sepadan. Model menjana operasi dan argumen yang dicadangkan, manakala aplikasi melaksanakan fungsi dan menambah hasilnya ke dalam perbualan sebelum penjanaan seterusnya. Kad menyatakan dengan jelas bahawa contoh kod yang dipendekkan tidak menunjukkan keseluruhan kitaran, jadi langkah pelaksanaan dan pemulangan hasil yang tidak ditunjukkan kekal sebagai bahagian penting aplikasi berbantukan alat.\n\nDalam format alat yang diterbitkan itu, ID panggilan dan ID hasil yang sepadan terdiri daripada tepat sembilan aksara abjad angka. Kekalkan hubungan antara operasi dan hasilnya semasa menyediakan perbualan dalam format asli. Antara muka pembalut mungkin mewakili perbualan secara berbeza; keperluan keluaran itu menerangkan pemformatan model pengeluar, bukannya pengecam klien universal yang direka-reka.\n\nPengeluar mengesyorkan temperature 0.3, dengan menyatakan bahawa Nemo menggunakan temperature lebih rendah berbanding model Mistral terdahulu. Pelbagai tetapan 64, 128, 256 dan 1,000 token yang ditunjukkan dalam contoh ialah pilihan penjanaan untuk demonstrasi tersebut, bukannya kapasiti jawapan maksimum yang diterbitkan secara berasingan.\n\nHad penting\n\nKad Instruct menerangkan titik semak ini sebagai demonstrasi penalaan halus model asas dan menyatakan dengan jelas bahawa model tidak mengandungi mekanisme moderasi kandungan. Aplikasi yang memerlukan tingkah laku yang tertakluk pada moderasi perlu menyediakan tingkah laku itu dalam sistem sekeliling. Ini ialah sifat titik semak yang dikeluarkan, bukannya dakwaan tentang setiap perkhidmatan yang mengehoskan model Nemo.\n\nTugas Nemo yang didokumentasikan di sini ialah penjanaan teks, dengan konteks 128k dan format perbualannya sendiri. Pemahaman imej, transkripsi pertuturan dan kawalan penaakulan hibrid daripada keluarga Mistral kemudian tidak patut diberikan kepada edisi ini. Bekalkan syarat bertulis yang lengkap, bahan sumber berkaitan dan hasil akhir yang diperlukan supaya hasil kekal berguna sebagai penjelasan, teks yang disemak atau cadangan pelaksanaan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.mistralai/mistral-nemoMistral Nemo Instruct 2407 ialah model teks berbilang bahasa 12B untuk arahan tepat, perbualan berbilang giliran dan kod. Ia mempunyai konteks 128k yang dinyatakan oleh pembuat, pentoken Tekken, panggilan fungsi yang didokumentasikan dan titik semak tersendiri yang dilaraskan untuk mengikuti arahan dengan panduan pensampelannya sendiri.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Nemo Instruct 2407 ialah edisi model bahasa Mistral Nemo 12B yang ditala mengikut arahan. Model ini ditala halus daripada titik semak Nemo Base 2407 yang mempunyai nama tersendiri. Pengeluar menerangkan latihan dengan sebahagian besar bahan berbilang bahasa dan kod serta tetingkap konteks 128k token, yang menyokong arahan bertulis, perbualan dan tugas pengaturcaraan.
Ciri utama dan seni bina
Keluaran ini menyediakan versi pralatih dan versi ditala mengikut arahan secara berasingan. Entri ini berkaitan dengan titik semak Instruct: permintaan teks boleh meminta penjelasan, dokumen yang disemak, kod program atau cadangan panggilan fungsi. Penalaan arahannya diterangkan sebagai meningkatkan pematuhan arahan yang tepat, penaakulan, dialog berbilang giliran dan penjanaan kod berbanding barisan Mistral 7B terdahulu.
Model ini mempunyai 40 lapisan Transformer dengan lebar model 5,120. Model ini menggunakan SwiGLU, 32 kepala perhatian dan 8 kepala kunci/nilai dalam perhatian pertanyaan berkumpulan, dimensi kepala 128 dan dimensi tersembunyi 14,336. Pembenaman putaran menggunakan tetapan theta satu juta. Kosa kata yang dikeluarkan mempunyai 2 kuasa 17 entri, atau 131,072; saiz kosa kata itu berbeza daripada label konteks tugas 128k.
Pengumuman pengeluar turut menerangkan latihan peka kuantisasi dan inferens FP8. Ini ialah ciri keluaran dan ketepatan, bukannya modaliti kandungan tambahan. Kekalkan titik semak yang tepat dan pentoken yang sepadan, bukannya menganggap model 12B lain atau model keluarga Mistral lain sebagai edisi yang sama.
Teks berbilang bahasa dan Tekken
Keluaran ini menekankan bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Cina, Jepun, Korea, Arab dan Hindi, manakala bahasa Rusia disertakan dalam metadata bahasa kad model. Tetapkan bahasa akhir, khalayak sasaran dan istilah sebelum meminta hasil. Untuk tugas dokumen berbilang bahasa, kekalkan nama, pengecam dan unit sambil menyesuaikan prosa di sekelilingnya.
Nemo menggunakan pentoken Tekken, dilatih pada lebih daripada 100 bahasa dan direka untuk mewakili bahasa semula jadi serta kod sumber dengan cekap. Pentoken mempengaruhi ruang konteks yang digunakan bahan sumber; oleh itu, bilangan aksara bukan bilangan token. Gunakan pentoken yang sepadan dan kekalkan bahan tugas yang berkaitan bersama-sama, bukannya menganggarkan konteks daripada panjang petikan yang kelihatan sahaja.
Persediaan arahan dan kod
Untuk penjelasan dokumen, berikan petikan sumber dan kenal pasti syarat atau istilah yang hendak dijelaskan. Minta penjelasan dalam bahasa pembaca sambil mengekalkan nama asal dan pernyataan sumber yang menyokong jawapan. Untuk penyuntingan, nyatakan makna serta syarat yang mesti dikekalkan dalam penulisan semula, dan sama ada hasil perlu berupa petikan yang disemak sahaja atau petikan berserta penjelasan.
Untuk tugas pengaturcaraan, nyatakan bahasa, jenis input, output yang dijangkakan dan antara muka sedia ada. Sertakan fungsi atau pengisytiharan yang menentukan perubahan. Hasil yang berguna boleh mengandungi pelaksanaan, andaian dan contoh input dengan output yang dijangkakan. Soalan berasingan boleh meminta model menjejaki satu input melalui kod yang dibekalkan supaya penjelasan berkaitan dengan laluan konkrit, bukannya program yang tidak ditentukan.
Untuk perbualan berbilang giliran, kekalkan respons terdahulu yang berkaitan dan minta susulan terfokus atau bekalkan bahan baharu yang mengubah tugas. Takrifkan sama ada jawapan seterusnya perlu menyemak hasil terdahulu, menjelaskan satu keputusan atau menghasilkan perwakilan lain bagi fakta sumber yang sama. Ini menjadikan kesinambungan perbualan jelas.
Panggilan fungsi dan pensampelan
Pengeluar mendokumentasikan panggilan fungsi menggunakan format perbualan yang sepadan. Model menjana operasi dan argumen yang dicadangkan, manakala aplikasi melaksanakan fungsi dan menambah hasilnya ke dalam perbualan sebelum penjanaan seterusnya. Kad menyatakan dengan jelas bahawa contoh kod yang dipendekkan tidak menunjukkan keseluruhan kitaran, jadi langkah pelaksanaan dan pemulangan hasil yang tidak ditunjukkan kekal sebagai bahagian penting aplikasi berbantukan alat.
Dalam format alat yang diterbitkan itu, ID panggilan dan ID hasil yang sepadan terdiri daripada tepat sembilan aksara abjad angka. Kekalkan hubungan antara operasi dan hasilnya semasa menyediakan perbualan dalam format asli. Antara muka pembalut mungkin mewakili perbualan secara berbeza; keperluan keluaran itu menerangkan pemformatan model pengeluar, bukannya pengecam klien universal yang direka-reka.
Pengeluar mengesyorkan temperature 0.3, dengan menyatakan bahawa Nemo menggunakan temperature lebih rendah berbanding model Mistral terdahulu. Pelbagai tetapan 64, 128, 256 dan 1,000 token yang ditunjukkan dalam contoh ialah pilihan penjanaan untuk demonstrasi tersebut, bukannya kapasiti jawapan maksimum yang diterbitkan secara berasingan.
Had penting
Kad Instruct menerangkan titik semak ini sebagai demonstrasi penalaan halus model asas dan menyatakan dengan jelas bahawa model tidak mengandungi mekanisme moderasi kandungan. Aplikasi yang memerlukan tingkah laku yang tertakluk pada moderasi perlu menyediakan tingkah laku itu dalam sistem sekeliling. Ini ialah sifat titik semak yang dikeluarkan, bukannya dakwaan tentang setiap perkhidmatan yang mengehoskan model Nemo.
Tugas Nemo yang didokumentasikan di sini ialah penjanaan teks, dengan konteks 128k dan format perbualannya sendiri. Pemahaman imej, transkripsi pertuturan dan kawalan penaakulan hibrid daripada keluarga Mistral kemudian tidak patut diberikan kepada edisi ini. Bekalkan syarat bertulis yang lengkap, bahan sumber berkaitan dan hasil akhir yang diperlukan supaya hasil kekal berguna sebagai penjelasan, teks yang disemak atau cadangan pelaksanaan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-nemo | 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 $0.0003 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache $0.00003 / 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 $0.0003 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache $0.00003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-nemo", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-nemo',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-nemo',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/mistral-nemo
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/mistral-nemoMistral Nemo Instruct 2407 ialah model teks berbilang bahasa 12B untuk arahan tepat, perbualan berbilang giliran dan kod. Ia mempunyai konteks 128k yang dinyatakan oleh pembuat, pentoken Tekken, panggilan fungsi yang didokumentasikan dan titik semak tersendiri yang dilaraskan untuk mengikuti arahan dengan panduan pensampelannya sendiri.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Nemo Instruct 2407 ialah edisi model bahasa Mistral Nemo 12B yang ditala mengikut arahan. Model ini ditala halus daripada titik semak Nemo Base 2407 yang mempunyai nama tersendiri. Pengeluar menerangkan latihan dengan sebahagian besar bahan berbilang bahasa dan kod serta tetingkap konteks 128k token, yang menyokong arahan bertulis, perbualan dan tugas pengaturcaraan.
Ciri utama dan seni bina
Keluaran ini menyediakan versi pralatih dan versi ditala mengikut arahan secara berasingan. Entri ini berkaitan dengan titik semak Instruct: permintaan teks boleh meminta penjelasan, dokumen yang disemak, kod program atau cadangan panggilan fungsi. Penalaan arahannya diterangkan sebagai meningkatkan pematuhan arahan yang tepat, penaakulan, dialog berbilang giliran dan penjanaan kod berbanding barisan Mistral 7B terdahulu.
Model ini mempunyai 40 lapisan Transformer dengan lebar model 5,120. Model ini menggunakan SwiGLU, 32 kepala perhatian dan 8 kepala kunci/nilai dalam perhatian pertanyaan berkumpulan, dimensi kepala 128 dan dimensi tersembunyi 14,336. Pembenaman putaran menggunakan tetapan theta satu juta. Kosa kata yang dikeluarkan mempunyai 2 kuasa 17 entri, atau 131,072; saiz kosa kata itu berbeza daripada label konteks tugas 128k.
Pengumuman pengeluar turut menerangkan latihan peka kuantisasi dan inferens FP8. Ini ialah ciri keluaran dan ketepatan, bukannya modaliti kandungan tambahan. Kekalkan titik semak yang tepat dan pentoken yang sepadan, bukannya menganggap model 12B lain atau model keluarga Mistral lain sebagai edisi yang sama.
Teks berbilang bahasa dan Tekken
Keluaran ini menekankan bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Cina, Jepun, Korea, Arab dan Hindi, manakala bahasa Rusia disertakan dalam metadata bahasa kad model. Tetapkan bahasa akhir, khalayak sasaran dan istilah sebelum meminta hasil. Untuk tugas dokumen berbilang bahasa, kekalkan nama, pengecam dan unit sambil menyesuaikan prosa di sekelilingnya.
Nemo menggunakan pentoken Tekken, dilatih pada lebih daripada 100 bahasa dan direka untuk mewakili bahasa semula jadi serta kod sumber dengan cekap. Pentoken mempengaruhi ruang konteks yang digunakan bahan sumber; oleh itu, bilangan aksara bukan bilangan token. Gunakan pentoken yang sepadan dan kekalkan bahan tugas yang berkaitan bersama-sama, bukannya menganggarkan konteks daripada panjang petikan yang kelihatan sahaja.
Persediaan arahan dan kod
Untuk penjelasan dokumen, berikan petikan sumber dan kenal pasti syarat atau istilah yang hendak dijelaskan. Minta penjelasan dalam bahasa pembaca sambil mengekalkan nama asal dan pernyataan sumber yang menyokong jawapan. Untuk penyuntingan, nyatakan makna serta syarat yang mesti dikekalkan dalam penulisan semula, dan sama ada hasil perlu berupa petikan yang disemak sahaja atau petikan berserta penjelasan.
Untuk tugas pengaturcaraan, nyatakan bahasa, jenis input, output yang dijangkakan dan antara muka sedia ada. Sertakan fungsi atau pengisytiharan yang menentukan perubahan. Hasil yang berguna boleh mengandungi pelaksanaan, andaian dan contoh input dengan output yang dijangkakan. Soalan berasingan boleh meminta model menjejaki satu input melalui kod yang dibekalkan supaya penjelasan berkaitan dengan laluan konkrit, bukannya program yang tidak ditentukan.
Untuk perbualan berbilang giliran, kekalkan respons terdahulu yang berkaitan dan minta susulan terfokus atau bekalkan bahan baharu yang mengubah tugas. Takrifkan sama ada jawapan seterusnya perlu menyemak hasil terdahulu, menjelaskan satu keputusan atau menghasilkan perwakilan lain bagi fakta sumber yang sama. Ini menjadikan kesinambungan perbualan jelas.
Panggilan fungsi dan pensampelan
Pengeluar mendokumentasikan panggilan fungsi menggunakan format perbualan yang sepadan. Model menjana operasi dan argumen yang dicadangkan, manakala aplikasi melaksanakan fungsi dan menambah hasilnya ke dalam perbualan sebelum penjanaan seterusnya. Kad menyatakan dengan jelas bahawa contoh kod yang dipendekkan tidak menunjukkan keseluruhan kitaran, jadi langkah pelaksanaan dan pemulangan hasil yang tidak ditunjukkan kekal sebagai bahagian penting aplikasi berbantukan alat.
Dalam format alat yang diterbitkan itu, ID panggilan dan ID hasil yang sepadan terdiri daripada tepat sembilan aksara abjad angka. Kekalkan hubungan antara operasi dan hasilnya semasa menyediakan perbualan dalam format asli. Antara muka pembalut mungkin mewakili perbualan secara berbeza; keperluan keluaran itu menerangkan pemformatan model pengeluar, bukannya pengecam klien universal yang direka-reka.
Pengeluar mengesyorkan temperature 0.3, dengan menyatakan bahawa Nemo menggunakan temperature lebih rendah berbanding model Mistral terdahulu. Pelbagai tetapan 64, 128, 256 dan 1,000 token yang ditunjukkan dalam contoh ialah pilihan penjanaan untuk demonstrasi tersebut, bukannya kapasiti jawapan maksimum yang diterbitkan secara berasingan.
Had penting
Kad Instruct menerangkan titik semak ini sebagai demonstrasi penalaan halus model asas dan menyatakan dengan jelas bahawa model tidak mengandungi mekanisme moderasi kandungan. Aplikasi yang memerlukan tingkah laku yang tertakluk pada moderasi perlu menyediakan tingkah laku itu dalam sistem sekeliling. Ini ialah sifat titik semak yang dikeluarkan, bukannya dakwaan tentang setiap perkhidmatan yang mengehoskan model Nemo.
Tugas Nemo yang didokumentasikan di sini ialah penjanaan teks, dengan konteks 128k dan format perbualannya sendiri. Pemahaman imej, transkripsi pertuturan dan kawalan penaakulan hibrid daripada keluarga Mistral kemudian tidak patut diberikan kepada edisi ini. Bekalkan syarat bertulis yang lengkap, bahan sumber berkaitan dan hasil akhir yang diperlukan supaya hasil kekal berguna sebagai penjelasan, teks yang disemak atau cadangan pelaksanaan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-nemo | 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 $0.0003 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache $0.00003 / 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 $0.0003 / 1K token Output · Token output $0.0003 / 1K token Input · Bacaan cache $0.00003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/mistral-nemo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-nemo', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-nemo', '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/mistral-nemo
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.