Devstral Small 1.1 er Mistral AIs faste, rent tekstbaserte modell for programvareutviklingsagenter. Den er finjustert fra Mistral Small 3.1 med bildekoderen fjernet, slik at modellen fokuserer på utforskning av kodebaser, verktøy og kodeendringer i flere filer. Utgaven har 24 milliarder parametere og et kontekstvindu på inntil 128K tokener. Utdataene består av tekst, kode eller instruksjoner for funksjonene agentapplikasjonen stiller til rådighet.
Versjon 1.1 beholder arkitekturen til den foregående Small-utgaven, samtidig som den utvider hvordan modellen arbeider med instruksjoner og kodemiljøer. Produsenten beskriver bedre generalisering på tvers av ulike agentoppsett og legger til støtte for Mistrals funksjonskallformat ved siden av XML-baserte formater. Dette er måter å uttrykke og tolke agentinteraksjoner på; verktøyene som er stilt til rådighet og kjøremiljøet, avgjør hvilke handlinger i kodebasen som er tilgjengelige.
De viktigste modellegenskapene omfatter størrelsen på 24B, vekter under Apache 2.0 og Tekken-tokenizeren med et ordforråd på omtrent 131K oppføringer. Den faste 1.1-utgaven identifiseres med sitt eget utgivelsesnavn og beholder konteksten på 128K. Tekstlig prosjektmateriale kan omfatte kildefiler, oppgavekrav, tidligere handlinger og returnerte resultater fra søk eller kommandoer. Dette lar neste foreslåtte endring bygge på det agenten har lært om prosjektet.
En praktisk arbeidsflyt begynner med et konkret utviklingsmål. Be agenten finne kodebanen som håndterer en forespørsel, identifisere de relevante funksjonene og foreslå samordnede endringer i de berørte filene. Oppgi forventet atferd, kompatibilitetskrav og eksempler som skiller et korrekt resultat. Ved en feil bør du ta med den observerte feilen og inndataene som reproduserer den. Ved en refaktorering bør du angi grensesnittene og atferden som må være stabile. Den nyttige leveransen er den foreslåtte patchen sammen med en forklaring av avhengighetene og kontrollene som kreves for å validere den.
Modellen støtter også strukturerte svar og dokumentspørsmål. En kodegjennomgang kan returnere separate felter for berørte komponenter, foreslåtte endringer og oppfølgingskontroller. En teknisk dokumentoppgave kan identifisere kravene som er relevante for implementeringen. Prefiksfortsettelse kan fastsette begynnelsen på et svar, mens asynkrone batcharbeidsflyter kan håndtere uavhengige kodeanalyseoppgaver. Disse funksjonene utfyller hovedspesialiseringen på kodebaser og verktøy.
I en Ailoot API-agent bør du oppgi verktøybeskrivelsene og argumentskjemaene sammen med oppgaven. Devstral kan velge en funksjon og klargjøre argumenter; applikasjonen utfører funksjonen, returnerer utdataene og holder samtalen i gang. Modellen skaffer ikke selvstendig filtilgang eller utfører den foreslåtte koden. Bruk de returnerte verktøyresultatene til å forbedre de foreslåtte endringene, og avslutt med kodeleveransen, forklaringen og belegget fra miljøet. Small 1.1-identiteten er forskjellig fra senere Devstral-utgaver og allroundutgaver av Mistral Small.
", "aboutText": "Devstral Small 1.1 er Mistral AIs faste, rent tekstbaserte modell for programvareutviklingsagenter. Den er finjustert fra Mistral Small 3.1 med bildekoderen fjernet, slik at modellen fokuserer på utforskning av kodebaser, verktøy og kodeendringer i flere filer. Utgaven har 24 milliarder parametere og et kontekstvindu på inntil 128K tokener. Utdataene består av tekst, kode eller instruksjoner for funksjonene agentapplikasjonen stiller til rådighet.\n\nVersjon 1.1 beholder arkitekturen til den foregående Small-utgaven, samtidig som den utvider hvordan modellen arbeider med instruksjoner og kodemiljøer. Produsenten beskriver bedre generalisering på tvers av ulike agentoppsett og legger til støtte for Mistrals funksjonskallformat ved siden av XML-baserte formater. Dette er måter å uttrykke og tolke agentinteraksjoner på; verktøyene som er stilt til rådighet og kjøremiljøet, avgjør hvilke handlinger i kodebasen som er tilgjengelige.\n\nDe viktigste modellegenskapene omfatter størrelsen på 24B, vekter under Apache 2.0 og Tekken-tokenizeren med et ordforråd på omtrent 131K oppføringer. Den faste 1.1-utgaven identifiseres med sitt eget utgivelsesnavn og beholder konteksten på 128K. Tekstlig prosjektmateriale kan omfatte kildefiler, oppgavekrav, tidligere handlinger og returnerte resultater fra søk eller kommandoer. Dette lar neste foreslåtte endring bygge på det agenten har lært om prosjektet.\n\nEn praktisk arbeidsflyt begynner med et konkret utviklingsmål. Be agenten finne kodebanen som håndterer en forespørsel, identifisere de relevante funksjonene og foreslå samordnede endringer i de berørte filene. Oppgi forventet atferd, kompatibilitetskrav og eksempler som skiller et korrekt resultat. Ved en feil bør du ta med den observerte feilen og inndataene som reproduserer den. Ved en refaktorering bør du angi grensesnittene og atferden som må være stabile. Den nyttige leveransen er den foreslåtte patchen sammen med en forklaring av avhengighetene og kontrollene som kreves for å validere den.\n\nModellen støtter også strukturerte svar og dokumentspørsmål. En kodegjennomgang kan returnere separate felter for berørte komponenter, foreslåtte endringer og oppfølgingskontroller. En teknisk dokumentoppgave kan identifisere kravene som er relevante for implementeringen. Prefiksfortsettelse kan fastsette begynnelsen på et svar, mens asynkrone batcharbeidsflyter kan håndtere uavhengige kodeanalyseoppgaver. Disse funksjonene utfyller hovedspesialiseringen på kodebaser og verktøy.\n\nI en Ailoot API-agent bør du oppgi verktøybeskrivelsene og argumentskjemaene sammen med oppgaven. Devstral kan velge en funksjon og klargjøre argumenter; applikasjonen utfører funksjonen, returnerer utdataene og holder samtalen i gang. Modellen skaffer ikke selvstendig filtilgang eller utfører den foreslåtte koden. Bruk de returnerte verktøyresultatene til å forbedre de foreslåtte endringene, og avslutt med kodeleveransen, forklaringen og belegget fra miljøet. Small 1.1-identiteten er forskjellig fra senere Devstral-utgaver og allroundutgaver av Mistral Small.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.devstral-small-2507Devstral Small 1.1 er Mistral AIs rent tekstbaserte kodeagentmodell på 24B for å utforske kodebaser og forberede samordnede endringer på tvers av filer. Versjon 1.1 gir bredere instruksjonskompatibilitet og støtter funksjonskall og XML-baserte agentformater, med et kontekstvindu på 128K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Devstral Small 1.1 er Mistral AIs faste, rent tekstbaserte modell for programvareutviklingsagenter. Den er finjustert fra Mistral Small 3.1 med bildekoderen fjernet, slik at modellen fokuserer på utforskning av kodebaser, verktøy og kodeendringer i flere filer. Utgaven har 24 milliarder parametere og et kontekstvindu på inntil 128K tokener. Utdataene består av tekst, kode eller instruksjoner for funksjonene agentapplikasjonen stiller til rådighet.
Versjon 1.1 beholder arkitekturen til den foregående Small-utgaven, samtidig som den utvider hvordan modellen arbeider med instruksjoner og kodemiljøer. Produsenten beskriver bedre generalisering på tvers av ulike agentoppsett og legger til støtte for Mistrals funksjonskallformat ved siden av XML-baserte formater. Dette er måter å uttrykke og tolke agentinteraksjoner på; verktøyene som er stilt til rådighet og kjøremiljøet, avgjør hvilke handlinger i kodebasen som er tilgjengelige.
De viktigste modellegenskapene omfatter størrelsen på 24B, vekter under Apache 2.0 og Tekken-tokenizeren med et ordforråd på omtrent 131K oppføringer. Den faste 1.1-utgaven identifiseres med sitt eget utgivelsesnavn og beholder konteksten på 128K. Tekstlig prosjektmateriale kan omfatte kildefiler, oppgavekrav, tidligere handlinger og returnerte resultater fra søk eller kommandoer. Dette lar neste foreslåtte endring bygge på det agenten har lært om prosjektet.
En praktisk arbeidsflyt begynner med et konkret utviklingsmål. Be agenten finne kodebanen som håndterer en forespørsel, identifisere de relevante funksjonene og foreslå samordnede endringer i de berørte filene. Oppgi forventet atferd, kompatibilitetskrav og eksempler som skiller et korrekt resultat. Ved en feil bør du ta med den observerte feilen og inndataene som reproduserer den. Ved en refaktorering bør du angi grensesnittene og atferden som må være stabile. Den nyttige leveransen er den foreslåtte patchen sammen med en forklaring av avhengighetene og kontrollene som kreves for å validere den.
Modellen støtter også strukturerte svar og dokumentspørsmål. En kodegjennomgang kan returnere separate felter for berørte komponenter, foreslåtte endringer og oppfølgingskontroller. En teknisk dokumentoppgave kan identifisere kravene som er relevante for implementeringen. Prefiksfortsettelse kan fastsette begynnelsen på et svar, mens asynkrone batcharbeidsflyter kan håndtere uavhengige kodeanalyseoppgaver. Disse funksjonene utfyller hovedspesialiseringen på kodebaser og verktøy.
I en Ailoot API-agent bør du oppgi verktøybeskrivelsene og argumentskjemaene sammen med oppgaven. Devstral kan velge en funksjon og klargjøre argumenter; applikasjonen utfører funksjonen, returnerer utdataene og holder samtalen i gang. Modellen skaffer ikke selvstendig filtilgang eller utfører den foreslåtte koden. Bruk de returnerte verktøyresultatene til å forbedre de foreslåtte endringene, og avslutt med kodeleveransen, forklaringen og belegget fra miljøet. Small 1.1-identiteten er forskjellig fra senere Devstral-utgaver og allroundutgaver av Mistral Small.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser devstral-small-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 $0.00022 / 1K tokener Utdata · Utgående tokener $0.00066 / 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-small-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-small-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-small-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-small-2507
Bruk metodestiene som vises ovenfor.
devstral-small-2507Devstral Small 1.1 er Mistral AIs rent tekstbaserte kodeagentmodell på 24B for å utforske kodebaser og forberede samordnede endringer på tvers av filer. Versjon 1.1 gir bredere instruksjonskompatibilitet og støtter funksjonskall og XML-baserte agentformater, med et kontekstvindu på 128K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Devstral Small 1.1 er Mistral AIs faste, rent tekstbaserte modell for programvareutviklingsagenter. Den er finjustert fra Mistral Small 3.1 med bildekoderen fjernet, slik at modellen fokuserer på utforskning av kodebaser, verktøy og kodeendringer i flere filer. Utgaven har 24 milliarder parametere og et kontekstvindu på inntil 128K tokener. Utdataene består av tekst, kode eller instruksjoner for funksjonene agentapplikasjonen stiller til rådighet.
Versjon 1.1 beholder arkitekturen til den foregående Small-utgaven, samtidig som den utvider hvordan modellen arbeider med instruksjoner og kodemiljøer. Produsenten beskriver bedre generalisering på tvers av ulike agentoppsett og legger til støtte for Mistrals funksjonskallformat ved siden av XML-baserte formater. Dette er måter å uttrykke og tolke agentinteraksjoner på; verktøyene som er stilt til rådighet og kjøremiljøet, avgjør hvilke handlinger i kodebasen som er tilgjengelige.
De viktigste modellegenskapene omfatter størrelsen på 24B, vekter under Apache 2.0 og Tekken-tokenizeren med et ordforråd på omtrent 131K oppføringer. Den faste 1.1-utgaven identifiseres med sitt eget utgivelsesnavn og beholder konteksten på 128K. Tekstlig prosjektmateriale kan omfatte kildefiler, oppgavekrav, tidligere handlinger og returnerte resultater fra søk eller kommandoer. Dette lar neste foreslåtte endring bygge på det agenten har lært om prosjektet.
En praktisk arbeidsflyt begynner med et konkret utviklingsmål. Be agenten finne kodebanen som håndterer en forespørsel, identifisere de relevante funksjonene og foreslå samordnede endringer i de berørte filene. Oppgi forventet atferd, kompatibilitetskrav og eksempler som skiller et korrekt resultat. Ved en feil bør du ta med den observerte feilen og inndataene som reproduserer den. Ved en refaktorering bør du angi grensesnittene og atferden som må være stabile. Den nyttige leveransen er den foreslåtte patchen sammen med en forklaring av avhengighetene og kontrollene som kreves for å validere den.
Modellen støtter også strukturerte svar og dokumentspørsmål. En kodegjennomgang kan returnere separate felter for berørte komponenter, foreslåtte endringer og oppfølgingskontroller. En teknisk dokumentoppgave kan identifisere kravene som er relevante for implementeringen. Prefiksfortsettelse kan fastsette begynnelsen på et svar, mens asynkrone batcharbeidsflyter kan håndtere uavhengige kodeanalyseoppgaver. Disse funksjonene utfyller hovedspesialiseringen på kodebaser og verktøy.
I en Ailoot API-agent bør du oppgi verktøybeskrivelsene og argumentskjemaene sammen med oppgaven. Devstral kan velge en funksjon og klargjøre argumenter; applikasjonen utfører funksjonen, returnerer utdataene og holder samtalen i gang. Modellen skaffer ikke selvstendig filtilgang eller utfører den foreslåtte koden. Bruk de returnerte verktøyresultatene til å forbedre de foreslåtte endringene, og avslutt med kodeleveransen, forklaringen og belegget fra miljøet. Small 1.1-identiteten er forskjellig fra senere Devstral-utgaver og allroundutgaver av Mistral Small.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser devstral-small-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 $0.00022 / 1K tokener Utdata · Utgående tokener $0.00066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "devstral-small-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small-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-small-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-small-2507
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.