Mistral Saba er Mistral AIs spesialiserte regionale tekstmodell, laget ved å finjustere en modell fra Small-familien med kuratert materiale fra Midtøsten og Sør-Asia. Produsenten beskriver en modell med 24 milliarder parametere som er beregnet på å gjenspeile regionalt språk, kulturell kontekst og lokale uttrykksformer. Den mottar en skriftlig oppgave og kildemateriale og returnerer tekst.
Regionalt språk og kontekst
Utgivelsen identifiserer uttrykkelig arabisk og mange språk med indisk opphav, med særlig styrke i sørindiske språk som tamil. Fokuset er mer spesifikt enn bare å endre målspråket i et allsidig svar: Treningsmaterialet er valgt ut fra den regionale språklige og kulturelle konteksten svaret skal brukes i.
Angi målgruppe, region, språk og ønsket stilnivå før du ber om et resultat. En formell forklaring, en kunderettet melding og et pedagogisk utdrag kan kreve forskjellig terminologi og tiltaleformer. Gi en ordliste for produktnavn eller faguttrykk som må være konsekvente, og angi om resultatet skal bevare kildeordlyden eller tilpasse forklaringen til leseren.
Produsentens side oppgir et kontekstvindu på 32k og identifiserer utgaven som mistral-saba-2502. Bruk konteksten til relevante kildeutdrag, samtalen og instruksjonene samlet. Et regionalt tilpasset svar trenger fortsatt de faktiske produktbetingelsene, prosedyren eller dokumentinnholdet oppgitt som bevis; kulturell kjennskap gir ikke en bedrifts private informasjon.
Samtalestøtte
Produsenten fremhever arabiske samtaleassistenter som et sentralt bruksområde. En praktisk kundestøtteforespørsel kan gi brukerens melding og det godkjente referansematerialet og deretter be om et svar på et navngitt stilnivå. Be om neste handling, betingelsen som gjør den relevant, og eventuelle detaljer brukeren fortsatt må oppgi. Dette holder svaret forankret i det bestemte problemet fremfor å produsere en generell regional hilsen.
For en tospråklig forklaring identifiserer du kildespråket og språket i den endelige meldingen. Bevar navn, beløp eller enheter oppgitt i materialet, og beskriv målgruppen som skal forstå svaret. En oppfølging kan be om en kortere versjon eller en avklaring av ett begrep, samtidig som de samme betingelsene beholdes.
Domenespesifikk tilpasning
Kunngjøringen beskriver finjustering av Saba for bestemte domener, blant annet energi og andre regionale faglige kontekster. Dette er en tilpasningsprosess fremfor en påstand om at alle spesialiserte datasett allerede er del av standardmodellen. For en domenerettet tekstoppgave gir du terminologien, kildedokumentene og svarreglene som er relevante for den faktiske applikasjonen.
En teknisk forklaring kan be modellen gjengi en prosedyre med leserens regionale terminologi og samtidig bevare de opprinnelige stegene og betingelsene. Et dokumentspørsmål kan identifisere bestemmelsen som skal forklares, og be om et kortfattet svar med det underbyggende utdraget. Skill mellom kildefakta, forklaringen og eventuelle uavklarte begreper når du forbereder utdataene.
Kulturell innholdsproduksjon
Produsenten beskriver også kulturelt relevant skriving og pedagogiske ressurser. Gi temaet, målgruppen, språket og faktaene eller eksemplene som skal inngå. For en pedagogisk tekst angir du hva eleven skal forstå til slutt, og ber om en forklaring etterfulgt av et praktisk eksempel. For en organisasjonsmelding gir du formålet og informasjonen leseren må handle på.
Når lokale idiomer eller kulturelle referanser inngår i oppgaven, angir du konteksten de skal brukes i. Be om en alternativ formulering når en formell eller mer nøytral versjon vil passe en annen målgruppe. Dette er praktiske måter å bruke modellens regionale spesialisering på samtidig som innholdet og den tiltenkte bruken holdes eksplisitte.
Avgrensning av utgave og resultater
Sabas dokumenterte spesialisering er tekstbasert regionalt språkarbeid med en kontekst på 32k. Den skal ikke arve bildeinndata, kontroller for hybrid resonnering eller verktøyformatfunksjoner fra senere Small- eller Medium-modeller bare fordi den er en finjustering av Small-familien. De leste kildene angir ikke en separat maksimal kapasitet for utdatatokener for denne utgaven.
Forbered den komplette skriftlige oppgaven, de relevante kildefaktaene og det ønskede artefaktet: et kundestøttesvar, en forklaring, et tilpasset utdrag eller en kort pedagogisk tekst. Hold den navngitte Saba-utgaven og målgruppens språk og stilnivå eksplisitte slik at den resulterende teksten svarer på det faktiske regionale kommunikasjonsbehovet.
", "aboutText": "Mistral Saba er Mistral AIs spesialiserte regionale tekstmodell, laget ved å finjustere en modell fra Small-familien med kuratert materiale fra Midtøsten og Sør-Asia. Produsenten beskriver en modell med 24 milliarder parametere som er beregnet på å gjenspeile regionalt språk, kulturell kontekst og lokale uttrykksformer. Den mottar en skriftlig oppgave og kildemateriale og returnerer tekst.\n\nRegionalt språk og kontekst\n\nUtgivelsen identifiserer uttrykkelig arabisk og mange språk med indisk opphav, med særlig styrke i sørindiske språk som tamil. Fokuset er mer spesifikt enn bare å endre målspråket i et allsidig svar: Treningsmaterialet er valgt ut fra den regionale språklige og kulturelle konteksten svaret skal brukes i.\n\nAngi målgruppe, region, språk og ønsket stilnivå før du ber om et resultat. En formell forklaring, en kunderettet melding og et pedagogisk utdrag kan kreve forskjellig terminologi og tiltaleformer. Gi en ordliste for produktnavn eller faguttrykk som må være konsekvente, og angi om resultatet skal bevare kildeordlyden eller tilpasse forklaringen til leseren.\n\nProdusentens side oppgir et kontekstvindu på 32k og identifiserer utgaven som mistral-saba-2502. Bruk konteksten til relevante kildeutdrag, samtalen og instruksjonene samlet. Et regionalt tilpasset svar trenger fortsatt de faktiske produktbetingelsene, prosedyren eller dokumentinnholdet oppgitt som bevis; kulturell kjennskap gir ikke en bedrifts private informasjon.\n\nSamtalestøtte\n\nProdusenten fremhever arabiske samtaleassistenter som et sentralt bruksområde. En praktisk kundestøtteforespørsel kan gi brukerens melding og det godkjente referansematerialet og deretter be om et svar på et navngitt stilnivå. Be om neste handling, betingelsen som gjør den relevant, og eventuelle detaljer brukeren fortsatt må oppgi. Dette holder svaret forankret i det bestemte problemet fremfor å produsere en generell regional hilsen.\n\nFor en tospråklig forklaring identifiserer du kildespråket og språket i den endelige meldingen. Bevar navn, beløp eller enheter oppgitt i materialet, og beskriv målgruppen som skal forstå svaret. En oppfølging kan be om en kortere versjon eller en avklaring av ett begrep, samtidig som de samme betingelsene beholdes.\n\nDomenespesifikk tilpasning\n\nKunngjøringen beskriver finjustering av Saba for bestemte domener, blant annet energi og andre regionale faglige kontekster. Dette er en tilpasningsprosess fremfor en påstand om at alle spesialiserte datasett allerede er del av standardmodellen. For en domenerettet tekstoppgave gir du terminologien, kildedokumentene og svarreglene som er relevante for den faktiske applikasjonen.\n\nEn teknisk forklaring kan be modellen gjengi en prosedyre med leserens regionale terminologi og samtidig bevare de opprinnelige stegene og betingelsene. Et dokumentspørsmål kan identifisere bestemmelsen som skal forklares, og be om et kortfattet svar med det underbyggende utdraget. Skill mellom kildefakta, forklaringen og eventuelle uavklarte begreper når du forbereder utdataene.\n\nKulturell innholdsproduksjon\n\nProdusenten beskriver også kulturelt relevant skriving og pedagogiske ressurser. Gi temaet, målgruppen, språket og faktaene eller eksemplene som skal inngå. For en pedagogisk tekst angir du hva eleven skal forstå til slutt, og ber om en forklaring etterfulgt av et praktisk eksempel. For en organisasjonsmelding gir du formålet og informasjonen leseren må handle på.\n\nNår lokale idiomer eller kulturelle referanser inngår i oppgaven, angir du konteksten de skal brukes i. Be om en alternativ formulering når en formell eller mer nøytral versjon vil passe en annen målgruppe. Dette er praktiske måter å bruke modellens regionale spesialisering på samtidig som innholdet og den tiltenkte bruken holdes eksplisitte.\n\nAvgrensning av utgave og resultater\n\nSabas dokumenterte spesialisering er tekstbasert regionalt språkarbeid med en kontekst på 32k. Den skal ikke arve bildeinndata, kontroller for hybrid resonnering eller verktøyformatfunksjoner fra senere Small- eller Medium-modeller bare fordi den er en finjustering av Small-familien. De leste kildene angir ikke en separat maksimal kapasitet for utdatatokener for denne utgaven.\n\nForbered den komplette skriftlige oppgaven, de relevante kildefaktaene og det ønskede artefaktet: et kundestøttesvar, en forklaring, et tilpasset utdrag eller en kort pedagogisk tekst. Hold den navngitte Saba-utgaven og målgruppens språk og stilnivå eksplisitte slik at den resulterende teksten svarer på det faktiske regionale kommunikasjonsbehovet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.mistralai/mistral-sabaMistral Saba er en tekstmodell med 24 milliarder parametere trent på kuratert materiale fra Midtøsten og Sør-Asia. Den fokuserer på regionalt språk og kulturell kontekst, blant annet arabisk og språk med indisk opphav som tamil, med en kontekst på 32k ifølge produsenten for skriftlige oppgaver.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Saba er Mistral AIs spesialiserte regionale tekstmodell, laget ved å finjustere en modell fra Small-familien med kuratert materiale fra Midtøsten og Sør-Asia. Produsenten beskriver en modell med 24 milliarder parametere som er beregnet på å gjenspeile regionalt språk, kulturell kontekst og lokale uttrykksformer. Den mottar en skriftlig oppgave og kildemateriale og returnerer tekst.
Regionalt språk og kontekst
Utgivelsen identifiserer uttrykkelig arabisk og mange språk med indisk opphav, med særlig styrke i sørindiske språk som tamil. Fokuset er mer spesifikt enn bare å endre målspråket i et allsidig svar: Treningsmaterialet er valgt ut fra den regionale språklige og kulturelle konteksten svaret skal brukes i.
Angi målgruppe, region, språk og ønsket stilnivå før du ber om et resultat. En formell forklaring, en kunderettet melding og et pedagogisk utdrag kan kreve forskjellig terminologi og tiltaleformer. Gi en ordliste for produktnavn eller faguttrykk som må være konsekvente, og angi om resultatet skal bevare kildeordlyden eller tilpasse forklaringen til leseren.
Produsentens side oppgir et kontekstvindu på 32k og identifiserer utgaven som mistral-saba-2502. Bruk konteksten til relevante kildeutdrag, samtalen og instruksjonene samlet. Et regionalt tilpasset svar trenger fortsatt de faktiske produktbetingelsene, prosedyren eller dokumentinnholdet oppgitt som bevis; kulturell kjennskap gir ikke en bedrifts private informasjon.
Samtalestøtte
Produsenten fremhever arabiske samtaleassistenter som et sentralt bruksområde. En praktisk kundestøtteforespørsel kan gi brukerens melding og det godkjente referansematerialet og deretter be om et svar på et navngitt stilnivå. Be om neste handling, betingelsen som gjør den relevant, og eventuelle detaljer brukeren fortsatt må oppgi. Dette holder svaret forankret i det bestemte problemet fremfor å produsere en generell regional hilsen.
For en tospråklig forklaring identifiserer du kildespråket og språket i den endelige meldingen. Bevar navn, beløp eller enheter oppgitt i materialet, og beskriv målgruppen som skal forstå svaret. En oppfølging kan be om en kortere versjon eller en avklaring av ett begrep, samtidig som de samme betingelsene beholdes.
Domenespesifikk tilpasning
Kunngjøringen beskriver finjustering av Saba for bestemte domener, blant annet energi og andre regionale faglige kontekster. Dette er en tilpasningsprosess fremfor en påstand om at alle spesialiserte datasett allerede er del av standardmodellen. For en domenerettet tekstoppgave gir du terminologien, kildedokumentene og svarreglene som er relevante for den faktiske applikasjonen.
En teknisk forklaring kan be modellen gjengi en prosedyre med leserens regionale terminologi og samtidig bevare de opprinnelige stegene og betingelsene. Et dokumentspørsmål kan identifisere bestemmelsen som skal forklares, og be om et kortfattet svar med det underbyggende utdraget. Skill mellom kildefakta, forklaringen og eventuelle uavklarte begreper når du forbereder utdataene.
Kulturell innholdsproduksjon
Produsenten beskriver også kulturelt relevant skriving og pedagogiske ressurser. Gi temaet, målgruppen, språket og faktaene eller eksemplene som skal inngå. For en pedagogisk tekst angir du hva eleven skal forstå til slutt, og ber om en forklaring etterfulgt av et praktisk eksempel. For en organisasjonsmelding gir du formålet og informasjonen leseren må handle på.
Når lokale idiomer eller kulturelle referanser inngår i oppgaven, angir du konteksten de skal brukes i. Be om en alternativ formulering når en formell eller mer nøytral versjon vil passe en annen målgruppe. Dette er praktiske måter å bruke modellens regionale spesialisering på samtidig som innholdet og den tiltenkte bruken holdes eksplisitte.
Avgrensning av utgave og resultater
Sabas dokumenterte spesialisering er tekstbasert regionalt språkarbeid med en kontekst på 32k. Den skal ikke arve bildeinndata, kontroller for hybrid resonnering eller verktøyformatfunksjoner fra senere Small- eller Medium-modeller bare fordi den er en finjustering av Small-familien. De leste kildene angir ikke en separat maksimal kapasitet for utdatatokener for denne utgaven.
Forbered den komplette skriftlige oppgaven, de relevante kildefaktaene og det ønskede artefaktet: et kundestøttesvar, en forklaring, et tilpasset utdrag eller en kort pedagogisk tekst. Hold den navngitte Saba-utgaven og målgruppens språk og stilnivå eksplisitte slik at den resulterende teksten svarer på det faktiske regionale kommunikasjonsbehovet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-saba | 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-saba", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-saba',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-saba',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/mistral-saba
Bruk metodestiene som vises ovenfor.
mistralai/mistral-sabaMistral Saba er en tekstmodell med 24 milliarder parametere trent på kuratert materiale fra Midtøsten og Sør-Asia. Den fokuserer på regionalt språk og kulturell kontekst, blant annet arabisk og språk med indisk opphav som tamil, med en kontekst på 32k ifølge produsenten for skriftlige oppgaver.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Saba er Mistral AIs spesialiserte regionale tekstmodell, laget ved å finjustere en modell fra Small-familien med kuratert materiale fra Midtøsten og Sør-Asia. Produsenten beskriver en modell med 24 milliarder parametere som er beregnet på å gjenspeile regionalt språk, kulturell kontekst og lokale uttrykksformer. Den mottar en skriftlig oppgave og kildemateriale og returnerer tekst.
Regionalt språk og kontekst
Utgivelsen identifiserer uttrykkelig arabisk og mange språk med indisk opphav, med særlig styrke i sørindiske språk som tamil. Fokuset er mer spesifikt enn bare å endre målspråket i et allsidig svar: Treningsmaterialet er valgt ut fra den regionale språklige og kulturelle konteksten svaret skal brukes i.
Angi målgruppe, region, språk og ønsket stilnivå før du ber om et resultat. En formell forklaring, en kunderettet melding og et pedagogisk utdrag kan kreve forskjellig terminologi og tiltaleformer. Gi en ordliste for produktnavn eller faguttrykk som må være konsekvente, og angi om resultatet skal bevare kildeordlyden eller tilpasse forklaringen til leseren.
Produsentens side oppgir et kontekstvindu på 32k og identifiserer utgaven som mistral-saba-2502. Bruk konteksten til relevante kildeutdrag, samtalen og instruksjonene samlet. Et regionalt tilpasset svar trenger fortsatt de faktiske produktbetingelsene, prosedyren eller dokumentinnholdet oppgitt som bevis; kulturell kjennskap gir ikke en bedrifts private informasjon.
Samtalestøtte
Produsenten fremhever arabiske samtaleassistenter som et sentralt bruksområde. En praktisk kundestøtteforespørsel kan gi brukerens melding og det godkjente referansematerialet og deretter be om et svar på et navngitt stilnivå. Be om neste handling, betingelsen som gjør den relevant, og eventuelle detaljer brukeren fortsatt må oppgi. Dette holder svaret forankret i det bestemte problemet fremfor å produsere en generell regional hilsen.
For en tospråklig forklaring identifiserer du kildespråket og språket i den endelige meldingen. Bevar navn, beløp eller enheter oppgitt i materialet, og beskriv målgruppen som skal forstå svaret. En oppfølging kan be om en kortere versjon eller en avklaring av ett begrep, samtidig som de samme betingelsene beholdes.
Domenespesifikk tilpasning
Kunngjøringen beskriver finjustering av Saba for bestemte domener, blant annet energi og andre regionale faglige kontekster. Dette er en tilpasningsprosess fremfor en påstand om at alle spesialiserte datasett allerede er del av standardmodellen. For en domenerettet tekstoppgave gir du terminologien, kildedokumentene og svarreglene som er relevante for den faktiske applikasjonen.
En teknisk forklaring kan be modellen gjengi en prosedyre med leserens regionale terminologi og samtidig bevare de opprinnelige stegene og betingelsene. Et dokumentspørsmål kan identifisere bestemmelsen som skal forklares, og be om et kortfattet svar med det underbyggende utdraget. Skill mellom kildefakta, forklaringen og eventuelle uavklarte begreper når du forbereder utdataene.
Kulturell innholdsproduksjon
Produsenten beskriver også kulturelt relevant skriving og pedagogiske ressurser. Gi temaet, målgruppen, språket og faktaene eller eksemplene som skal inngå. For en pedagogisk tekst angir du hva eleven skal forstå til slutt, og ber om en forklaring etterfulgt av et praktisk eksempel. For en organisasjonsmelding gir du formålet og informasjonen leseren må handle på.
Når lokale idiomer eller kulturelle referanser inngår i oppgaven, angir du konteksten de skal brukes i. Be om en alternativ formulering når en formell eller mer nøytral versjon vil passe en annen målgruppe. Dette er praktiske måter å bruke modellens regionale spesialisering på samtidig som innholdet og den tiltenkte bruken holdes eksplisitte.
Avgrensning av utgave og resultater
Sabas dokumenterte spesialisering er tekstbasert regionalt språkarbeid med en kontekst på 32k. Den skal ikke arve bildeinndata, kontroller for hybrid resonnering eller verktøyformatfunksjoner fra senere Small- eller Medium-modeller bare fordi den er en finjustering av Small-familien. De leste kildene angir ikke en separat maksimal kapasitet for utdatatokener for denne utgaven.
Forbered den komplette skriftlige oppgaven, de relevante kildefaktaene og det ønskede artefaktet: et kundestøttesvar, en forklaring, et tilpasset utdrag eller en kort pedagogisk tekst. Hold den navngitte Saba-utgaven og målgruppens språk og stilnivå eksplisitte slik at den resulterende teksten svarer på det faktiske regionale kommunikasjonsbehovet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-saba | 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 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 $0.0004 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00004 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/mistral-saba",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-saba', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-saba', '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/mistral-saba
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.