Devstral Medium 1.0 er Mistral AIs faste tekstmodell for programvareutviklingsagenter. Utgaven identifiseres som devstral-medium-2507 og fokuserer på å bruke verktøy til å utforske kodebaser, redigere flere relaterte filer og videreføre en utviklingsoppgave over flere trinn. Kontekstvinduet er på 128K tokener. Inndataene er tekstlig oppgave- og prosjektmateriale; utdataene kan være kode, en forklaring eller argumenter til en funksjon applikasjonen tilbyr.
Medium-utgaven tilhører den samme retningen for programvareagenter som Devstral Small, samtidig som den beholder sin egen modellidentitet. Produsenten introduserer den for oppgaver som trenger forståelse av kodebaser og samordnet arbeid i et agentmiljø. Den faste 1.0-utgaven holdes atskilt fra senere Devstral-generasjoner og allroundfamilien Mistral Medium. Konteksten og den rent tekstbaserte spesialiseringen tilhører denne utgaven.
De støttede applikasjonsfunksjonene omfatter strukturerte utdata, funksjonskall, dokumentspørsmål og prefiksfortsettelse. Strukturerte resultater lar agenten presentere en endringsplan med felter som berørte filer, nødvendige endringer, antakelser og valideringstrinn. En arbeidsflyt for dokumentspørsmål oppgir uthentet teknisk innhold til analyse, noe som er nyttig når implementeringskravene er spredt over spesifikasjoner. Et prefiks kan fastsette åpningen på et svar, og asynkrone batcharbeidsflyter kan håndtere uavhengige analyseforespørsler.
Ved en verktøystøttet oppgave bør du definere tilgjengelige funksjoner og argumentskjemaene deres. Modellen velger riktig handling og klargjør argumenter; applikasjonen utfører handlingen og returnerer resultatet. Neste trinn kan være et nytt funksjonskall eller et svar basert på den samlede informasjonen. Påfølgende kall støtter utforskning etterfulgt av redigering og gjennomgang; uavhengige kall kan forespørres samlet når applikasjonen tillater parallell bruk. Filtilgang, kommandoutførelse og anvendelse av endringer forblir funksjoner i agentmiljøet.
Ved en endring i kodebasen bør du oppgi forventet atferd, relevante grensesnitt og et reproduserbart eksempel. Be agenten følge den eksisterende kodebanen, identifisere avhengighetene og klargjøre endringer som er samstemte på tvers av de berørte filene. Ved en feil bør du ta med observert resultat og resultatet spesifikasjonen krever. Ved en refaktorering bør du angi den offentlige atferden som må være stabil. Returnerte søkeresultater, filinnhold og kontroller blir del av tekstkonteksten som styrer neste forslag.
I en Ailoot API-arbeidsflyt bør du definere sluttleveransen før oppstart: en patch, en implementeringsplan, en strukturert gjennomgang eller en teknisk forklaring. Be om et resultat som skiller de foreslåtte endringene fra begrunnelsen og fra kontroller som faktisk er returnert av miljøet. Modellen leverer neste beslutning og tekstutdata, mens applikasjonen stiller verktøy til rådighet og validerer effektene deres. Dette gjør den faste Medium 1.0-utgaven nyttig for utviklingsarbeid som må knytte sammen det opprinnelige kravet, belegget fra kodebasen og et sammenhengende sett med foreslåtte endringer.
", "aboutText": "Devstral Medium 1.0 er Mistral AIs faste tekstmodell for programvareutviklingsagenter. Utgaven identifiseres som devstral-medium-2507 og fokuserer på å bruke verktøy til å utforske kodebaser, redigere flere relaterte filer og videreføre en utviklingsoppgave over flere trinn. Kontekstvinduet er på 128K tokener. Inndataene er tekstlig oppgave- og prosjektmateriale; utdataene kan være kode, en forklaring eller argumenter til en funksjon applikasjonen tilbyr.\n\nMedium-utgaven tilhører den samme retningen for programvareagenter som Devstral Small, samtidig som den beholder sin egen modellidentitet. Produsenten introduserer den for oppgaver som trenger forståelse av kodebaser og samordnet arbeid i et agentmiljø. Den faste 1.0-utgaven holdes atskilt fra senere Devstral-generasjoner og allroundfamilien Mistral Medium. Konteksten og den rent tekstbaserte spesialiseringen tilhører denne utgaven.\n\nDe støttede applikasjonsfunksjonene omfatter strukturerte utdata, funksjonskall, dokumentspørsmål og prefiksfortsettelse. Strukturerte resultater lar agenten presentere en endringsplan med felter som berørte filer, nødvendige endringer, antakelser og valideringstrinn. En arbeidsflyt for dokumentspørsmål oppgir uthentet teknisk innhold til analyse, noe som er nyttig når implementeringskravene er spredt over spesifikasjoner. Et prefiks kan fastsette åpningen på et svar, og asynkrone batcharbeidsflyter kan håndtere uavhengige analyseforespørsler.\n\nVed en verktøystøttet oppgave bør du definere tilgjengelige funksjoner og argumentskjemaene deres. Modellen velger riktig handling og klargjør argumenter; applikasjonen utfører handlingen og returnerer resultatet. Neste trinn kan være et nytt funksjonskall eller et svar basert på den samlede informasjonen. Påfølgende kall støtter utforskning etterfulgt av redigering og gjennomgang; uavhengige kall kan forespørres samlet når applikasjonen tillater parallell bruk. Filtilgang, kommandoutførelse og anvendelse av endringer forblir funksjoner i agentmiljøet.\n\nVed en endring i kodebasen bør du oppgi forventet atferd, relevante grensesnitt og et reproduserbart eksempel. Be agenten følge den eksisterende kodebanen, identifisere avhengighetene og klargjøre endringer som er samstemte på tvers av de berørte filene. Ved en feil bør du ta med observert resultat og resultatet spesifikasjonen krever. Ved en refaktorering bør du angi den offentlige atferden som må være stabil. Returnerte søkeresultater, filinnhold og kontroller blir del av tekstkonteksten som styrer neste forslag.\n\nI en Ailoot API-arbeidsflyt bør du definere sluttleveransen før oppstart: en patch, en implementeringsplan, en strukturert gjennomgang eller en teknisk forklaring. Be om et resultat som skiller de foreslåtte endringene fra begrunnelsen og fra kontroller som faktisk er returnert av miljøet. Modellen leverer neste beslutning og tekstutdata, mens applikasjonen stiller verktøy til rådighet og validerer effektene deres. Dette gjør den faste Medium 1.0-utgaven nyttig for utviklingsarbeid som må knytte sammen det opprinnelige kravet, belegget fra kodebasen og et sammenhengende sett med foreslåtte endringer.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Coordinate a renamed export field\n\nPropose a patch plan across three files. serializer.py emits {'userName': user.name}; client.ts reads response.userName; schema.md documents userName. Requirement: new responses use display_name while the client temporarily accepts either field. Show the edits as small before/after snippets and give a compatibility test and a new-field test. Do not claim the files were edited.Three coordinated proposed edits plus tests for old and new responses during the compatibility period.The client accepts both spellings, while the producer and documentation agree on display_name.devstral-medium-2507Devstral Medium 1.0 er Mistral AIs faste, rent tekstbaserte utgave for utforskning av kodebaser, verktøybruk og samordnede programvareendringer. Konteksten på 128K rommer oppgavekrav, kode og returnerte verktøyresultater for en agent som arbeider på tvers av relaterte filer.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Devstral Medium 1.0 er Mistral AIs faste tekstmodell for programvareutviklingsagenter. Utgaven identifiseres som devstral-medium-2507 og fokuserer på å bruke verktøy til å utforske kodebaser, redigere flere relaterte filer og videreføre en utviklingsoppgave over flere trinn. Kontekstvinduet er på 128K tokener. Inndataene er tekstlig oppgave- og prosjektmateriale; utdataene kan være kode, en forklaring eller argumenter til en funksjon applikasjonen tilbyr.
Medium-utgaven tilhører den samme retningen for programvareagenter som Devstral Small, samtidig som den beholder sin egen modellidentitet. Produsenten introduserer den for oppgaver som trenger forståelse av kodebaser og samordnet arbeid i et agentmiljø. Den faste 1.0-utgaven holdes atskilt fra senere Devstral-generasjoner og allroundfamilien Mistral Medium. Konteksten og den rent tekstbaserte spesialiseringen tilhører denne utgaven.
De støttede applikasjonsfunksjonene omfatter strukturerte utdata, funksjonskall, dokumentspørsmål og prefiksfortsettelse. Strukturerte resultater lar agenten presentere en endringsplan med felter som berørte filer, nødvendige endringer, antakelser og valideringstrinn. En arbeidsflyt for dokumentspørsmål oppgir uthentet teknisk innhold til analyse, noe som er nyttig når implementeringskravene er spredt over spesifikasjoner. Et prefiks kan fastsette åpningen på et svar, og asynkrone batcharbeidsflyter kan håndtere uavhengige analyseforespørsler.
Ved en verktøystøttet oppgave bør du definere tilgjengelige funksjoner og argumentskjemaene deres. Modellen velger riktig handling og klargjør argumenter; applikasjonen utfører handlingen og returnerer resultatet. Neste trinn kan være et nytt funksjonskall eller et svar basert på den samlede informasjonen. Påfølgende kall støtter utforskning etterfulgt av redigering og gjennomgang; uavhengige kall kan forespørres samlet når applikasjonen tillater parallell bruk. Filtilgang, kommandoutførelse og anvendelse av endringer forblir funksjoner i agentmiljøet.
Ved en endring i kodebasen bør du oppgi forventet atferd, relevante grensesnitt og et reproduserbart eksempel. Be agenten følge den eksisterende kodebanen, identifisere avhengighetene og klargjøre endringer som er samstemte på tvers av de berørte filene. Ved en feil bør du ta med observert resultat og resultatet spesifikasjonen krever. Ved en refaktorering bør du angi den offentlige atferden som må være stabil. Returnerte søkeresultater, filinnhold og kontroller blir del av tekstkonteksten som styrer neste forslag.
I en Ailoot API-arbeidsflyt bør du definere sluttleveransen før oppstart: en patch, en implementeringsplan, en strukturert gjennomgang eller en teknisk forklaring. Be om et resultat som skiller de foreslåtte endringene fra begrunnelsen og fra kontroller som faktisk er returnert av miljøet. Modellen leverer neste beslutning og tekstutdata, mens applikasjonen stiller verktøy til rådighet og validerer effektene deres. Dette gjør den faste Medium 1.0-utgaven nyttig for utviklingsarbeid som må knytte sammen det opprinnelige kravet, belegget fra kodebasen og et sammenhengende sett med foreslåtte endringer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser devstral-medium-2507 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00088 / 1K tokener Utdata · Utgående tokener $0.0044 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-medium-2507", "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='devstral-medium-2507',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='devstral-medium-2507',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra devstral-medium-2507
Bruk metodestiene som vises ovenfor.
devstral-medium-2507Devstral Medium 1.0 er Mistral AIs faste, rent tekstbaserte utgave for utforskning av kodebaser, verktøybruk og samordnede programvareendringer. Konteksten på 128K rommer oppgavekrav, kode og returnerte verktøyresultater for en agent som arbeider på tvers av relaterte filer.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Devstral Medium 1.0 er Mistral AIs faste tekstmodell for programvareutviklingsagenter. Utgaven identifiseres som devstral-medium-2507 og fokuserer på å bruke verktøy til å utforske kodebaser, redigere flere relaterte filer og videreføre en utviklingsoppgave over flere trinn. Kontekstvinduet er på 128K tokener. Inndataene er tekstlig oppgave- og prosjektmateriale; utdataene kan være kode, en forklaring eller argumenter til en funksjon applikasjonen tilbyr.
Medium-utgaven tilhører den samme retningen for programvareagenter som Devstral Small, samtidig som den beholder sin egen modellidentitet. Produsenten introduserer den for oppgaver som trenger forståelse av kodebaser og samordnet arbeid i et agentmiljø. Den faste 1.0-utgaven holdes atskilt fra senere Devstral-generasjoner og allroundfamilien Mistral Medium. Konteksten og den rent tekstbaserte spesialiseringen tilhører denne utgaven.
De støttede applikasjonsfunksjonene omfatter strukturerte utdata, funksjonskall, dokumentspørsmål og prefiksfortsettelse. Strukturerte resultater lar agenten presentere en endringsplan med felter som berørte filer, nødvendige endringer, antakelser og valideringstrinn. En arbeidsflyt for dokumentspørsmål oppgir uthentet teknisk innhold til analyse, noe som er nyttig når implementeringskravene er spredt over spesifikasjoner. Et prefiks kan fastsette åpningen på et svar, og asynkrone batcharbeidsflyter kan håndtere uavhengige analyseforespørsler.
Ved en verktøystøttet oppgave bør du definere tilgjengelige funksjoner og argumentskjemaene deres. Modellen velger riktig handling og klargjør argumenter; applikasjonen utfører handlingen og returnerer resultatet. Neste trinn kan være et nytt funksjonskall eller et svar basert på den samlede informasjonen. Påfølgende kall støtter utforskning etterfulgt av redigering og gjennomgang; uavhengige kall kan forespørres samlet når applikasjonen tillater parallell bruk. Filtilgang, kommandoutførelse og anvendelse av endringer forblir funksjoner i agentmiljøet.
Ved en endring i kodebasen bør du oppgi forventet atferd, relevante grensesnitt og et reproduserbart eksempel. Be agenten følge den eksisterende kodebanen, identifisere avhengighetene og klargjøre endringer som er samstemte på tvers av de berørte filene. Ved en feil bør du ta med observert resultat og resultatet spesifikasjonen krever. Ved en refaktorering bør du angi den offentlige atferden som må være stabil. Returnerte søkeresultater, filinnhold og kontroller blir del av tekstkonteksten som styrer neste forslag.
I en Ailoot API-arbeidsflyt bør du definere sluttleveransen før oppstart: en patch, en implementeringsplan, en strukturert gjennomgang eller en teknisk forklaring. Be om et resultat som skiller de foreslåtte endringene fra begrunnelsen og fra kontroller som faktisk er returnert av miljøet. Modellen leverer neste beslutning og tekstutdata, mens applikasjonen stiller verktøy til rådighet og validerer effektene deres. Dette gjør den faste Medium 1.0-utgaven nyttig for utviklingsarbeid som må knytte sammen det opprinnelige kravet, belegget fra kodebasen og et sammenhengende sett med foreslåtte endringer.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser devstral-medium-2507 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00088 / 1K tokener Utdata · Utgående tokener $0.0044 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "devstral-medium-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-medium-2507', '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': 'devstral-medium-2507', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra devstral-medium-2507
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Coordinate a renamed export field\n\nPropose a patch plan across three files. serializer.py emits {'userName': user.name}; client.ts reads response.userName; schema.md documents userName. Requirement: new responses use display_name while the client temporarily accepts either field. Show the edits as small before/after snippets and give a compatibility test and a new-field test. Do not claim the files were edited.Three coordinated proposed edits plus tests for old and new responses during the compatibility period.The client accepts both spellings, while the producer and documentation agree on display_name.