Ministral 3 3B Instruct 2512 er den minste instruksjonstilpassede utgaven i Mistral AIs Ministral 3-familie. Produsenten posisjonerer den for kompakte instruksjonsbaserte applikasjoner, blant annet bildetekster, tekstklassifisering, datauttrekk, oversettelse og kort innhold. Det utgitte modellkontrollpunktet bruker FP8-presisjon og kombinerer tekstbehandling med en komponent for visuell inndata.
Modellkomponenter og funksjoner
Modellkortet oppgir en språkmodell med 3,4 milliarder parametere og en visuell koder med 0,4 milliarder parametere. Det dokumenterer et kontekstvindu på 256k, med en standard konfigurert lengde på 262 144 i bruksmerknadene. Komponenttallene gjelder 3B-utgaven, ikke familiemedlemmene på 8B eller 14B. Modellen tar imot tekst og bilder og genererer tekst, blant annet poster i JSON-format eller foreslåtte funksjonskall.
Produsenten beskriver flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhever også at modellen følger systeminstruksjoner. Angi ønsket utdataspråk og etikettene eller begrepene som skal forbli uendret. Dette sørger for at en oversatt forklaring eller en post med uttrukne data samsvarer med applikasjonens tiltenkte bruk.
Målrettet klassifisering og uttrekk
For en klassifiseringsoppgave gir du de tillatte etikettene, regelen som skiller dem, og meldingen som skal klassifiseres. Be om én valgt etikett og en kort forklaring med grunnlag i den oppgitte meldingen. Hvis etikettene er tvetydige, definerer du hvilken informasjon som skiller dem, i stedet for å basere deg bare på navnene. Dette gir et kompakt resultat som kan brukes konsekvent i en større arbeidsflyt.
For uttrekk lister du feltene og typene deres og angir hvordan manglende informasjon skal representeres. En forespørsel kan be om en vareidentifikator, tilstanden som uttrykkelig beskrives, og handlingen brukeren ber om. Krev ordlyden fra kilden når nøyaktig ordlyd er viktig, eller en normalisert verdi når applikasjonen oppgir normaliseringsregelen. JSON-utdata organiserer resultatet; utformingen av feltene er fortsatt en del av oppgaven og ikke et innebygd universelt skjema.
Modellkortet nevner også bildetekster og generering av kort innhold. For en bildetekst definerer du hvilket aspekt ved bildet som skal beskrives, og målgruppen. For en kort forklaring gir du faktaene som skal bevares, og ønsket lengde. Et kundestøttesvar kan bruke det opprinnelige spørsmålet og oppgitt veiledning til å gi et kortfattet neste steg med betingelsen som gjør det relevant.
Forberedelse av visuell og flerspråklig inndata
Kombiner et bilde med et tydelig tekstspørsmål. For et dokumentfelt bevarer du etiketten, verdien og den omkringliggende konteksten som trengs for å tolke det. For en objektbeskrivelse angir du hvilken synlig egenskap som er viktig. Produsenten anbefaler bildeproporsjoner nær 1:1 og å unngå svært smale eller brede bilder; beskjær ved behov uten å fjerne bevisene spørsmålet bygger på.
For oversettelse gir du originalteksten, målspråket og en eventuell terminologiliste. Be om den oversatte teksten separat fra en valgfri forklaring. En flerspråklig klassifiseringsoppgave kan beholde applikasjonens etiketter uendret og samtidig forklare den valgte etiketten på leserens språk. Dette er definerte utdata, ikke en forespørsel om en løs drøfting av en melding eller et bilde.
Verktøy og anbefalte innstillinger
Innebygd støtte for funksjonskall gjør at en applikasjon kan knytte samtalen til en beskrevet operasjon. Modellen forbereder funksjonsargumentene, applikasjonen utfører funksjonen, og resultatet blir informasjon for neste svar. Et oppslag kan gi en manglende verdi, eller et beregningsverktøy kan behandle verdier identifisert i et bilde. Tekstmodellen utfører ikke selv funksjonen bare ved å produsere navnet og argumentene.
Produsenten anbefaler en systeminstruksjon som definerer miljøet og bruksområdet, inkludert veiledning om verktøy. Hold verktøybeskrivelsene tydelige og begrens utvalget til de nødvendige relevante operasjonene. For en avgrenset assistent kan en eksplisitt uttrekks- eller oppslagsoppgave være lettere å tolke enn en instruksjon som inneholder mange uvedkommende funksjoner uten noen regel for å velge mellom dem.
Modellkortet gir veiledning om lav temperatur: under 0.1 for daglig bruk og bruk i produksjonslignende miljøer, og en starttemperatur på 0.1 for de fleste bruksområder i en separat merknad om sampling. Høyere verdier kan prøves for kreativt innhold. Anbefalingene har ulike angitte bruksområder; de garanterer ikke at én samplingsinnstilling gjør alle uttrukne verdier eller klassifiseringer riktige.
Avgrensning av utgave og kontekst
Ministral 3 har separate Base-, Instruct- og Reasoning-utgivelser for hver modellstørrelse. Denne oppføringen identifiserer kontrollpunktet Instruct 2512, ikke en automatisk aktivert resonneringsmodus eller den forhåndstrente basismodellen. Produsenten oppgir spesialisering og finjustering som mulige bruksområder, mens den aktuelle instruksjonsoppgaven fortsatt trenger tydelig definerte inndata, regler og utdata.
Hold relevant kildemateriale og samtale innenfor den konfigurerte konteksten, og be om det kompakte resultatet neste steg i applikasjonen trenger. Bruksmerknadene tillater å redusere den konfigurerte kontekstlengden for oppgaver som ikke trenger hele vinduet. Et genereringseksempel på 512 tokener og en stor genereringsramme i et eksempel er ikke uavhengig dokumenterte maksimale utdatakapasiteter. Bildegenerering, lydutdata og eksterne handlinger krever andre komponenter utover denne modellen som gir tekstresultater.
", "aboutText": "Ministral 3 3B Instruct 2512 er den minste instruksjonstilpassede utgaven i Mistral AIs Ministral 3-familie. Produsenten posisjonerer den for kompakte instruksjonsbaserte applikasjoner, blant annet bildetekster, tekstklassifisering, datauttrekk, oversettelse og kort innhold. Det utgitte modellkontrollpunktet bruker FP8-presisjon og kombinerer tekstbehandling med en komponent for visuell inndata.\n\nModellkomponenter og funksjoner\n\nModellkortet oppgir en språkmodell med 3,4 milliarder parametere og en visuell koder med 0,4 milliarder parametere. Det dokumenterer et kontekstvindu på 256k, med en standard konfigurert lengde på 262 144 i bruksmerknadene. Komponenttallene gjelder 3B-utgaven, ikke familiemedlemmene på 8B eller 14B. Modellen tar imot tekst og bilder og genererer tekst, blant annet poster i JSON-format eller foreslåtte funksjonskall.\n\nProdusenten beskriver flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhever også at modellen følger systeminstruksjoner. Angi ønsket utdataspråk og etikettene eller begrepene som skal forbli uendret. Dette sørger for at en oversatt forklaring eller en post med uttrukne data samsvarer med applikasjonens tiltenkte bruk.\n\nMålrettet klassifisering og uttrekk\n\nFor en klassifiseringsoppgave gir du de tillatte etikettene, regelen som skiller dem, og meldingen som skal klassifiseres. Be om én valgt etikett og en kort forklaring med grunnlag i den oppgitte meldingen. Hvis etikettene er tvetydige, definerer du hvilken informasjon som skiller dem, i stedet for å basere deg bare på navnene. Dette gir et kompakt resultat som kan brukes konsekvent i en større arbeidsflyt.\n\nFor uttrekk lister du feltene og typene deres og angir hvordan manglende informasjon skal representeres. En forespørsel kan be om en vareidentifikator, tilstanden som uttrykkelig beskrives, og handlingen brukeren ber om. Krev ordlyden fra kilden når nøyaktig ordlyd er viktig, eller en normalisert verdi når applikasjonen oppgir normaliseringsregelen. JSON-utdata organiserer resultatet; utformingen av feltene er fortsatt en del av oppgaven og ikke et innebygd universelt skjema.\n\nModellkortet nevner også bildetekster og generering av kort innhold. For en bildetekst definerer du hvilket aspekt ved bildet som skal beskrives, og målgruppen. For en kort forklaring gir du faktaene som skal bevares, og ønsket lengde. Et kundestøttesvar kan bruke det opprinnelige spørsmålet og oppgitt veiledning til å gi et kortfattet neste steg med betingelsen som gjør det relevant.\n\nForberedelse av visuell og flerspråklig inndata\n\nKombiner et bilde med et tydelig tekstspørsmål. For et dokumentfelt bevarer du etiketten, verdien og den omkringliggende konteksten som trengs for å tolke det. For en objektbeskrivelse angir du hvilken synlig egenskap som er viktig. Produsenten anbefaler bildeproporsjoner nær 1:1 og å unngå svært smale eller brede bilder; beskjær ved behov uten å fjerne bevisene spørsmålet bygger på.\n\nFor oversettelse gir du originalteksten, målspråket og en eventuell terminologiliste. Be om den oversatte teksten separat fra en valgfri forklaring. En flerspråklig klassifiseringsoppgave kan beholde applikasjonens etiketter uendret og samtidig forklare den valgte etiketten på leserens språk. Dette er definerte utdata, ikke en forespørsel om en løs drøfting av en melding eller et bilde.\n\nVerktøy og anbefalte innstillinger\n\nInnebygd støtte for funksjonskall gjør at en applikasjon kan knytte samtalen til en beskrevet operasjon. Modellen forbereder funksjonsargumentene, applikasjonen utfører funksjonen, og resultatet blir informasjon for neste svar. Et oppslag kan gi en manglende verdi, eller et beregningsverktøy kan behandle verdier identifisert i et bilde. Tekstmodellen utfører ikke selv funksjonen bare ved å produsere navnet og argumentene.\n\nProdusenten anbefaler en systeminstruksjon som definerer miljøet og bruksområdet, inkludert veiledning om verktøy. Hold verktøybeskrivelsene tydelige og begrens utvalget til de nødvendige relevante operasjonene. For en avgrenset assistent kan en eksplisitt uttrekks- eller oppslagsoppgave være lettere å tolke enn en instruksjon som inneholder mange uvedkommende funksjoner uten noen regel for å velge mellom dem.\n\nModellkortet gir veiledning om lav temperatur: under 0.1 for daglig bruk og bruk i produksjonslignende miljøer, og en starttemperatur på 0.1 for de fleste bruksområder i en separat merknad om sampling. Høyere verdier kan prøves for kreativt innhold. Anbefalingene har ulike angitte bruksområder; de garanterer ikke at én samplingsinnstilling gjør alle uttrukne verdier eller klassifiseringer riktige.\n\nAvgrensning av utgave og kontekst\n\nMinistral 3 har separate Base-, Instruct- og Reasoning-utgivelser for hver modellstørrelse. Denne oppføringen identifiserer kontrollpunktet Instruct 2512, ikke en automatisk aktivert resonneringsmodus eller den forhåndstrente basismodellen. Produsenten oppgir spesialisering og finjustering som mulige bruksområder, mens den aktuelle instruksjonsoppgaven fortsatt trenger tydelig definerte inndata, regler og utdata.\n\nHold relevant kildemateriale og samtale innenfor den konfigurerte konteksten, og be om det kompakte resultatet neste steg i applikasjonen trenger. Bruksmerknadene tillater å redusere den konfigurerte kontekstlengden for oppgaver som ikke trenger hele vinduet. Et genereringseksempel på 512 tokener og en stor genereringsramme i et eksempel er ikke uavhengig dokumenterte maksimale utdatakapasiteter. Bildegenerering, lydutdata og eksterne handlinger krever andre komponenter utover denne modellen som gir tekstresultater.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 er en kompakt flerspråklig modell for tekst og bilder til klassifisering, uttrekk, bildetekster og kort innhold. Språkkomponenten på 3,4 milliarder parametere og den visuelle koderen på 0,4 milliarder støtter systeminstruksjoner, JSON, funksjonskall og en kontekst på 256k ifølge produsenten.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Ministral 3 3B Instruct 2512 er den minste instruksjonstilpassede utgaven i Mistral AIs Ministral 3-familie. Produsenten posisjonerer den for kompakte instruksjonsbaserte applikasjoner, blant annet bildetekster, tekstklassifisering, datauttrekk, oversettelse og kort innhold. Det utgitte modellkontrollpunktet bruker FP8-presisjon og kombinerer tekstbehandling med en komponent for visuell inndata.
Modellkomponenter og funksjoner
Modellkortet oppgir en språkmodell med 3,4 milliarder parametere og en visuell koder med 0,4 milliarder parametere. Det dokumenterer et kontekstvindu på 256k, med en standard konfigurert lengde på 262 144 i bruksmerknadene. Komponenttallene gjelder 3B-utgaven, ikke familiemedlemmene på 8B eller 14B. Modellen tar imot tekst og bilder og genererer tekst, blant annet poster i JSON-format eller foreslåtte funksjonskall.
Produsenten beskriver flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhever også at modellen følger systeminstruksjoner. Angi ønsket utdataspråk og etikettene eller begrepene som skal forbli uendret. Dette sørger for at en oversatt forklaring eller en post med uttrukne data samsvarer med applikasjonens tiltenkte bruk.
Målrettet klassifisering og uttrekk
For en klassifiseringsoppgave gir du de tillatte etikettene, regelen som skiller dem, og meldingen som skal klassifiseres. Be om én valgt etikett og en kort forklaring med grunnlag i den oppgitte meldingen. Hvis etikettene er tvetydige, definerer du hvilken informasjon som skiller dem, i stedet for å basere deg bare på navnene. Dette gir et kompakt resultat som kan brukes konsekvent i en større arbeidsflyt.
For uttrekk lister du feltene og typene deres og angir hvordan manglende informasjon skal representeres. En forespørsel kan be om en vareidentifikator, tilstanden som uttrykkelig beskrives, og handlingen brukeren ber om. Krev ordlyden fra kilden når nøyaktig ordlyd er viktig, eller en normalisert verdi når applikasjonen oppgir normaliseringsregelen. JSON-utdata organiserer resultatet; utformingen av feltene er fortsatt en del av oppgaven og ikke et innebygd universelt skjema.
Modellkortet nevner også bildetekster og generering av kort innhold. For en bildetekst definerer du hvilket aspekt ved bildet som skal beskrives, og målgruppen. For en kort forklaring gir du faktaene som skal bevares, og ønsket lengde. Et kundestøttesvar kan bruke det opprinnelige spørsmålet og oppgitt veiledning til å gi et kortfattet neste steg med betingelsen som gjør det relevant.
Forberedelse av visuell og flerspråklig inndata
Kombiner et bilde med et tydelig tekstspørsmål. For et dokumentfelt bevarer du etiketten, verdien og den omkringliggende konteksten som trengs for å tolke det. For en objektbeskrivelse angir du hvilken synlig egenskap som er viktig. Produsenten anbefaler bildeproporsjoner nær 1:1 og å unngå svært smale eller brede bilder; beskjær ved behov uten å fjerne bevisene spørsmålet bygger på.
For oversettelse gir du originalteksten, målspråket og en eventuell terminologiliste. Be om den oversatte teksten separat fra en valgfri forklaring. En flerspråklig klassifiseringsoppgave kan beholde applikasjonens etiketter uendret og samtidig forklare den valgte etiketten på leserens språk. Dette er definerte utdata, ikke en forespørsel om en løs drøfting av en melding eller et bilde.
Verktøy og anbefalte innstillinger
Innebygd støtte for funksjonskall gjør at en applikasjon kan knytte samtalen til en beskrevet operasjon. Modellen forbereder funksjonsargumentene, applikasjonen utfører funksjonen, og resultatet blir informasjon for neste svar. Et oppslag kan gi en manglende verdi, eller et beregningsverktøy kan behandle verdier identifisert i et bilde. Tekstmodellen utfører ikke selv funksjonen bare ved å produsere navnet og argumentene.
Produsenten anbefaler en systeminstruksjon som definerer miljøet og bruksområdet, inkludert veiledning om verktøy. Hold verktøybeskrivelsene tydelige og begrens utvalget til de nødvendige relevante operasjonene. For en avgrenset assistent kan en eksplisitt uttrekks- eller oppslagsoppgave være lettere å tolke enn en instruksjon som inneholder mange uvedkommende funksjoner uten noen regel for å velge mellom dem.
Modellkortet gir veiledning om lav temperatur: under 0.1 for daglig bruk og bruk i produksjonslignende miljøer, og en starttemperatur på 0.1 for de fleste bruksområder i en separat merknad om sampling. Høyere verdier kan prøves for kreativt innhold. Anbefalingene har ulike angitte bruksområder; de garanterer ikke at én samplingsinnstilling gjør alle uttrukne verdier eller klassifiseringer riktige.
Avgrensning av utgave og kontekst
Ministral 3 har separate Base-, Instruct- og Reasoning-utgivelser for hver modellstørrelse. Denne oppføringen identifiserer kontrollpunktet Instruct 2512, ikke en automatisk aktivert resonneringsmodus eller den forhåndstrente basismodellen. Produsenten oppgir spesialisering og finjustering som mulige bruksområder, mens den aktuelle instruksjonsoppgaven fortsatt trenger tydelig definerte inndata, regler og utdata.
Hold relevant kildemateriale og samtale innenfor den konfigurerte konteksten, og be om det kompakte resultatet neste steg i applikasjonen trenger. Bruksmerknadene tillater å redusere den konfigurerte kontekstlengden for oppgaver som ikke trenger hele vinduet. Et genereringseksempel på 512 tokener og en stor genereringsramme i et eksempel er ikke uavhengig dokumenterte maksimale utdatakapasiteter. Bildegenerering, lydutdata og eksterne handlinger krever andre komponenter utover denne modellen som gir tekstresultater.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/ministral-3b-2512 | 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 $0.00066 / 1K tokener Utdata · Utgående tokener $0.00066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 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 $0.00066 / 1K tokener Utdata · Utgående tokener $0.00066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 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": "mistralai/ministral-3b-2512", "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/ministral-3b-2512',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/ministral-3b-2512',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/ministral-3b-2512
Bruk metodestiene som vises ovenfor.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 er en kompakt flerspråklig modell for tekst og bilder til klassifisering, uttrekk, bildetekster og kort innhold. Språkkomponenten på 3,4 milliarder parametere og den visuelle koderen på 0,4 milliarder støtter systeminstruksjoner, JSON, funksjonskall og en kontekst på 256k ifølge produsenten.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Ministral 3 3B Instruct 2512 er den minste instruksjonstilpassede utgaven i Mistral AIs Ministral 3-familie. Produsenten posisjonerer den for kompakte instruksjonsbaserte applikasjoner, blant annet bildetekster, tekstklassifisering, datauttrekk, oversettelse og kort innhold. Det utgitte modellkontrollpunktet bruker FP8-presisjon og kombinerer tekstbehandling med en komponent for visuell inndata.
Modellkomponenter og funksjoner
Modellkortet oppgir en språkmodell med 3,4 milliarder parametere og en visuell koder med 0,4 milliarder parametere. Det dokumenterer et kontekstvindu på 256k, med en standard konfigurert lengde på 262 144 i bruksmerknadene. Komponenttallene gjelder 3B-utgaven, ikke familiemedlemmene på 8B eller 14B. Modellen tar imot tekst og bilder og genererer tekst, blant annet poster i JSON-format eller foreslåtte funksjonskall.
Produsenten beskriver flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhever også at modellen følger systeminstruksjoner. Angi ønsket utdataspråk og etikettene eller begrepene som skal forbli uendret. Dette sørger for at en oversatt forklaring eller en post med uttrukne data samsvarer med applikasjonens tiltenkte bruk.
Målrettet klassifisering og uttrekk
For en klassifiseringsoppgave gir du de tillatte etikettene, regelen som skiller dem, og meldingen som skal klassifiseres. Be om én valgt etikett og en kort forklaring med grunnlag i den oppgitte meldingen. Hvis etikettene er tvetydige, definerer du hvilken informasjon som skiller dem, i stedet for å basere deg bare på navnene. Dette gir et kompakt resultat som kan brukes konsekvent i en større arbeidsflyt.
For uttrekk lister du feltene og typene deres og angir hvordan manglende informasjon skal representeres. En forespørsel kan be om en vareidentifikator, tilstanden som uttrykkelig beskrives, og handlingen brukeren ber om. Krev ordlyden fra kilden når nøyaktig ordlyd er viktig, eller en normalisert verdi når applikasjonen oppgir normaliseringsregelen. JSON-utdata organiserer resultatet; utformingen av feltene er fortsatt en del av oppgaven og ikke et innebygd universelt skjema.
Modellkortet nevner også bildetekster og generering av kort innhold. For en bildetekst definerer du hvilket aspekt ved bildet som skal beskrives, og målgruppen. For en kort forklaring gir du faktaene som skal bevares, og ønsket lengde. Et kundestøttesvar kan bruke det opprinnelige spørsmålet og oppgitt veiledning til å gi et kortfattet neste steg med betingelsen som gjør det relevant.
Forberedelse av visuell og flerspråklig inndata
Kombiner et bilde med et tydelig tekstspørsmål. For et dokumentfelt bevarer du etiketten, verdien og den omkringliggende konteksten som trengs for å tolke det. For en objektbeskrivelse angir du hvilken synlig egenskap som er viktig. Produsenten anbefaler bildeproporsjoner nær 1:1 og å unngå svært smale eller brede bilder; beskjær ved behov uten å fjerne bevisene spørsmålet bygger på.
For oversettelse gir du originalteksten, målspråket og en eventuell terminologiliste. Be om den oversatte teksten separat fra en valgfri forklaring. En flerspråklig klassifiseringsoppgave kan beholde applikasjonens etiketter uendret og samtidig forklare den valgte etiketten på leserens språk. Dette er definerte utdata, ikke en forespørsel om en løs drøfting av en melding eller et bilde.
Verktøy og anbefalte innstillinger
Innebygd støtte for funksjonskall gjør at en applikasjon kan knytte samtalen til en beskrevet operasjon. Modellen forbereder funksjonsargumentene, applikasjonen utfører funksjonen, og resultatet blir informasjon for neste svar. Et oppslag kan gi en manglende verdi, eller et beregningsverktøy kan behandle verdier identifisert i et bilde. Tekstmodellen utfører ikke selv funksjonen bare ved å produsere navnet og argumentene.
Produsenten anbefaler en systeminstruksjon som definerer miljøet og bruksområdet, inkludert veiledning om verktøy. Hold verktøybeskrivelsene tydelige og begrens utvalget til de nødvendige relevante operasjonene. For en avgrenset assistent kan en eksplisitt uttrekks- eller oppslagsoppgave være lettere å tolke enn en instruksjon som inneholder mange uvedkommende funksjoner uten noen regel for å velge mellom dem.
Modellkortet gir veiledning om lav temperatur: under 0.1 for daglig bruk og bruk i produksjonslignende miljøer, og en starttemperatur på 0.1 for de fleste bruksområder i en separat merknad om sampling. Høyere verdier kan prøves for kreativt innhold. Anbefalingene har ulike angitte bruksområder; de garanterer ikke at én samplingsinnstilling gjør alle uttrukne verdier eller klassifiseringer riktige.
Avgrensning av utgave og kontekst
Ministral 3 har separate Base-, Instruct- og Reasoning-utgivelser for hver modellstørrelse. Denne oppføringen identifiserer kontrollpunktet Instruct 2512, ikke en automatisk aktivert resonneringsmodus eller den forhåndstrente basismodellen. Produsenten oppgir spesialisering og finjustering som mulige bruksområder, mens den aktuelle instruksjonsoppgaven fortsatt trenger tydelig definerte inndata, regler og utdata.
Hold relevant kildemateriale og samtale innenfor den konfigurerte konteksten, og be om det kompakte resultatet neste steg i applikasjonen trenger. Bruksmerknadene tillater å redusere den konfigurerte kontekstlengden for oppgaver som ikke trenger hele vinduet. Et genereringseksempel på 512 tokener og en stor genereringsramme i et eksempel er ikke uavhengig dokumenterte maksimale utdatakapasiteter. Bildegenerering, lydutdata og eksterne handlinger krever andre komponenter utover denne modellen som gir tekstresultater.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/ministral-3b-2512 | 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 $0.00066 / 1K tokener Utdata · Utgående tokener $0.00066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 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 $0.00066 / 1K tokener Utdata · Utgående tokener $0.00066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-3b-2512', '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/ministral-3b-2512', '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/ministral-3b-2512
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.