Mistral Saba ialah model teks serantau khusus Mistral AI, yang dicipta dengan menala halus model keluarga Small menggunakan bahan terpilih dari Timur Tengah dan Asia Selatan. Pembuat menerangkan model dengan 24 bilion parameter yang bertujuan mencerminkan bahasa serantau, konteks budaya dan bentuk ungkapan tempatan. Ia menerima tugas bertulis dan bahan sumber serta mengembalikan teks.
Bahasa dan konteks serantau
Keluaran ini mengenal pasti secara jelas bahasa Arab dan banyak bahasa yang berasal dari India, dengan kekuatan khusus dalam bahasa yang berasal dari India Selatan seperti Tamil. Tumpuannya lebih khusus daripada sekadar menukar bahasa akhir jawapan serba guna: bahan latihan dipilih untuk konteks bahasa dan budaya serantau tempat respons akan digunakan.
Nyatakan khalayak, rantau, bahasa dan laras yang diingini sebelum meminta hasil. Penjelasan formal, mesej untuk pelanggan dan petikan pendidikan boleh memerlukan istilah dan bentuk sapaan yang berbeza. Berikan glosari untuk nama produk atau istilah khusus yang mesti kekal konsisten, dan nyatakan sama ada hasil perlu mengekalkan ungkapan sumber atau menyesuaikan penjelasannya kepada pembaca.
Halaman pembuat memberikan tetingkap konteks 32k dan mengenal pasti edisi sebagai mistral-saba-2502. Gunakan konteks untuk petikan sumber, perbualan dan arahan yang berkaitan bersama. Respons yang disesuaikan mengikut rantau masih memerlukan syarat produk, prosedur atau kandungan dokumen sebenar dibekalkan sebagai bukti; kebiasaan budaya tidak membekalkan maklumat persendirian syarikat.
Sokongan perbualan
Pembuat menekankan pembantu perbualan bahasa Arab sebagai kes penggunaan utama. Permintaan sokongan praktikal boleh memberikan mesej pengguna dan bahan rujukan yang diluluskan, kemudian meminta respons dalam laras yang dinamakan. Minta tindakan seterusnya, syarat yang menjadikannya terpakai dan sebarang butiran yang masih perlu diberikan oleh pengguna. Ini memastikan jawapan berpaut pada masalah tertentu dan bukannya menghasilkan sapaan serantau umum.
Untuk penjelasan dwibahasa, kenal pasti bahasa sumber dan bahasa mesej akhir. Kekalkan nama, amaun atau unit yang diberikan dalam bahan dan terangkan khalayak yang perlu memahami jawapan. Soalan susulan boleh meminta versi lebih pendek atau penjelasan satu istilah sambil mengekalkan syarat yang sama.
Penyesuaian khusus domain
Pengumuman menerangkan penalaan halus Saba untuk domain tertentu, termasuk tenaga dan konteks profesional serantau lain. Itu proses penyesuaian dan bukannya dakwaan bahawa setiap set data khusus sudah menjadi sebahagian daripada model lalai. Untuk tugas teks berorientasikan domain, berikan istilah, dokumen sumber dan peraturan respons yang relevan dengan aplikasi sebenar.
Penjelasan teknikal boleh meminta model menyatakan semula prosedur menggunakan istilah serantau pembaca sambil mengekalkan langkah dan syarat asal. Soalan dokumen boleh mengenal pasti klausa yang perlu diterangkan dan meminta jawapan ringkas dengan petikan sokongan. Bezakan fakta sumber, penjelasan dan sebarang istilah yang belum diselesaikan semasa menyediakan output.
Penciptaan kandungan budaya
Pembuat turut menerangkan penulisan yang relevan dengan budaya dan sumber pendidikan. Berikan topik, khalayak yang dimaksudkan, bahasa dan fakta atau contoh yang perlu muncul. Untuk petikan pendidikan, nyatakan perkara yang pelajar perlu fahami pada akhir dan minta penjelasan diikuti contoh praktikal. Untuk mesej organisasi, berikan tujuan dan maklumat yang perlu diambil tindakan oleh pembaca.
Apabila simpulan bahasa tempatan atau rujukan budaya merupakan sebahagian daripada tugas, nyatakan konteks penggunaannya. Minta ungkapan alternatif apabila versi formal atau lebih neutral sesuai untuk khalayak lain. Ini cara praktikal menggunakan pengkhususan serantau model sambil memastikan kandungan dan tujuan penggunaan jelas.
Batas edisi dan hasil
Pengkhususan Saba yang didokumentasikan ialah kerja bahasa serantau berasaskan teks dengan konteks 32k. Ia tidak patut mewarisi input imej, kawalan penaakulan hibrid atau ciri format alat daripada model Small atau Medium kemudian hanya kerana ia hasil penalaan halus keluarga Small. Sumber yang dibaca tidak menyatakan kapasiti token output maksimum berasingan untuk edisi ini.
Sediakan tugas bertulis yang lengkap, fakta sumber yang relevan dan artifak yang diingini: jawapan sokongan, penjelasan, petikan yang disesuaikan atau teks pendidikan pendek. Pastikan edisi Saba yang dinamakan serta bahasa dan laras khalayak jelas supaya teks yang terhasil menjawab keperluan komunikasi serantau sebenar.
", "aboutText": "Mistral Saba ialah model teks serantau khusus Mistral AI, yang dicipta dengan menala halus model keluarga Small menggunakan bahan terpilih dari Timur Tengah dan Asia Selatan. Pembuat menerangkan model dengan 24 bilion parameter yang bertujuan mencerminkan bahasa serantau, konteks budaya dan bentuk ungkapan tempatan. Ia menerima tugas bertulis dan bahan sumber serta mengembalikan teks.\n\nBahasa dan konteks serantau\n\nKeluaran ini mengenal pasti secara jelas bahasa Arab dan banyak bahasa yang berasal dari India, dengan kekuatan khusus dalam bahasa yang berasal dari India Selatan seperti Tamil. Tumpuannya lebih khusus daripada sekadar menukar bahasa akhir jawapan serba guna: bahan latihan dipilih untuk konteks bahasa dan budaya serantau tempat respons akan digunakan.\n\nNyatakan khalayak, rantau, bahasa dan laras yang diingini sebelum meminta hasil. Penjelasan formal, mesej untuk pelanggan dan petikan pendidikan boleh memerlukan istilah dan bentuk sapaan yang berbeza. Berikan glosari untuk nama produk atau istilah khusus yang mesti kekal konsisten, dan nyatakan sama ada hasil perlu mengekalkan ungkapan sumber atau menyesuaikan penjelasannya kepada pembaca.\n\nHalaman pembuat memberikan tetingkap konteks 32k dan mengenal pasti edisi sebagai mistral-saba-2502. Gunakan konteks untuk petikan sumber, perbualan dan arahan yang berkaitan bersama. Respons yang disesuaikan mengikut rantau masih memerlukan syarat produk, prosedur atau kandungan dokumen sebenar dibekalkan sebagai bukti; kebiasaan budaya tidak membekalkan maklumat persendirian syarikat.\n\nSokongan perbualan\n\nPembuat menekankan pembantu perbualan bahasa Arab sebagai kes penggunaan utama. Permintaan sokongan praktikal boleh memberikan mesej pengguna dan bahan rujukan yang diluluskan, kemudian meminta respons dalam laras yang dinamakan. Minta tindakan seterusnya, syarat yang menjadikannya terpakai dan sebarang butiran yang masih perlu diberikan oleh pengguna. Ini memastikan jawapan berpaut pada masalah tertentu dan bukannya menghasilkan sapaan serantau umum.\n\nUntuk penjelasan dwibahasa, kenal pasti bahasa sumber dan bahasa mesej akhir. Kekalkan nama, amaun atau unit yang diberikan dalam bahan dan terangkan khalayak yang perlu memahami jawapan. Soalan susulan boleh meminta versi lebih pendek atau penjelasan satu istilah sambil mengekalkan syarat yang sama.\n\nPenyesuaian khusus domain\n\nPengumuman menerangkan penalaan halus Saba untuk domain tertentu, termasuk tenaga dan konteks profesional serantau lain. Itu proses penyesuaian dan bukannya dakwaan bahawa setiap set data khusus sudah menjadi sebahagian daripada model lalai. Untuk tugas teks berorientasikan domain, berikan istilah, dokumen sumber dan peraturan respons yang relevan dengan aplikasi sebenar.\n\nPenjelasan teknikal boleh meminta model menyatakan semula prosedur menggunakan istilah serantau pembaca sambil mengekalkan langkah dan syarat asal. Soalan dokumen boleh mengenal pasti klausa yang perlu diterangkan dan meminta jawapan ringkas dengan petikan sokongan. Bezakan fakta sumber, penjelasan dan sebarang istilah yang belum diselesaikan semasa menyediakan output.\n\nPenciptaan kandungan budaya\n\nPembuat turut menerangkan penulisan yang relevan dengan budaya dan sumber pendidikan. Berikan topik, khalayak yang dimaksudkan, bahasa dan fakta atau contoh yang perlu muncul. Untuk petikan pendidikan, nyatakan perkara yang pelajar perlu fahami pada akhir dan minta penjelasan diikuti contoh praktikal. Untuk mesej organisasi, berikan tujuan dan maklumat yang perlu diambil tindakan oleh pembaca.\n\nApabila simpulan bahasa tempatan atau rujukan budaya merupakan sebahagian daripada tugas, nyatakan konteks penggunaannya. Minta ungkapan alternatif apabila versi formal atau lebih neutral sesuai untuk khalayak lain. Ini cara praktikal menggunakan pengkhususan serantau model sambil memastikan kandungan dan tujuan penggunaan jelas.\n\nBatas edisi dan hasil\n\nPengkhususan Saba yang didokumentasikan ialah kerja bahasa serantau berasaskan teks dengan konteks 32k. Ia tidak patut mewarisi input imej, kawalan penaakulan hibrid atau ciri format alat daripada model Small atau Medium kemudian hanya kerana ia hasil penalaan halus keluarga Small. Sumber yang dibaca tidak menyatakan kapasiti token output maksimum berasingan untuk edisi ini.\n\nSediakan tugas bertulis yang lengkap, fakta sumber yang relevan dan artifak yang diingini: jawapan sokongan, penjelasan, petikan yang disesuaikan atau teks pendidikan pendek. Pastikan edisi Saba yang dinamakan serta bahasa dan laras khalayak jelas supaya teks yang terhasil menjawab keperluan komunikasi serantau sebenar.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.mistralai/mistral-sabaMistral Saba ialah model teks 24B yang dilatih dengan bahan terpilih dari Timur Tengah dan Asia Selatan. Ia menumpukan bahasa dan konteks budaya serantau, termasuk bahasa Arab dan bahasa yang berasal dari India seperti Tamil, dengan konteks 32k yang dinyatakan oleh pembuat untuk tugas bertulis.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Saba ialah model teks serantau khusus Mistral AI, yang dicipta dengan menala halus model keluarga Small menggunakan bahan terpilih dari Timur Tengah dan Asia Selatan. Pembuat menerangkan model dengan 24 bilion parameter yang bertujuan mencerminkan bahasa serantau, konteks budaya dan bentuk ungkapan tempatan. Ia menerima tugas bertulis dan bahan sumber serta mengembalikan teks.
Bahasa dan konteks serantau
Keluaran ini mengenal pasti secara jelas bahasa Arab dan banyak bahasa yang berasal dari India, dengan kekuatan khusus dalam bahasa yang berasal dari India Selatan seperti Tamil. Tumpuannya lebih khusus daripada sekadar menukar bahasa akhir jawapan serba guna: bahan latihan dipilih untuk konteks bahasa dan budaya serantau tempat respons akan digunakan.
Nyatakan khalayak, rantau, bahasa dan laras yang diingini sebelum meminta hasil. Penjelasan formal, mesej untuk pelanggan dan petikan pendidikan boleh memerlukan istilah dan bentuk sapaan yang berbeza. Berikan glosari untuk nama produk atau istilah khusus yang mesti kekal konsisten, dan nyatakan sama ada hasil perlu mengekalkan ungkapan sumber atau menyesuaikan penjelasannya kepada pembaca.
Halaman pembuat memberikan tetingkap konteks 32k dan mengenal pasti edisi sebagai mistral-saba-2502. Gunakan konteks untuk petikan sumber, perbualan dan arahan yang berkaitan bersama. Respons yang disesuaikan mengikut rantau masih memerlukan syarat produk, prosedur atau kandungan dokumen sebenar dibekalkan sebagai bukti; kebiasaan budaya tidak membekalkan maklumat persendirian syarikat.
Sokongan perbualan
Pembuat menekankan pembantu perbualan bahasa Arab sebagai kes penggunaan utama. Permintaan sokongan praktikal boleh memberikan mesej pengguna dan bahan rujukan yang diluluskan, kemudian meminta respons dalam laras yang dinamakan. Minta tindakan seterusnya, syarat yang menjadikannya terpakai dan sebarang butiran yang masih perlu diberikan oleh pengguna. Ini memastikan jawapan berpaut pada masalah tertentu dan bukannya menghasilkan sapaan serantau umum.
Untuk penjelasan dwibahasa, kenal pasti bahasa sumber dan bahasa mesej akhir. Kekalkan nama, amaun atau unit yang diberikan dalam bahan dan terangkan khalayak yang perlu memahami jawapan. Soalan susulan boleh meminta versi lebih pendek atau penjelasan satu istilah sambil mengekalkan syarat yang sama.
Penyesuaian khusus domain
Pengumuman menerangkan penalaan halus Saba untuk domain tertentu, termasuk tenaga dan konteks profesional serantau lain. Itu proses penyesuaian dan bukannya dakwaan bahawa setiap set data khusus sudah menjadi sebahagian daripada model lalai. Untuk tugas teks berorientasikan domain, berikan istilah, dokumen sumber dan peraturan respons yang relevan dengan aplikasi sebenar.
Penjelasan teknikal boleh meminta model menyatakan semula prosedur menggunakan istilah serantau pembaca sambil mengekalkan langkah dan syarat asal. Soalan dokumen boleh mengenal pasti klausa yang perlu diterangkan dan meminta jawapan ringkas dengan petikan sokongan. Bezakan fakta sumber, penjelasan dan sebarang istilah yang belum diselesaikan semasa menyediakan output.
Penciptaan kandungan budaya
Pembuat turut menerangkan penulisan yang relevan dengan budaya dan sumber pendidikan. Berikan topik, khalayak yang dimaksudkan, bahasa dan fakta atau contoh yang perlu muncul. Untuk petikan pendidikan, nyatakan perkara yang pelajar perlu fahami pada akhir dan minta penjelasan diikuti contoh praktikal. Untuk mesej organisasi, berikan tujuan dan maklumat yang perlu diambil tindakan oleh pembaca.
Apabila simpulan bahasa tempatan atau rujukan budaya merupakan sebahagian daripada tugas, nyatakan konteks penggunaannya. Minta ungkapan alternatif apabila versi formal atau lebih neutral sesuai untuk khalayak lain. Ini cara praktikal menggunakan pengkhususan serantau model sambil memastikan kandungan dan tujuan penggunaan jelas.
Batas edisi dan hasil
Pengkhususan Saba yang didokumentasikan ialah kerja bahasa serantau berasaskan teks dengan konteks 32k. Ia tidak patut mewarisi input imej, kawalan penaakulan hibrid atau ciri format alat daripada model Small atau Medium kemudian hanya kerana ia hasil penalaan halus keluarga Small. Sumber yang dibaca tidak menyatakan kapasiti token output maksimum berasingan untuk edisi ini.
Sediakan tugas bertulis yang lengkap, fakta sumber yang relevan dan artifak yang diingini: jawapan sokongan, penjelasan, petikan yang disesuaikan atau teks pendidikan pendek. Pastikan edisi Saba yang dinamakan serta bahasa dan laras khalayak jelas supaya teks yang terhasil menjawab keperluan komunikasi serantau sebenar.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-saba | 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 $0.0004 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00004 / 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 $0.0004 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00004 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-saba", "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-saba',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-saba',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-saba
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/mistral-sabaMistral Saba ialah model teks 24B yang dilatih dengan bahan terpilih dari Timur Tengah dan Asia Selatan. Ia menumpukan bahasa dan konteks budaya serantau, termasuk bahasa Arab dan bahasa yang berasal dari India seperti Tamil, dengan konteks 32k yang dinyatakan oleh pembuat untuk tugas bertulis.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Saba ialah model teks serantau khusus Mistral AI, yang dicipta dengan menala halus model keluarga Small menggunakan bahan terpilih dari Timur Tengah dan Asia Selatan. Pembuat menerangkan model dengan 24 bilion parameter yang bertujuan mencerminkan bahasa serantau, konteks budaya dan bentuk ungkapan tempatan. Ia menerima tugas bertulis dan bahan sumber serta mengembalikan teks.
Bahasa dan konteks serantau
Keluaran ini mengenal pasti secara jelas bahasa Arab dan banyak bahasa yang berasal dari India, dengan kekuatan khusus dalam bahasa yang berasal dari India Selatan seperti Tamil. Tumpuannya lebih khusus daripada sekadar menukar bahasa akhir jawapan serba guna: bahan latihan dipilih untuk konteks bahasa dan budaya serantau tempat respons akan digunakan.
Nyatakan khalayak, rantau, bahasa dan laras yang diingini sebelum meminta hasil. Penjelasan formal, mesej untuk pelanggan dan petikan pendidikan boleh memerlukan istilah dan bentuk sapaan yang berbeza. Berikan glosari untuk nama produk atau istilah khusus yang mesti kekal konsisten, dan nyatakan sama ada hasil perlu mengekalkan ungkapan sumber atau menyesuaikan penjelasannya kepada pembaca.
Halaman pembuat memberikan tetingkap konteks 32k dan mengenal pasti edisi sebagai mistral-saba-2502. Gunakan konteks untuk petikan sumber, perbualan dan arahan yang berkaitan bersama. Respons yang disesuaikan mengikut rantau masih memerlukan syarat produk, prosedur atau kandungan dokumen sebenar dibekalkan sebagai bukti; kebiasaan budaya tidak membekalkan maklumat persendirian syarikat.
Sokongan perbualan
Pembuat menekankan pembantu perbualan bahasa Arab sebagai kes penggunaan utama. Permintaan sokongan praktikal boleh memberikan mesej pengguna dan bahan rujukan yang diluluskan, kemudian meminta respons dalam laras yang dinamakan. Minta tindakan seterusnya, syarat yang menjadikannya terpakai dan sebarang butiran yang masih perlu diberikan oleh pengguna. Ini memastikan jawapan berpaut pada masalah tertentu dan bukannya menghasilkan sapaan serantau umum.
Untuk penjelasan dwibahasa, kenal pasti bahasa sumber dan bahasa mesej akhir. Kekalkan nama, amaun atau unit yang diberikan dalam bahan dan terangkan khalayak yang perlu memahami jawapan. Soalan susulan boleh meminta versi lebih pendek atau penjelasan satu istilah sambil mengekalkan syarat yang sama.
Penyesuaian khusus domain
Pengumuman menerangkan penalaan halus Saba untuk domain tertentu, termasuk tenaga dan konteks profesional serantau lain. Itu proses penyesuaian dan bukannya dakwaan bahawa setiap set data khusus sudah menjadi sebahagian daripada model lalai. Untuk tugas teks berorientasikan domain, berikan istilah, dokumen sumber dan peraturan respons yang relevan dengan aplikasi sebenar.
Penjelasan teknikal boleh meminta model menyatakan semula prosedur menggunakan istilah serantau pembaca sambil mengekalkan langkah dan syarat asal. Soalan dokumen boleh mengenal pasti klausa yang perlu diterangkan dan meminta jawapan ringkas dengan petikan sokongan. Bezakan fakta sumber, penjelasan dan sebarang istilah yang belum diselesaikan semasa menyediakan output.
Penciptaan kandungan budaya
Pembuat turut menerangkan penulisan yang relevan dengan budaya dan sumber pendidikan. Berikan topik, khalayak yang dimaksudkan, bahasa dan fakta atau contoh yang perlu muncul. Untuk petikan pendidikan, nyatakan perkara yang pelajar perlu fahami pada akhir dan minta penjelasan diikuti contoh praktikal. Untuk mesej organisasi, berikan tujuan dan maklumat yang perlu diambil tindakan oleh pembaca.
Apabila simpulan bahasa tempatan atau rujukan budaya merupakan sebahagian daripada tugas, nyatakan konteks penggunaannya. Minta ungkapan alternatif apabila versi formal atau lebih neutral sesuai untuk khalayak lain. Ini cara praktikal menggunakan pengkhususan serantau model sambil memastikan kandungan dan tujuan penggunaan jelas.
Batas edisi dan hasil
Pengkhususan Saba yang didokumentasikan ialah kerja bahasa serantau berasaskan teks dengan konteks 32k. Ia tidak patut mewarisi input imej, kawalan penaakulan hibrid atau ciri format alat daripada model Small atau Medium kemudian hanya kerana ia hasil penalaan halus keluarga Small. Sumber yang dibaca tidak menyatakan kapasiti token output maksimum berasingan untuk edisi ini.
Sediakan tugas bertulis yang lengkap, fakta sumber yang relevan dan artifak yang diingini: jawapan sokongan, penjelasan, petikan yang disesuaikan atau teks pendidikan pendek. Pastikan edisi Saba yang dinamakan serta bahasa dan laras khalayak jelas supaya teks yang terhasil menjawab keperluan komunikasi serantau sebenar.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-saba | 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 $0.0004 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00004 / 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 $0.0004 / 1K token Output · Token output $0.0012 / 1K token Input · Bacaan cache $0.00004 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/mistral-saba",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-saba', '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-saba', '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-saba
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.