Mistral Small 3.1 24B Instruct 2503 dibina berasaskan Small 3 2501 dengan menambah pemahaman visual dan memperluas sokongan konteks panjang kepada 128k token. Ia mempunyai 24 bilion parameter dan dilaraskan untuk mengikuti arahan daripada keluaran Small 3.1 Base yang dinamakan secara berasingan. Model menerima teks dan imej serta menghasilkan teks, termasuk penjelasan, kod atau rekod berstruktur.
Keupayaan utama
Penglihatan membolehkan model menganalisis bahan yang kelihatan bersama soalan pengguna. Imej dokumen boleh membekalkan medan atau pernyataan untuk diperiksa, rajah boleh membekalkan hubungan untuk diterangkan, dan carta boleh membekalkan data di sebalik perbandingan. Pastikan label, unit dan kandungan sekeliling yang berkaitan boleh dibaca supaya soalan merujuk bukti yang benar-benar hadir dalam imej.
Pembuat menyenaraikan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Rusia, Inggeris, Perancis, Jerman, Yunani, Hindi, Indonesia, Itali, Jepun, Korea, Melayu, Nepal, Poland, Portugis, Romania, Serbia, Sepanyol, Sweden, Turki, Ukraine, Vietnam, Arab, Benggali, Cina dan Parsi. Takrifkan bahasa akhir, pembaca dan istilah untuk jawapan berbilang bahasa. Nama, label yang dipetik, pengecam pemboleh ubah dan unit boleh dikekalkan tanpa perubahan sambil menyesuaikan prosa sekeliling.
Kad model turut menerangkan keupayaan perbualan dan penaakulan, panggilan fungsi asli, output JSON dan kepatuhan kepada prom sistem. Pentokennya ialah Tekken, dengan kosa kata berlabel 131k. Ini ialah ciri keluaran bernama yang dilaraskan untuk mengikuti arahan; edisi Basenya memenuhi peranan berbeza dan keluaran Small 3.2 serta Small 4 kemudian mengekalkan perubahan dan modnya sendiri.
Penyediaan dokumen, pengekodan dan matematik
Untuk tugas dokumen panjang, kenal pasti dokumen dan tanya satu soalan yang ditentukan. Perbandingan boleh meminta matriks keperluan dengan pernyataan, bahagian sumbernya dan sebarang percanggahan antara dokumen. Ringkasan boleh meminta hanya bahan yang relevan dengan perubahan bernama. Konteks panjang mengekalkan sumber itu bersama, manakala jawapan akhir boleh kekal ringkas.
Untuk penjelasan kod, berikan fungsi dan input yang tingkah lakunya perlu dijejaki. Sertakan fungsi pembantu atau pengisytiharan berkaitan dan tanya cara keadaan berubah sebelum nilai dikembalikan. Untuk pengubahsuaian yang dicadangkan, nyatakan keperluan, antara muka awam yang perlu dikekalkan dan output yang dijangka. Minta kod yang disemak secara berasingan daripada penjelasan dan contohnya.
Untuk tugas matematik, takrifkan simbol dan andaian domain sebelum meminta penerbitan. Nyatakan sama ada hasil akhir perlu tepat, dibundarkan atau berupa bukti sesuatu dakwaan. Jika syarat muncul dalam imej, pastikan formula dan label berkaitan jelas serta minta model mengekalkan tatatanda itu dalam jawapannya. Penyediaan ini menukar tumpuan pengaturcaraan dan penaakulan matematik model yang didokumentasikan menjadi artifak yang boleh diperiksa.
Format arahan dan penggunaan yang disyorkan
Pembuat menerbitkan templat perbualan V7-Tekken yang membezakan peranan sistem, pengguna dan pembantu serta mengesyorkan penggunaan pelaksanaan pentoken yang sepadan sebagai sumber rujukan muktamad. Arahan sistem perlu mentakrifkan peranan pembantu dan peraturan respons, manakala mesej pengguna mengandungi tugas sebenar dan bahan sumber. Pemformatan perbualan yang betul berbeza daripada meletakkan label seakan-akan peranan dalam dokumen yang dipetik.
Kad model mengesyorkan suhu yang agak rendah, seperti 0.15, dan prom sistem yang disesuaikan dengan kes penggunaan. Takrifkan medan atau bahagian output serta syarat yang mesti dikekalkan semasa penulisan semula. Untuk pengekstrakan berulang, minta JSON dengan nama dan jenis yang ditetapkan serta perwakilan nilai yang tiada dalam sumber. Perenggan penjelasan boleh dikembalikan secara berasingan apabila seseorang perlu memeriksa tafsirannya.
Aliran kerja panggilan fungsi
Model boleh memilih fungsi daripada alat yang diterangkan oleh aplikasi dan menjana argumennya. Aplikasi melaksanakan fungsi, mengembalikan hasil bersama panggilan alat yang sepadan, dan model menggunakan hasil itu dalam jawapan kemudian. Contoh pembuat menunjukkan kitaran perbualan ini, termasuk penggunaan alat terdahulu dan soalan pengguna baharu. Oleh itu, carian yang dicadangkan berbeza daripada data yang benar-benar dikembalikan oleh carian.
Pembantu praktikal mungkin terlebih dahulu mengekstrak soalan daripada dokumen dan kemudian menggunakan fungsi rujukan yang diberikan untuk memperoleh syarat yang tiada. Terangkan fungsi dengan jelas, sertakan argumen wajibnya dan kekalkan hasil yang dikembalikan bersama operasi asal. JSON menyusun hasil teks; panggilan fungsi meminta operasi yang disambungkan dan bukannya melaksanakan kod atau membaca pangkalan data secara senyap.
Had substantif
Keupayaan visual yang didokumentasikan membaca imej; ia tidak menjananya. Panduan pembantu dalam kad yang dikeluarkan turut membezakan model ini daripada transkripsi audio dan video, jadi soalan pertuturan atau video memerlukan kandungan berkaitannya dibekalkan melalui langkah penyediaan berasingan yang sesuai. Akses web dan tindakan luaran juga datang daripada alat yang disambungkan, bukannya model teks dan imej sahaja.
Konteks 128k berkaitan dengan input tugas dan perbualan yang dijana, manakala contoh penjanaan 512 token dalam kad model hanyalah tetapan contoh. Tiada kapasiti keras panjang jawapan berasingan dinyatakan dalam sumber yang dibaca. Kekalkan edisi Instruct 2503 yang tepat, format perbualannya dan artifak penjelasan, rekod atau kod yang diminta.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 dibina berasaskan Small 3 2501 dengan menambah pemahaman visual dan memperluas sokongan konteks panjang kepada 128k token. Ia mempunyai 24 bilion parameter dan dilaraskan untuk mengikuti arahan daripada keluaran Small 3.1 Base yang dinamakan secara berasingan. Model menerima teks dan imej serta menghasilkan teks, termasuk penjelasan, kod atau rekod berstruktur.\n\nKeupayaan utama\n\nPenglihatan membolehkan model menganalisis bahan yang kelihatan bersama soalan pengguna. Imej dokumen boleh membekalkan medan atau pernyataan untuk diperiksa, rajah boleh membekalkan hubungan untuk diterangkan, dan carta boleh membekalkan data di sebalik perbandingan. Pastikan label, unit dan kandungan sekeliling yang berkaitan boleh dibaca supaya soalan merujuk bukti yang benar-benar hadir dalam imej.\n\nPembuat menyenaraikan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Rusia, Inggeris, Perancis, Jerman, Yunani, Hindi, Indonesia, Itali, Jepun, Korea, Melayu, Nepal, Poland, Portugis, Romania, Serbia, Sepanyol, Sweden, Turki, Ukraine, Vietnam, Arab, Benggali, Cina dan Parsi. Takrifkan bahasa akhir, pembaca dan istilah untuk jawapan berbilang bahasa. Nama, label yang dipetik, pengecam pemboleh ubah dan unit boleh dikekalkan tanpa perubahan sambil menyesuaikan prosa sekeliling.\n\nKad model turut menerangkan keupayaan perbualan dan penaakulan, panggilan fungsi asli, output JSON dan kepatuhan kepada prom sistem. Pentokennya ialah Tekken, dengan kosa kata berlabel 131k. Ini ialah ciri keluaran bernama yang dilaraskan untuk mengikuti arahan; edisi Basenya memenuhi peranan berbeza dan keluaran Small 3.2 serta Small 4 kemudian mengekalkan perubahan dan modnya sendiri.\n\nPenyediaan dokumen, pengekodan dan matematik\n\nUntuk tugas dokumen panjang, kenal pasti dokumen dan tanya satu soalan yang ditentukan. Perbandingan boleh meminta matriks keperluan dengan pernyataan, bahagian sumbernya dan sebarang percanggahan antara dokumen. Ringkasan boleh meminta hanya bahan yang relevan dengan perubahan bernama. Konteks panjang mengekalkan sumber itu bersama, manakala jawapan akhir boleh kekal ringkas.\n\nUntuk penjelasan kod, berikan fungsi dan input yang tingkah lakunya perlu dijejaki. Sertakan fungsi pembantu atau pengisytiharan berkaitan dan tanya cara keadaan berubah sebelum nilai dikembalikan. Untuk pengubahsuaian yang dicadangkan, nyatakan keperluan, antara muka awam yang perlu dikekalkan dan output yang dijangka. Minta kod yang disemak secara berasingan daripada penjelasan dan contohnya.\n\nUntuk tugas matematik, takrifkan simbol dan andaian domain sebelum meminta penerbitan. Nyatakan sama ada hasil akhir perlu tepat, dibundarkan atau berupa bukti sesuatu dakwaan. Jika syarat muncul dalam imej, pastikan formula dan label berkaitan jelas serta minta model mengekalkan tatatanda itu dalam jawapannya. Penyediaan ini menukar tumpuan pengaturcaraan dan penaakulan matematik model yang didokumentasikan menjadi artifak yang boleh diperiksa.\n\nFormat arahan dan penggunaan yang disyorkan\n\nPembuat menerbitkan templat perbualan V7-Tekken yang membezakan peranan sistem, pengguna dan pembantu serta mengesyorkan penggunaan pelaksanaan pentoken yang sepadan sebagai sumber rujukan muktamad. Arahan sistem perlu mentakrifkan peranan pembantu dan peraturan respons, manakala mesej pengguna mengandungi tugas sebenar dan bahan sumber. Pemformatan perbualan yang betul berbeza daripada meletakkan label seakan-akan peranan dalam dokumen yang dipetik.\n\nKad model mengesyorkan suhu yang agak rendah, seperti 0.15, dan prom sistem yang disesuaikan dengan kes penggunaan. Takrifkan medan atau bahagian output serta syarat yang mesti dikekalkan semasa penulisan semula. Untuk pengekstrakan berulang, minta JSON dengan nama dan jenis yang ditetapkan serta perwakilan nilai yang tiada dalam sumber. Perenggan penjelasan boleh dikembalikan secara berasingan apabila seseorang perlu memeriksa tafsirannya.\n\nAliran kerja panggilan fungsi\n\nModel boleh memilih fungsi daripada alat yang diterangkan oleh aplikasi dan menjana argumennya. Aplikasi melaksanakan fungsi, mengembalikan hasil bersama panggilan alat yang sepadan, dan model menggunakan hasil itu dalam jawapan kemudian. Contoh pembuat menunjukkan kitaran perbualan ini, termasuk penggunaan alat terdahulu dan soalan pengguna baharu. Oleh itu, carian yang dicadangkan berbeza daripada data yang benar-benar dikembalikan oleh carian.\n\nPembantu praktikal mungkin terlebih dahulu mengekstrak soalan daripada dokumen dan kemudian menggunakan fungsi rujukan yang diberikan untuk memperoleh syarat yang tiada. Terangkan fungsi dengan jelas, sertakan argumen wajibnya dan kekalkan hasil yang dikembalikan bersama operasi asal. JSON menyusun hasil teks; panggilan fungsi meminta operasi yang disambungkan dan bukannya melaksanakan kod atau membaca pangkalan data secara senyap.\n\nHad substantif\n\nKeupayaan visual yang didokumentasikan membaca imej; ia tidak menjananya. Panduan pembantu dalam kad yang dikeluarkan turut membezakan model ini daripada transkripsi audio dan video, jadi soalan pertuturan atau video memerlukan kandungan berkaitannya dibekalkan melalui langkah penyediaan berasingan yang sesuai. Akses web dan tindakan luaran juga datang daripada alat yang disambungkan, bukannya model teks dan imej sahaja.\n\nKonteks 128k berkaitan dengan input tugas dan perbualan yang dijana, manakala contoh penjanaan 512 token dalam kad model hanyalah tetapan contoh. Tiada kapasiti keras panjang jawapan berasingan dinyatakan dalam sumber yang dibaca. Kekalkan edisi Instruct 2503 yang tepat, format perbualannya dan artifak penjelasan, rekod atau kod yang diminta.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 menambah pemahaman imej dan konteks 128k yang dinyatakan oleh pembuat kepada barisan Small 3. Ia menggabungkan teks berbilang bahasa, pengaturcaraan dan penaakulan matematik dengan arahan sistem, JSON dan panggilan fungsi asli dalam keluaran tersendiri yang dilaraskan untuk mengikuti arahan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Small 3.1 24B Instruct 2503 dibina berasaskan Small 3 2501 dengan menambah pemahaman visual dan memperluas sokongan konteks panjang kepada 128k token. Ia mempunyai 24 bilion parameter dan dilaraskan untuk mengikuti arahan daripada keluaran Small 3.1 Base yang dinamakan secara berasingan. Model menerima teks dan imej serta menghasilkan teks, termasuk penjelasan, kod atau rekod berstruktur.
Keupayaan utama
Penglihatan membolehkan model menganalisis bahan yang kelihatan bersama soalan pengguna. Imej dokumen boleh membekalkan medan atau pernyataan untuk diperiksa, rajah boleh membekalkan hubungan untuk diterangkan, dan carta boleh membekalkan data di sebalik perbandingan. Pastikan label, unit dan kandungan sekeliling yang berkaitan boleh dibaca supaya soalan merujuk bukti yang benar-benar hadir dalam imej.
Pembuat menyenaraikan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Rusia, Inggeris, Perancis, Jerman, Yunani, Hindi, Indonesia, Itali, Jepun, Korea, Melayu, Nepal, Poland, Portugis, Romania, Serbia, Sepanyol, Sweden, Turki, Ukraine, Vietnam, Arab, Benggali, Cina dan Parsi. Takrifkan bahasa akhir, pembaca dan istilah untuk jawapan berbilang bahasa. Nama, label yang dipetik, pengecam pemboleh ubah dan unit boleh dikekalkan tanpa perubahan sambil menyesuaikan prosa sekeliling.
Kad model turut menerangkan keupayaan perbualan dan penaakulan, panggilan fungsi asli, output JSON dan kepatuhan kepada prom sistem. Pentokennya ialah Tekken, dengan kosa kata berlabel 131k. Ini ialah ciri keluaran bernama yang dilaraskan untuk mengikuti arahan; edisi Basenya memenuhi peranan berbeza dan keluaran Small 3.2 serta Small 4 kemudian mengekalkan perubahan dan modnya sendiri.
Penyediaan dokumen, pengekodan dan matematik
Untuk tugas dokumen panjang, kenal pasti dokumen dan tanya satu soalan yang ditentukan. Perbandingan boleh meminta matriks keperluan dengan pernyataan, bahagian sumbernya dan sebarang percanggahan antara dokumen. Ringkasan boleh meminta hanya bahan yang relevan dengan perubahan bernama. Konteks panjang mengekalkan sumber itu bersama, manakala jawapan akhir boleh kekal ringkas.
Untuk penjelasan kod, berikan fungsi dan input yang tingkah lakunya perlu dijejaki. Sertakan fungsi pembantu atau pengisytiharan berkaitan dan tanya cara keadaan berubah sebelum nilai dikembalikan. Untuk pengubahsuaian yang dicadangkan, nyatakan keperluan, antara muka awam yang perlu dikekalkan dan output yang dijangka. Minta kod yang disemak secara berasingan daripada penjelasan dan contohnya.
Untuk tugas matematik, takrifkan simbol dan andaian domain sebelum meminta penerbitan. Nyatakan sama ada hasil akhir perlu tepat, dibundarkan atau berupa bukti sesuatu dakwaan. Jika syarat muncul dalam imej, pastikan formula dan label berkaitan jelas serta minta model mengekalkan tatatanda itu dalam jawapannya. Penyediaan ini menukar tumpuan pengaturcaraan dan penaakulan matematik model yang didokumentasikan menjadi artifak yang boleh diperiksa.
Format arahan dan penggunaan yang disyorkan
Pembuat menerbitkan templat perbualan V7-Tekken yang membezakan peranan sistem, pengguna dan pembantu serta mengesyorkan penggunaan pelaksanaan pentoken yang sepadan sebagai sumber rujukan muktamad. Arahan sistem perlu mentakrifkan peranan pembantu dan peraturan respons, manakala mesej pengguna mengandungi tugas sebenar dan bahan sumber. Pemformatan perbualan yang betul berbeza daripada meletakkan label seakan-akan peranan dalam dokumen yang dipetik.
Kad model mengesyorkan suhu yang agak rendah, seperti 0.15, dan prom sistem yang disesuaikan dengan kes penggunaan. Takrifkan medan atau bahagian output serta syarat yang mesti dikekalkan semasa penulisan semula. Untuk pengekstrakan berulang, minta JSON dengan nama dan jenis yang ditetapkan serta perwakilan nilai yang tiada dalam sumber. Perenggan penjelasan boleh dikembalikan secara berasingan apabila seseorang perlu memeriksa tafsirannya.
Aliran kerja panggilan fungsi
Model boleh memilih fungsi daripada alat yang diterangkan oleh aplikasi dan menjana argumennya. Aplikasi melaksanakan fungsi, mengembalikan hasil bersama panggilan alat yang sepadan, dan model menggunakan hasil itu dalam jawapan kemudian. Contoh pembuat menunjukkan kitaran perbualan ini, termasuk penggunaan alat terdahulu dan soalan pengguna baharu. Oleh itu, carian yang dicadangkan berbeza daripada data yang benar-benar dikembalikan oleh carian.
Pembantu praktikal mungkin terlebih dahulu mengekstrak soalan daripada dokumen dan kemudian menggunakan fungsi rujukan yang diberikan untuk memperoleh syarat yang tiada. Terangkan fungsi dengan jelas, sertakan argumen wajibnya dan kekalkan hasil yang dikembalikan bersama operasi asal. JSON menyusun hasil teks; panggilan fungsi meminta operasi yang disambungkan dan bukannya melaksanakan kod atau membaca pangkalan data secara senyap.
Had substantif
Keupayaan visual yang didokumentasikan membaca imej; ia tidak menjananya. Panduan pembantu dalam kad yang dikeluarkan turut membezakan model ini daripada transkripsi audio dan video, jadi soalan pertuturan atau video memerlukan kandungan berkaitannya dibekalkan melalui langkah penyediaan berasingan yang sesuai. Akses web dan tindakan luaran juga datang daripada alat yang disambungkan, bukannya model teks dan imej sahaja.
Konteks 128k berkaitan dengan input tugas dan perbualan yang dijana, manakala contoh penjanaan 512 token dalam kad model hanyalah tetapan contoh. Tiada kapasiti keras panjang jawapan berasingan dinyatakan dalam sumber yang dibaca. Kekalkan edisi Instruct 2503 yang tepat, format perbualannya dan artifak penjelasan, rekod atau kod yang diminta.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Output · Token output $0.00111 / 1K token Input · Bacaan cache $0 / 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 $0.0011 / 1K token Output · Token output $0.00111 / 1K token Input · Bacaan cache $0 / 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/mistral-small-3.1-24b-instruct", "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-small-3.1-24b-instruct',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-small-3.1-24b-instruct',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-small-3.1-24b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 menambah pemahaman imej dan konteks 128k yang dinyatakan oleh pembuat kepada barisan Small 3. Ia menggabungkan teks berbilang bahasa, pengaturcaraan dan penaakulan matematik dengan arahan sistem, JSON dan panggilan fungsi asli dalam keluaran tersendiri yang dilaraskan untuk mengikuti arahan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Small 3.1 24B Instruct 2503 dibina berasaskan Small 3 2501 dengan menambah pemahaman visual dan memperluas sokongan konteks panjang kepada 128k token. Ia mempunyai 24 bilion parameter dan dilaraskan untuk mengikuti arahan daripada keluaran Small 3.1 Base yang dinamakan secara berasingan. Model menerima teks dan imej serta menghasilkan teks, termasuk penjelasan, kod atau rekod berstruktur.
Keupayaan utama
Penglihatan membolehkan model menganalisis bahan yang kelihatan bersama soalan pengguna. Imej dokumen boleh membekalkan medan atau pernyataan untuk diperiksa, rajah boleh membekalkan hubungan untuk diterangkan, dan carta boleh membekalkan data di sebalik perbandingan. Pastikan label, unit dan kandungan sekeliling yang berkaitan boleh dibaca supaya soalan merujuk bukti yang benar-benar hadir dalam imej.
Pembuat menyenaraikan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Rusia, Inggeris, Perancis, Jerman, Yunani, Hindi, Indonesia, Itali, Jepun, Korea, Melayu, Nepal, Poland, Portugis, Romania, Serbia, Sepanyol, Sweden, Turki, Ukraine, Vietnam, Arab, Benggali, Cina dan Parsi. Takrifkan bahasa akhir, pembaca dan istilah untuk jawapan berbilang bahasa. Nama, label yang dipetik, pengecam pemboleh ubah dan unit boleh dikekalkan tanpa perubahan sambil menyesuaikan prosa sekeliling.
Kad model turut menerangkan keupayaan perbualan dan penaakulan, panggilan fungsi asli, output JSON dan kepatuhan kepada prom sistem. Pentokennya ialah Tekken, dengan kosa kata berlabel 131k. Ini ialah ciri keluaran bernama yang dilaraskan untuk mengikuti arahan; edisi Basenya memenuhi peranan berbeza dan keluaran Small 3.2 serta Small 4 kemudian mengekalkan perubahan dan modnya sendiri.
Penyediaan dokumen, pengekodan dan matematik
Untuk tugas dokumen panjang, kenal pasti dokumen dan tanya satu soalan yang ditentukan. Perbandingan boleh meminta matriks keperluan dengan pernyataan, bahagian sumbernya dan sebarang percanggahan antara dokumen. Ringkasan boleh meminta hanya bahan yang relevan dengan perubahan bernama. Konteks panjang mengekalkan sumber itu bersama, manakala jawapan akhir boleh kekal ringkas.
Untuk penjelasan kod, berikan fungsi dan input yang tingkah lakunya perlu dijejaki. Sertakan fungsi pembantu atau pengisytiharan berkaitan dan tanya cara keadaan berubah sebelum nilai dikembalikan. Untuk pengubahsuaian yang dicadangkan, nyatakan keperluan, antara muka awam yang perlu dikekalkan dan output yang dijangka. Minta kod yang disemak secara berasingan daripada penjelasan dan contohnya.
Untuk tugas matematik, takrifkan simbol dan andaian domain sebelum meminta penerbitan. Nyatakan sama ada hasil akhir perlu tepat, dibundarkan atau berupa bukti sesuatu dakwaan. Jika syarat muncul dalam imej, pastikan formula dan label berkaitan jelas serta minta model mengekalkan tatatanda itu dalam jawapannya. Penyediaan ini menukar tumpuan pengaturcaraan dan penaakulan matematik model yang didokumentasikan menjadi artifak yang boleh diperiksa.
Format arahan dan penggunaan yang disyorkan
Pembuat menerbitkan templat perbualan V7-Tekken yang membezakan peranan sistem, pengguna dan pembantu serta mengesyorkan penggunaan pelaksanaan pentoken yang sepadan sebagai sumber rujukan muktamad. Arahan sistem perlu mentakrifkan peranan pembantu dan peraturan respons, manakala mesej pengguna mengandungi tugas sebenar dan bahan sumber. Pemformatan perbualan yang betul berbeza daripada meletakkan label seakan-akan peranan dalam dokumen yang dipetik.
Kad model mengesyorkan suhu yang agak rendah, seperti 0.15, dan prom sistem yang disesuaikan dengan kes penggunaan. Takrifkan medan atau bahagian output serta syarat yang mesti dikekalkan semasa penulisan semula. Untuk pengekstrakan berulang, minta JSON dengan nama dan jenis yang ditetapkan serta perwakilan nilai yang tiada dalam sumber. Perenggan penjelasan boleh dikembalikan secara berasingan apabila seseorang perlu memeriksa tafsirannya.
Aliran kerja panggilan fungsi
Model boleh memilih fungsi daripada alat yang diterangkan oleh aplikasi dan menjana argumennya. Aplikasi melaksanakan fungsi, mengembalikan hasil bersama panggilan alat yang sepadan, dan model menggunakan hasil itu dalam jawapan kemudian. Contoh pembuat menunjukkan kitaran perbualan ini, termasuk penggunaan alat terdahulu dan soalan pengguna baharu. Oleh itu, carian yang dicadangkan berbeza daripada data yang benar-benar dikembalikan oleh carian.
Pembantu praktikal mungkin terlebih dahulu mengekstrak soalan daripada dokumen dan kemudian menggunakan fungsi rujukan yang diberikan untuk memperoleh syarat yang tiada. Terangkan fungsi dengan jelas, sertakan argumen wajibnya dan kekalkan hasil yang dikembalikan bersama operasi asal. JSON menyusun hasil teks; panggilan fungsi meminta operasi yang disambungkan dan bukannya melaksanakan kod atau membaca pangkalan data secara senyap.
Had substantif
Keupayaan visual yang didokumentasikan membaca imej; ia tidak menjananya. Panduan pembantu dalam kad yang dikeluarkan turut membezakan model ini daripada transkripsi audio dan video, jadi soalan pertuturan atau video memerlukan kandungan berkaitannya dibekalkan melalui langkah penyediaan berasingan yang sesuai. Akses web dan tindakan luaran juga datang daripada alat yang disambungkan, bukannya model teks dan imej sahaja.
Konteks 128k berkaitan dengan input tugas dan perbualan yang dijana, manakala contoh penjanaan 512 token dalam kad model hanyalah tetapan contoh. Tiada kapasiti keras panjang jawapan berasingan dinyatakan dalam sumber yang dibaca. Kekalkan edisi Instruct 2503 yang tepat, format perbualannya dan artifak penjelasan, rekod atau kod yang diminta.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Output · Token output $0.00111 / 1K token Input · Bacaan cache $0 / 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 $0.0011 / 1K token Output · Token output $0.00111 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small-3.1-24b-instruct', '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-small-3.1-24b-instruct', '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-small-3.1-24b-instruct
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.