Codestral 2508 er Mistral AIs programmeringsmodell for hyppige fullførings- og genereringsoppgaver som er følsomme for ventetid. Den mottar kildekode og tekstlige krav og returnerer tekst som kan inneholde en implementasjon, fullføring, rettelse eller forklaring. Den navngitte 2508-utgaven fokuserer på utviklerens aktuelle redigeringskontekst og er ikke en embeddingmodell eller en komplett kodearkivagent i seg selv.
Kodefullføring og 2508-oppdateringen
Produsenten posisjonerer Codestral for utfylling i midten og redigering over flere linjer. Utgivelsen beskriver forbedringer i fullføringsatferd, blant annet mindre ukontrollert generering, sammen med forbedringer i instruksjonsfølging og kodeoppgaver i chatmodus. Dette er endringer i denne Codestral-utgaven; gjenfinning og autonome agentfunksjoner i den omkringliggende programmeringsstakken tilhører separat navngitte komponenter.
For en fullføringsoppgave beholder du den relevante funksjonssignaturen, deklarasjonene og kallkonteksten sammen med markørposisjonen. Identifiser om ønsket resultat bare er den manglende koden eller en komplett revidert funksjon. En editororientert forespørsel kan be om kroppen til en løkke som bevarer den eksisterende returtypen, beholder duplikatverdier og ikke endrer inndataene til den som kaller funksjonen. Resultatet får da et konkret innsettingspunkt og definert atferd.
Forberedelse for utfylling i midten
I produsentens FIM-grensesnitt inneholder prompten tekst eller kode som skal fullføres, og et valgfritt suffiks inneholder materialet etter tomrommet. Når begge er oppgitt, fyller modellen rommet mellom dem. Uten et suffiks fortsetter den fra prompten. Dette skiller seg fra en vanlig samtaleforespørsel som ber om en kodeendring og en forklaring; hver måte å forberede oppgaven på definerer en egen kontrakt for utdataene.
Nyttige inndata for utfylling av et tomrom omfatter starten på funksjonen, koden som må komme etter innsettingen, og relevante type- eller hjelperdefinisjoner. Bevar innrykk og skilletegn slik at den returnerte teksten passer inn i det eksisterende fragmentet. Hvis oppgaven bare trenger den manglende kroppen, ber du om den fremfor en omskriving av hele filen. Et separat chatspørsmål kan forklare hvorfor det fullførte fragmentet oppfyller kravet.
Den offisielle FIM-dokumentasjonen tillater et budsjett for utdatatokener og krever at prompten pluss dette budsjettet holder seg innenfor modellens kontekst. Den dokumenterer også stoppsekvenser og strømming av generert innhold. Velg en fullføringsarbeidsflyt når resultatet må passe inn i et tomrom i koden, og en samtalearbeidsflyt når oppgaven ber om kode sammen med en forklaring.
Kontekst og støttefunksjoner
Modellsiden oppgir et kontekstvindu på 128k. Bruk konteksten til å beholde kildekoden og deklarasjonene som bestemmer den tiltenkte endringen, samtidig som den faktiske redigeringsoppgaven er eksplisitt. For en feilrettingsforespørsel gir du den berørte funksjonen, konkrete inndata som feiler, det forventede resultatet og feilen eller den observerte atferden. Be om den foreslåtte rettelsen separat fra forklaringen og eksemplene.
Siden lister også strukturerte utdata, funksjonskall, forhåndsangitte utdata, dokumentbasert spørsmålssvar, svarprefikser og satsvis behandling sammen med chat- og FIM-funksjoner. For et strukturert kodegjennomgangsresultat definerer du felter som det berørte symbolet, det observerte avviket, den foreslåtte endringen og antakelsen som fortsatt må avklares. Mistrals veiledning om strukturerte utdata skiller JSON-modus fra et tilpasset skjema, og det ønskede JSON-formatet angis i prompten.
Forhåndsangitte utdata er beregnet på innhold der store deler av svaret allerede er kjent. De kan brukes ved ny generering av et dokument eller en kodefil med en avgrenset endring, mens resten av innholdet beholdes. Angi den nøyaktige endringen og materialet som skal bevares. Et svarprefiks gir derimot en kjent start som genereringen fortsetter fra; det skiller seg både fra en kjent fullstendig tekst og et FIM-suffiks.
Et dokumentasjonsspørsmål kan bruke produsentens dokumentbehandlingsflyt til å klargjøre tekst og struktur med OCR før språkmodellanalyse. For programmeringsmateriale som allerede finnes som tekst, gir du de relevante dokumentasjonsutdragene og spør hvilken betingelse som styrer implementasjonen. Hold hvert uttrukket krav knyttet til kildeavsnittet slik at den genererte koden eller forklaringen forblir forbundet med den oppgitte spesifikasjonen.
Verktøy og praktiske resultater
Funksjonskall lar applikasjonen oppgi beskrevne operasjoner og parameterne deres. Modellen forbereder et kall, applikasjonen utfører det, og det returnerte resultatet blir kontekst for neste svar. En kodeassistent kan motta et oppslagsresultat eller et beregningsresultat gjennom denne syklusen, men kompilering, testing eller bruk av en foreslått endring krever fortsatt det omkringliggende utviklingsmiljøet.
For en praktisk rettelse definerer du det offentlige grensesnittet som skal forbli kompatibelt, og ber om det reviderte fragmentet, en kort forklaring og eksempelinndata med forventede utdata. For en generert funksjon angir du de aksepterte typene og randtilfellene. For en forklaring gir du inndataene som skal spores, slik at svaret knytter et konkret utførelsesforløp til returverdien.
Codestral produserer tekst. Den arver ikke vektorer for kodesøk fra Codestral Embed, automatisering av kodearkiver fra Devstral eller bildegenerering fra en visuell modell. Den konkrete modellsiden for 2508 publiserer ikke et parameterantall eller en uavhengig maksimal svarlengde som kan lånes fra en annen utgivelse. Bevar den navngitte utgaven, programmeringskonteksten og det påkrevde artefaktet når du forbereder en repeterbar arbeidsflyt i editor eller chat.
", "aboutText": "Codestral 2508 er Mistral AIs programmeringsmodell for hyppige fullførings- og genereringsoppgaver som er følsomme for ventetid. Den mottar kildekode og tekstlige krav og returnerer tekst som kan inneholde en implementasjon, fullføring, rettelse eller forklaring. Den navngitte 2508-utgaven fokuserer på utviklerens aktuelle redigeringskontekst og er ikke en embeddingmodell eller en komplett kodearkivagent i seg selv.\n\nKodefullføring og 2508-oppdateringen\n\nProdusenten posisjonerer Codestral for utfylling i midten og redigering over flere linjer. Utgivelsen beskriver forbedringer i fullføringsatferd, blant annet mindre ukontrollert generering, sammen med forbedringer i instruksjonsfølging og kodeoppgaver i chatmodus. Dette er endringer i denne Codestral-utgaven; gjenfinning og autonome agentfunksjoner i den omkringliggende programmeringsstakken tilhører separat navngitte komponenter.\n\nFor en fullføringsoppgave beholder du den relevante funksjonssignaturen, deklarasjonene og kallkonteksten sammen med markørposisjonen. Identifiser om ønsket resultat bare er den manglende koden eller en komplett revidert funksjon. En editororientert forespørsel kan be om kroppen til en løkke som bevarer den eksisterende returtypen, beholder duplikatverdier og ikke endrer inndataene til den som kaller funksjonen. Resultatet får da et konkret innsettingspunkt og definert atferd.\n\nForberedelse for utfylling i midten\n\nI produsentens FIM-grensesnitt inneholder prompten tekst eller kode som skal fullføres, og et valgfritt suffiks inneholder materialet etter tomrommet. Når begge er oppgitt, fyller modellen rommet mellom dem. Uten et suffiks fortsetter den fra prompten. Dette skiller seg fra en vanlig samtaleforespørsel som ber om en kodeendring og en forklaring; hver måte å forberede oppgaven på definerer en egen kontrakt for utdataene.\n\nNyttige inndata for utfylling av et tomrom omfatter starten på funksjonen, koden som må komme etter innsettingen, og relevante type- eller hjelperdefinisjoner. Bevar innrykk og skilletegn slik at den returnerte teksten passer inn i det eksisterende fragmentet. Hvis oppgaven bare trenger den manglende kroppen, ber du om den fremfor en omskriving av hele filen. Et separat chatspørsmål kan forklare hvorfor det fullførte fragmentet oppfyller kravet.\n\nDen offisielle FIM-dokumentasjonen tillater et budsjett for utdatatokener og krever at prompten pluss dette budsjettet holder seg innenfor modellens kontekst. Den dokumenterer også stoppsekvenser og strømming av generert innhold. Velg en fullføringsarbeidsflyt når resultatet må passe inn i et tomrom i koden, og en samtalearbeidsflyt når oppgaven ber om kode sammen med en forklaring.\n\nKontekst og støttefunksjoner\n\nModellsiden oppgir et kontekstvindu på 128k. Bruk konteksten til å beholde kildekoden og deklarasjonene som bestemmer den tiltenkte endringen, samtidig som den faktiske redigeringsoppgaven er eksplisitt. For en feilrettingsforespørsel gir du den berørte funksjonen, konkrete inndata som feiler, det forventede resultatet og feilen eller den observerte atferden. Be om den foreslåtte rettelsen separat fra forklaringen og eksemplene.\n\nSiden lister også strukturerte utdata, funksjonskall, forhåndsangitte utdata, dokumentbasert spørsmålssvar, svarprefikser og satsvis behandling sammen med chat- og FIM-funksjoner. For et strukturert kodegjennomgangsresultat definerer du felter som det berørte symbolet, det observerte avviket, den foreslåtte endringen og antakelsen som fortsatt må avklares. Mistrals veiledning om strukturerte utdata skiller JSON-modus fra et tilpasset skjema, og det ønskede JSON-formatet angis i prompten.\n\nForhåndsangitte utdata er beregnet på innhold der store deler av svaret allerede er kjent. De kan brukes ved ny generering av et dokument eller en kodefil med en avgrenset endring, mens resten av innholdet beholdes. Angi den nøyaktige endringen og materialet som skal bevares. Et svarprefiks gir derimot en kjent start som genereringen fortsetter fra; det skiller seg både fra en kjent fullstendig tekst og et FIM-suffiks.\n\nEt dokumentasjonsspørsmål kan bruke produsentens dokumentbehandlingsflyt til å klargjøre tekst og struktur med OCR før språkmodellanalyse. For programmeringsmateriale som allerede finnes som tekst, gir du de relevante dokumentasjonsutdragene og spør hvilken betingelse som styrer implementasjonen. Hold hvert uttrukket krav knyttet til kildeavsnittet slik at den genererte koden eller forklaringen forblir forbundet med den oppgitte spesifikasjonen.\n\nVerktøy og praktiske resultater\n\nFunksjonskall lar applikasjonen oppgi beskrevne operasjoner og parameterne deres. Modellen forbereder et kall, applikasjonen utfører det, og det returnerte resultatet blir kontekst for neste svar. En kodeassistent kan motta et oppslagsresultat eller et beregningsresultat gjennom denne syklusen, men kompilering, testing eller bruk av en foreslått endring krever fortsatt det omkringliggende utviklingsmiljøet.\n\nFor en praktisk rettelse definerer du det offentlige grensesnittet som skal forbli kompatibelt, og ber om det reviderte fragmentet, en kort forklaring og eksempelinndata med forventede utdata. For en generert funksjon angir du de aksepterte typene og randtilfellene. For en forklaring gir du inndataene som skal spores, slik at svaret knytter et konkret utførelsesforløp til returverdien.\n\nCodestral produserer tekst. Den arver ikke vektorer for kodesøk fra Codestral Embed, automatisering av kodearkiver fra Devstral eller bildegenerering fra en visuell modell. Den konkrete modellsiden for 2508 publiserer ikke et parameterantall eller en uavhengig maksimal svarlengde som kan lånes fra en annen utgivelse. Bevar den navngitte utgaven, programmeringskonteksten og det påkrevde artefaktet når du forbereder en repeterbar arbeidsflyt i editor eller chat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fill a nonmutating loop body\n\nComplete only the missing body in this Python function: 'def doubled(values):\n result = []\n # missing body\n return result'. It must append twice every input value, preserve order and duplicate values, and leave values unchanged. Return the indented insertion followed by assert tests for [2, 2, -1] and []. This is a chat completion request, not a FIM transport request.Only the missing indented loop body, then two tests verifying [4, 4, -2] and an empty result.The insertion fits before return result and never deduplicates or mutates the input.mistralai/codestral-2508Codestral 2508 er Mistral AIs tekstmodell for kodegenerering og kontekstbevisst kodefullføring. Den er optimalisert for hyppige oppgaver i kodeeditoren, inkludert utfylling i midten og redigering over flere linjer, med en kontekst på 128k ifølge produsenten og dokumenterte funksjoner for chat, strukturerte utdata og verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Codestral 2508 er Mistral AIs programmeringsmodell for hyppige fullførings- og genereringsoppgaver som er følsomme for ventetid. Den mottar kildekode og tekstlige krav og returnerer tekst som kan inneholde en implementasjon, fullføring, rettelse eller forklaring. Den navngitte 2508-utgaven fokuserer på utviklerens aktuelle redigeringskontekst og er ikke en embeddingmodell eller en komplett kodearkivagent i seg selv.
Kodefullføring og 2508-oppdateringen
Produsenten posisjonerer Codestral for utfylling i midten og redigering over flere linjer. Utgivelsen beskriver forbedringer i fullføringsatferd, blant annet mindre ukontrollert generering, sammen med forbedringer i instruksjonsfølging og kodeoppgaver i chatmodus. Dette er endringer i denne Codestral-utgaven; gjenfinning og autonome agentfunksjoner i den omkringliggende programmeringsstakken tilhører separat navngitte komponenter.
For en fullføringsoppgave beholder du den relevante funksjonssignaturen, deklarasjonene og kallkonteksten sammen med markørposisjonen. Identifiser om ønsket resultat bare er den manglende koden eller en komplett revidert funksjon. En editororientert forespørsel kan be om kroppen til en løkke som bevarer den eksisterende returtypen, beholder duplikatverdier og ikke endrer inndataene til den som kaller funksjonen. Resultatet får da et konkret innsettingspunkt og definert atferd.
Forberedelse for utfylling i midten
I produsentens FIM-grensesnitt inneholder prompten tekst eller kode som skal fullføres, og et valgfritt suffiks inneholder materialet etter tomrommet. Når begge er oppgitt, fyller modellen rommet mellom dem. Uten et suffiks fortsetter den fra prompten. Dette skiller seg fra en vanlig samtaleforespørsel som ber om en kodeendring og en forklaring; hver måte å forberede oppgaven på definerer en egen kontrakt for utdataene.
Nyttige inndata for utfylling av et tomrom omfatter starten på funksjonen, koden som må komme etter innsettingen, og relevante type- eller hjelperdefinisjoner. Bevar innrykk og skilletegn slik at den returnerte teksten passer inn i det eksisterende fragmentet. Hvis oppgaven bare trenger den manglende kroppen, ber du om den fremfor en omskriving av hele filen. Et separat chatspørsmål kan forklare hvorfor det fullførte fragmentet oppfyller kravet.
Den offisielle FIM-dokumentasjonen tillater et budsjett for utdatatokener og krever at prompten pluss dette budsjettet holder seg innenfor modellens kontekst. Den dokumenterer også stoppsekvenser og strømming av generert innhold. Velg en fullføringsarbeidsflyt når resultatet må passe inn i et tomrom i koden, og en samtalearbeidsflyt når oppgaven ber om kode sammen med en forklaring.
Kontekst og støttefunksjoner
Modellsiden oppgir et kontekstvindu på 128k. Bruk konteksten til å beholde kildekoden og deklarasjonene som bestemmer den tiltenkte endringen, samtidig som den faktiske redigeringsoppgaven er eksplisitt. For en feilrettingsforespørsel gir du den berørte funksjonen, konkrete inndata som feiler, det forventede resultatet og feilen eller den observerte atferden. Be om den foreslåtte rettelsen separat fra forklaringen og eksemplene.
Siden lister også strukturerte utdata, funksjonskall, forhåndsangitte utdata, dokumentbasert spørsmålssvar, svarprefikser og satsvis behandling sammen med chat- og FIM-funksjoner. For et strukturert kodegjennomgangsresultat definerer du felter som det berørte symbolet, det observerte avviket, den foreslåtte endringen og antakelsen som fortsatt må avklares. Mistrals veiledning om strukturerte utdata skiller JSON-modus fra et tilpasset skjema, og det ønskede JSON-formatet angis i prompten.
Forhåndsangitte utdata er beregnet på innhold der store deler av svaret allerede er kjent. De kan brukes ved ny generering av et dokument eller en kodefil med en avgrenset endring, mens resten av innholdet beholdes. Angi den nøyaktige endringen og materialet som skal bevares. Et svarprefiks gir derimot en kjent start som genereringen fortsetter fra; det skiller seg både fra en kjent fullstendig tekst og et FIM-suffiks.
Et dokumentasjonsspørsmål kan bruke produsentens dokumentbehandlingsflyt til å klargjøre tekst og struktur med OCR før språkmodellanalyse. For programmeringsmateriale som allerede finnes som tekst, gir du de relevante dokumentasjonsutdragene og spør hvilken betingelse som styrer implementasjonen. Hold hvert uttrukket krav knyttet til kildeavsnittet slik at den genererte koden eller forklaringen forblir forbundet med den oppgitte spesifikasjonen.
Verktøy og praktiske resultater
Funksjonskall lar applikasjonen oppgi beskrevne operasjoner og parameterne deres. Modellen forbereder et kall, applikasjonen utfører det, og det returnerte resultatet blir kontekst for neste svar. En kodeassistent kan motta et oppslagsresultat eller et beregningsresultat gjennom denne syklusen, men kompilering, testing eller bruk av en foreslått endring krever fortsatt det omkringliggende utviklingsmiljøet.
For en praktisk rettelse definerer du det offentlige grensesnittet som skal forbli kompatibelt, og ber om det reviderte fragmentet, en kort forklaring og eksempelinndata med forventede utdata. For en generert funksjon angir du de aksepterte typene og randtilfellene. For en forklaring gir du inndataene som skal spores, slik at svaret knytter et konkret utførelsesforløp til returverdien.
Codestral produserer tekst. Den arver ikke vektorer for kodesøk fra Codestral Embed, automatisering av kodearkiver fra Devstral eller bildegenerering fra en visuell modell. Den konkrete modellsiden for 2508 publiserer ikke et parameterantall eller en uavhengig maksimal svarlengde som kan lånes fra en annen utgivelse. Bevar den navngitte utgaven, programmeringskonteksten og det påkrevde artefaktet når du forbereder en repeterbar arbeidsflyt i editor eller chat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/codestral-2508 | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/codestral-2508", "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/codestral-2508',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/codestral-2508',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 mistralai/codestral-2508
Bruk metodestiene som vises ovenfor.
mistralai/codestral-2508Codestral 2508 er Mistral AIs tekstmodell for kodegenerering og kontekstbevisst kodefullføring. Den er optimalisert for hyppige oppgaver i kodeeditoren, inkludert utfylling i midten og redigering over flere linjer, med en kontekst på 128k ifølge produsenten og dokumenterte funksjoner for chat, strukturerte utdata og verktøy.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Codestral 2508 er Mistral AIs programmeringsmodell for hyppige fullførings- og genereringsoppgaver som er følsomme for ventetid. Den mottar kildekode og tekstlige krav og returnerer tekst som kan inneholde en implementasjon, fullføring, rettelse eller forklaring. Den navngitte 2508-utgaven fokuserer på utviklerens aktuelle redigeringskontekst og er ikke en embeddingmodell eller en komplett kodearkivagent i seg selv.
Kodefullføring og 2508-oppdateringen
Produsenten posisjonerer Codestral for utfylling i midten og redigering over flere linjer. Utgivelsen beskriver forbedringer i fullføringsatferd, blant annet mindre ukontrollert generering, sammen med forbedringer i instruksjonsfølging og kodeoppgaver i chatmodus. Dette er endringer i denne Codestral-utgaven; gjenfinning og autonome agentfunksjoner i den omkringliggende programmeringsstakken tilhører separat navngitte komponenter.
For en fullføringsoppgave beholder du den relevante funksjonssignaturen, deklarasjonene og kallkonteksten sammen med markørposisjonen. Identifiser om ønsket resultat bare er den manglende koden eller en komplett revidert funksjon. En editororientert forespørsel kan be om kroppen til en løkke som bevarer den eksisterende returtypen, beholder duplikatverdier og ikke endrer inndataene til den som kaller funksjonen. Resultatet får da et konkret innsettingspunkt og definert atferd.
Forberedelse for utfylling i midten
I produsentens FIM-grensesnitt inneholder prompten tekst eller kode som skal fullføres, og et valgfritt suffiks inneholder materialet etter tomrommet. Når begge er oppgitt, fyller modellen rommet mellom dem. Uten et suffiks fortsetter den fra prompten. Dette skiller seg fra en vanlig samtaleforespørsel som ber om en kodeendring og en forklaring; hver måte å forberede oppgaven på definerer en egen kontrakt for utdataene.
Nyttige inndata for utfylling av et tomrom omfatter starten på funksjonen, koden som må komme etter innsettingen, og relevante type- eller hjelperdefinisjoner. Bevar innrykk og skilletegn slik at den returnerte teksten passer inn i det eksisterende fragmentet. Hvis oppgaven bare trenger den manglende kroppen, ber du om den fremfor en omskriving av hele filen. Et separat chatspørsmål kan forklare hvorfor det fullførte fragmentet oppfyller kravet.
Den offisielle FIM-dokumentasjonen tillater et budsjett for utdatatokener og krever at prompten pluss dette budsjettet holder seg innenfor modellens kontekst. Den dokumenterer også stoppsekvenser og strømming av generert innhold. Velg en fullføringsarbeidsflyt når resultatet må passe inn i et tomrom i koden, og en samtalearbeidsflyt når oppgaven ber om kode sammen med en forklaring.
Kontekst og støttefunksjoner
Modellsiden oppgir et kontekstvindu på 128k. Bruk konteksten til å beholde kildekoden og deklarasjonene som bestemmer den tiltenkte endringen, samtidig som den faktiske redigeringsoppgaven er eksplisitt. For en feilrettingsforespørsel gir du den berørte funksjonen, konkrete inndata som feiler, det forventede resultatet og feilen eller den observerte atferden. Be om den foreslåtte rettelsen separat fra forklaringen og eksemplene.
Siden lister også strukturerte utdata, funksjonskall, forhåndsangitte utdata, dokumentbasert spørsmålssvar, svarprefikser og satsvis behandling sammen med chat- og FIM-funksjoner. For et strukturert kodegjennomgangsresultat definerer du felter som det berørte symbolet, det observerte avviket, den foreslåtte endringen og antakelsen som fortsatt må avklares. Mistrals veiledning om strukturerte utdata skiller JSON-modus fra et tilpasset skjema, og det ønskede JSON-formatet angis i prompten.
Forhåndsangitte utdata er beregnet på innhold der store deler av svaret allerede er kjent. De kan brukes ved ny generering av et dokument eller en kodefil med en avgrenset endring, mens resten av innholdet beholdes. Angi den nøyaktige endringen og materialet som skal bevares. Et svarprefiks gir derimot en kjent start som genereringen fortsetter fra; det skiller seg både fra en kjent fullstendig tekst og et FIM-suffiks.
Et dokumentasjonsspørsmål kan bruke produsentens dokumentbehandlingsflyt til å klargjøre tekst og struktur med OCR før språkmodellanalyse. For programmeringsmateriale som allerede finnes som tekst, gir du de relevante dokumentasjonsutdragene og spør hvilken betingelse som styrer implementasjonen. Hold hvert uttrukket krav knyttet til kildeavsnittet slik at den genererte koden eller forklaringen forblir forbundet med den oppgitte spesifikasjonen.
Verktøy og praktiske resultater
Funksjonskall lar applikasjonen oppgi beskrevne operasjoner og parameterne deres. Modellen forbereder et kall, applikasjonen utfører det, og det returnerte resultatet blir kontekst for neste svar. En kodeassistent kan motta et oppslagsresultat eller et beregningsresultat gjennom denne syklusen, men kompilering, testing eller bruk av en foreslått endring krever fortsatt det omkringliggende utviklingsmiljøet.
For en praktisk rettelse definerer du det offentlige grensesnittet som skal forbli kompatibelt, og ber om det reviderte fragmentet, en kort forklaring og eksempelinndata med forventede utdata. For en generert funksjon angir du de aksepterte typene og randtilfellene. For en forklaring gir du inndataene som skal spores, slik at svaret knytter et konkret utførelsesforløp til returverdien.
Codestral produserer tekst. Den arver ikke vektorer for kodesøk fra Codestral Embed, automatisering av kodearkiver fra Devstral eller bildegenerering fra en visuell modell. Den konkrete modellsiden for 2508 publiserer ikke et parameterantall eller en uavhengig maksimal svarlengde som kan lånes fra en annen utgivelse. Bevar den navngitte utgaven, programmeringskonteksten og det påkrevde artefaktet når du forbereder en repeterbar arbeidsflyt i editor eller chat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/codestral-2508 | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0006 / 1K tokener Utdata · Utgående tokener $0.0018 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00006 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/codestral-2508",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/codestral-2508', '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/codestral-2508', '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 mistralai/codestral-2508
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Fill a nonmutating loop body\n\nComplete only the missing body in this Python function: 'def doubled(values):\n result = []\n # missing body\n return result'. It must append twice every input value, preserve order and duplicate values, and leave values unchanged. Return the indented insertion followed by assert tests for [2, 2, -1] and []. This is a chat completion request, not a FIM transport request.Only the missing indented loop body, then two tests verifying [4, 4, -2] and an empty result.The insertion fits before return result and never deduplicates or mutates the input.