Mistral Small 3 Instruct 2501 er den instruksjonstilpassede utgivelsen av Mistral Small 3 med 24 milliarder parametere. Den er finjustert fra den separat navngitte modellen Small 24B Base 2501. Produsenten posisjonerer den for raskt reagerende samtaleassistanse, funksjonskall og fagspesifikk tilpasning, med tekst både som inndata og som generert resultat.
Kjernefunksjoner og treningsforskjell
Modellkortet dokumenterer flerspråklig støtte, samtale- og resonneringsfunksjoner, innebygde funksjonskall, JSON-utdata og etterlevelse av systeminstruksjoner. Kontekstvinduet er på 32k, og den bruker en Tekken-tokenizer med et vokabular merket 131k. Kontekstbetegnelsen gjelder teksten som beholdes for oppgaven, mens vokabularbetegnelsen beskriver tokenisering; de er forskjellige spesifikasjoner.
Produsenten lister språk som engelsk, fransk, tysk, spansk, italiensk, kinesisk, japansk, koreansk, portugisisk, nederlandsk og polsk, med russisk også inkludert i språkmetadataene til det utgitte modellkortet. Definer målspråket og eventuell terminologi som skal forbli uendret. En oversatt forklaring kan beholde identifikatorer, navn og enheter samtidig som den omkringliggende teksten tilpasses leseren.
Utgivelseskunngjøringen sier at Small 3 ikke er trent med forsterkningslæring eller syntetiske data, og skiller forhåndstrente og instruksjonstilpassede modellkontrollpunkter. Den beskriver modellen som et grunnlag som kan tilpasses videre, fremfor et hybridkontrollpunkt med de senere resonneringskontrollene til Small 4. Denne oppføringen er Instruct 2501-utgaven for å følge en samtaleoppgave.
Samtaleoppgaver og strukturerte oppgaver
For en kundestøtteassistent gir du brukerens spørsmål, relevant referansemateriale og svarreglene. Be om handlingen som svarer på spørsmålet, og betingelsen den gjelder under. Praktiske utdata kan skille et kortfattet svar fra uttrukne felter applikasjonen trenger for neste steg, fremfor å blande dem i en ustrukturert forklaring.
For klassifisering gir du de tillatte etikettene og forskjellene mellom dem. For uttrekk navngir du feltene, forventede typer og representasjon av manglende informasjon. En datapost kan inneholde problemkategorien, en identifikator kopiert fra meldingen og en kort oppsummering av den ønskede handlingen. JSON organiserer resultatet, mens feltutforming og tolkningsregler forblir en del av den oppgitte oppgaven.
For en kodeforklaring inkluderer du funksjonen, relevante deklarasjoner og konkrete inndata. Spør hvilket forløp gjennom koden som bestemmer resultatet. For en matematisk forklaring definerer du variabler og antakelser og identifiserer uttrykket eller påstanden som skal fastslås. Disse tekstbaserte oppgavene kan returnere en metode, en forklaring og det endelige artefaktet uten å anta at modellen selv kjører koden eller en ekstern beregning.
Systeminstruksjoner og anbefalte innstillinger
Modellkortet anbefaler en systeminstruksjon tilpasset den tiltenkte assistenten og en relativt lav temperatur, som 0.15. Bruk systeminstruksjonen til å definere rollen, stilen og svarreglene, mens brukermeldingen inneholder det faktiske problemet eller kildematerialet. Hold siterte instruksjoner inne i et dokument atskilt fra applikasjonens instruksjon om hva som skal gjøres med dokumentet.
For en hverdagsassistent angir du om resultatet skal være et kort svar, en strukturert datapost eller en lengre forklaring. Hvis et svar skal tolkes maskinelt, ber du om dataposten separat fra eventuell løpende tekst. I en gjentatt dokumentflyt bevarer du kildeidentifikatoren ved hvert resultat slik at applikasjonen kan returnere riktig materiale til brukeren.
Funksjonskall og spesialisering
Modellen kan velge en beskrevet funksjon og produsere argumentene. Applikasjonen utfører operasjonen og returnerer resultatet med det tilhørende verktøykallet, og deretter kan neste svar bruke informasjonen. Eksemplet i modellkortet viser en samtale med tidligere verktøybruk etterfulgt av et nytt spørsmål. Dette gir assistenten en måte å be om informasjon fra tilknyttede verktøy på uten å behandle et foreslått kall som et fullført oppslag.
Beskriv formålet med hver funksjon og de påkrevde verdiene tydelig. En oppslagsoppgave kan navngi informasjonen som trengs, og returnere det faktiske verktøyresultatet til samtalen; en tekstbehandlingsfunksjon kan gi en transformert passasje for neste svar. Hold verktøysettet knyttet til den aktuelle prosessen, og bevar koblingen mellom den foreslåtte operasjonen og resultatet.
Produsenten beskriver også finjustering for fagspesialisering. Denne prosessen endrer en modell for et definert domene; å gi et dokument i én samtale er derimot kildebetinging for den oppgaven. Gi domenematerialet og svarkravene den bestemte assistenten trenger, fremfor å anta at en tilpasning allerede er utført.
Kontekst og faktiske begrensninger
Small 3 2501 er en modell som bare behandler tekst, med en kontekst på 32k. Synsfunksjonen og konteksten på 128k introdusert i Small 3.1 tilhører den senere utgivelsen, og hybridmodusene til Small 4 skal tilsvarende ikke overføres hit. Det relevante innholdet i et bilde, et lydopptak eller en video må klargjøres gjennom en annen komponent før denne tekstoppgaven.
Genereringsinnstillingene på 256 og 512 tokener i modellkortet er brukseksempler, ikke separate maksimale utdatakapasiteter. Hold den konkrete Instruct 2501-identiteten, tokenizeren og det ønskede resultatet eksplisitte. Det nyttige endelige artefaktet er svaret, JSON-posten eller den foreslåtte koden der betydningen og formatet samsvarer med den opprinnelige skriftlige oppgaven.
", "aboutText": "Mistral Small 3 Instruct 2501 er den instruksjonstilpassede utgivelsen av Mistral Small 3 med 24 milliarder parametere. Den er finjustert fra den separat navngitte modellen Small 24B Base 2501. Produsenten posisjonerer den for raskt reagerende samtaleassistanse, funksjonskall og fagspesifikk tilpasning, med tekst både som inndata og som generert resultat.\n\nKjernefunksjoner og treningsforskjell\n\nModellkortet dokumenterer flerspråklig støtte, samtale- og resonneringsfunksjoner, innebygde funksjonskall, JSON-utdata og etterlevelse av systeminstruksjoner. Kontekstvinduet er på 32k, og den bruker en Tekken-tokenizer med et vokabular merket 131k. Kontekstbetegnelsen gjelder teksten som beholdes for oppgaven, mens vokabularbetegnelsen beskriver tokenisering; de er forskjellige spesifikasjoner.\n\nProdusenten lister språk som engelsk, fransk, tysk, spansk, italiensk, kinesisk, japansk, koreansk, portugisisk, nederlandsk og polsk, med russisk også inkludert i språkmetadataene til det utgitte modellkortet. Definer målspråket og eventuell terminologi som skal forbli uendret. En oversatt forklaring kan beholde identifikatorer, navn og enheter samtidig som den omkringliggende teksten tilpasses leseren.\n\nUtgivelseskunngjøringen sier at Small 3 ikke er trent med forsterkningslæring eller syntetiske data, og skiller forhåndstrente og instruksjonstilpassede modellkontrollpunkter. Den beskriver modellen som et grunnlag som kan tilpasses videre, fremfor et hybridkontrollpunkt med de senere resonneringskontrollene til Small 4. Denne oppføringen er Instruct 2501-utgaven for å følge en samtaleoppgave.\n\nSamtaleoppgaver og strukturerte oppgaver\n\nFor en kundestøtteassistent gir du brukerens spørsmål, relevant referansemateriale og svarreglene. Be om handlingen som svarer på spørsmålet, og betingelsen den gjelder under. Praktiske utdata kan skille et kortfattet svar fra uttrukne felter applikasjonen trenger for neste steg, fremfor å blande dem i en ustrukturert forklaring.\n\nFor klassifisering gir du de tillatte etikettene og forskjellene mellom dem. For uttrekk navngir du feltene, forventede typer og representasjon av manglende informasjon. En datapost kan inneholde problemkategorien, en identifikator kopiert fra meldingen og en kort oppsummering av den ønskede handlingen. JSON organiserer resultatet, mens feltutforming og tolkningsregler forblir en del av den oppgitte oppgaven.\n\nFor en kodeforklaring inkluderer du funksjonen, relevante deklarasjoner og konkrete inndata. Spør hvilket forløp gjennom koden som bestemmer resultatet. For en matematisk forklaring definerer du variabler og antakelser og identifiserer uttrykket eller påstanden som skal fastslås. Disse tekstbaserte oppgavene kan returnere en metode, en forklaring og det endelige artefaktet uten å anta at modellen selv kjører koden eller en ekstern beregning.\n\nSysteminstruksjoner og anbefalte innstillinger\n\nModellkortet anbefaler en systeminstruksjon tilpasset den tiltenkte assistenten og en relativt lav temperatur, som 0.15. Bruk systeminstruksjonen til å definere rollen, stilen og svarreglene, mens brukermeldingen inneholder det faktiske problemet eller kildematerialet. Hold siterte instruksjoner inne i et dokument atskilt fra applikasjonens instruksjon om hva som skal gjøres med dokumentet.\n\nFor en hverdagsassistent angir du om resultatet skal være et kort svar, en strukturert datapost eller en lengre forklaring. Hvis et svar skal tolkes maskinelt, ber du om dataposten separat fra eventuell løpende tekst. I en gjentatt dokumentflyt bevarer du kildeidentifikatoren ved hvert resultat slik at applikasjonen kan returnere riktig materiale til brukeren.\n\nFunksjonskall og spesialisering\n\nModellen kan velge en beskrevet funksjon og produsere argumentene. Applikasjonen utfører operasjonen og returnerer resultatet med det tilhørende verktøykallet, og deretter kan neste svar bruke informasjonen. Eksemplet i modellkortet viser en samtale med tidligere verktøybruk etterfulgt av et nytt spørsmål. Dette gir assistenten en måte å be om informasjon fra tilknyttede verktøy på uten å behandle et foreslått kall som et fullført oppslag.\n\nBeskriv formålet med hver funksjon og de påkrevde verdiene tydelig. En oppslagsoppgave kan navngi informasjonen som trengs, og returnere det faktiske verktøyresultatet til samtalen; en tekstbehandlingsfunksjon kan gi en transformert passasje for neste svar. Hold verktøysettet knyttet til den aktuelle prosessen, og bevar koblingen mellom den foreslåtte operasjonen og resultatet.\n\nProdusenten beskriver også finjustering for fagspesialisering. Denne prosessen endrer en modell for et definert domene; å gi et dokument i én samtale er derimot kildebetinging for den oppgaven. Gi domenematerialet og svarkravene den bestemte assistenten trenger, fremfor å anta at en tilpasning allerede er utført.\n\nKontekst og faktiske begrensninger\n\nSmall 3 2501 er en modell som bare behandler tekst, med en kontekst på 32k. Synsfunksjonen og konteksten på 128k introdusert i Small 3.1 tilhører den senere utgivelsen, og hybridmodusene til Small 4 skal tilsvarende ikke overføres hit. Det relevante innholdet i et bilde, et lydopptak eller en video må klargjøres gjennom en annen komponent før denne tekstoppgaven.\n\nGenereringsinnstillingene på 256 og 512 tokener i modellkortet er brukseksempler, ikke separate maksimale utdatakapasiteter. Hold den konkrete Instruct 2501-identiteten, tokenizeren og det ønskede resultatet eksplisitte. Det nyttige endelige artefaktet er svaret, JSON-posten eller den foreslåtte koden der betydningen og formatet samsvarer med den opprinnelige skriftlige oppgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 er en tekstmodell med 24 milliarder parametere for samtaleinstruksjoner, strukturerte uttrekk og verktøystøttede applikasjoner. Den gir en kontekst på 32k ifølge produsenten, flerspråklige svar, støtte for systeminstruksjoner, JSON og innebygde funksjonskall i en egen tekstbasert utgivelse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Small 3 Instruct 2501 er den instruksjonstilpassede utgivelsen av Mistral Small 3 med 24 milliarder parametere. Den er finjustert fra den separat navngitte modellen Small 24B Base 2501. Produsenten posisjonerer den for raskt reagerende samtaleassistanse, funksjonskall og fagspesifikk tilpasning, med tekst både som inndata og som generert resultat.
Kjernefunksjoner og treningsforskjell
Modellkortet dokumenterer flerspråklig støtte, samtale- og resonneringsfunksjoner, innebygde funksjonskall, JSON-utdata og etterlevelse av systeminstruksjoner. Kontekstvinduet er på 32k, og den bruker en Tekken-tokenizer med et vokabular merket 131k. Kontekstbetegnelsen gjelder teksten som beholdes for oppgaven, mens vokabularbetegnelsen beskriver tokenisering; de er forskjellige spesifikasjoner.
Produsenten lister språk som engelsk, fransk, tysk, spansk, italiensk, kinesisk, japansk, koreansk, portugisisk, nederlandsk og polsk, med russisk også inkludert i språkmetadataene til det utgitte modellkortet. Definer målspråket og eventuell terminologi som skal forbli uendret. En oversatt forklaring kan beholde identifikatorer, navn og enheter samtidig som den omkringliggende teksten tilpasses leseren.
Utgivelseskunngjøringen sier at Small 3 ikke er trent med forsterkningslæring eller syntetiske data, og skiller forhåndstrente og instruksjonstilpassede modellkontrollpunkter. Den beskriver modellen som et grunnlag som kan tilpasses videre, fremfor et hybridkontrollpunkt med de senere resonneringskontrollene til Small 4. Denne oppføringen er Instruct 2501-utgaven for å følge en samtaleoppgave.
Samtaleoppgaver og strukturerte oppgaver
For en kundestøtteassistent gir du brukerens spørsmål, relevant referansemateriale og svarreglene. Be om handlingen som svarer på spørsmålet, og betingelsen den gjelder under. Praktiske utdata kan skille et kortfattet svar fra uttrukne felter applikasjonen trenger for neste steg, fremfor å blande dem i en ustrukturert forklaring.
For klassifisering gir du de tillatte etikettene og forskjellene mellom dem. For uttrekk navngir du feltene, forventede typer og representasjon av manglende informasjon. En datapost kan inneholde problemkategorien, en identifikator kopiert fra meldingen og en kort oppsummering av den ønskede handlingen. JSON organiserer resultatet, mens feltutforming og tolkningsregler forblir en del av den oppgitte oppgaven.
For en kodeforklaring inkluderer du funksjonen, relevante deklarasjoner og konkrete inndata. Spør hvilket forløp gjennom koden som bestemmer resultatet. For en matematisk forklaring definerer du variabler og antakelser og identifiserer uttrykket eller påstanden som skal fastslås. Disse tekstbaserte oppgavene kan returnere en metode, en forklaring og det endelige artefaktet uten å anta at modellen selv kjører koden eller en ekstern beregning.
Systeminstruksjoner og anbefalte innstillinger
Modellkortet anbefaler en systeminstruksjon tilpasset den tiltenkte assistenten og en relativt lav temperatur, som 0.15. Bruk systeminstruksjonen til å definere rollen, stilen og svarreglene, mens brukermeldingen inneholder det faktiske problemet eller kildematerialet. Hold siterte instruksjoner inne i et dokument atskilt fra applikasjonens instruksjon om hva som skal gjøres med dokumentet.
For en hverdagsassistent angir du om resultatet skal være et kort svar, en strukturert datapost eller en lengre forklaring. Hvis et svar skal tolkes maskinelt, ber du om dataposten separat fra eventuell løpende tekst. I en gjentatt dokumentflyt bevarer du kildeidentifikatoren ved hvert resultat slik at applikasjonen kan returnere riktig materiale til brukeren.
Funksjonskall og spesialisering
Modellen kan velge en beskrevet funksjon og produsere argumentene. Applikasjonen utfører operasjonen og returnerer resultatet med det tilhørende verktøykallet, og deretter kan neste svar bruke informasjonen. Eksemplet i modellkortet viser en samtale med tidligere verktøybruk etterfulgt av et nytt spørsmål. Dette gir assistenten en måte å be om informasjon fra tilknyttede verktøy på uten å behandle et foreslått kall som et fullført oppslag.
Beskriv formålet med hver funksjon og de påkrevde verdiene tydelig. En oppslagsoppgave kan navngi informasjonen som trengs, og returnere det faktiske verktøyresultatet til samtalen; en tekstbehandlingsfunksjon kan gi en transformert passasje for neste svar. Hold verktøysettet knyttet til den aktuelle prosessen, og bevar koblingen mellom den foreslåtte operasjonen og resultatet.
Produsenten beskriver også finjustering for fagspesialisering. Denne prosessen endrer en modell for et definert domene; å gi et dokument i én samtale er derimot kildebetinging for den oppgaven. Gi domenematerialet og svarkravene den bestemte assistenten trenger, fremfor å anta at en tilpasning allerede er utført.
Kontekst og faktiske begrensninger
Small 3 2501 er en modell som bare behandler tekst, med en kontekst på 32k. Synsfunksjonen og konteksten på 128k introdusert i Small 3.1 tilhører den senere utgivelsen, og hybridmodusene til Small 4 skal tilsvarende ikke overføres hit. Det relevante innholdet i et bilde, et lydopptak eller en video må klargjøres gjennom en annen komponent før denne tekstoppgaven.
Genereringsinnstillingene på 256 og 512 tokener i modellkortet er brukseksempler, ikke separate maksimale utdatakapasiteter. Hold den konkrete Instruct 2501-identiteten, tokenizeren og det ønskede resultatet eksplisitte. Det nyttige endelige artefaktet er svaret, JSON-posten eller den foreslåtte koden der betydningen og formatet samsvarer med den opprinnelige skriftlige oppgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.00016 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.00016 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "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-small-24b-instruct-2501',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-small-24b-instruct-2501',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-small-24b-instruct-2501
Bruk metodestiene som vises ovenfor.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 er en tekstmodell med 24 milliarder parametere for samtaleinstruksjoner, strukturerte uttrekk og verktøystøttede applikasjoner. Den gir en kontekst på 32k ifølge produsenten, flerspråklige svar, støtte for systeminstruksjoner, JSON og innebygde funksjonskall i en egen tekstbasert utgivelse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Small 3 Instruct 2501 er den instruksjonstilpassede utgivelsen av Mistral Small 3 med 24 milliarder parametere. Den er finjustert fra den separat navngitte modellen Small 24B Base 2501. Produsenten posisjonerer den for raskt reagerende samtaleassistanse, funksjonskall og fagspesifikk tilpasning, med tekst både som inndata og som generert resultat.
Kjernefunksjoner og treningsforskjell
Modellkortet dokumenterer flerspråklig støtte, samtale- og resonneringsfunksjoner, innebygde funksjonskall, JSON-utdata og etterlevelse av systeminstruksjoner. Kontekstvinduet er på 32k, og den bruker en Tekken-tokenizer med et vokabular merket 131k. Kontekstbetegnelsen gjelder teksten som beholdes for oppgaven, mens vokabularbetegnelsen beskriver tokenisering; de er forskjellige spesifikasjoner.
Produsenten lister språk som engelsk, fransk, tysk, spansk, italiensk, kinesisk, japansk, koreansk, portugisisk, nederlandsk og polsk, med russisk også inkludert i språkmetadataene til det utgitte modellkortet. Definer målspråket og eventuell terminologi som skal forbli uendret. En oversatt forklaring kan beholde identifikatorer, navn og enheter samtidig som den omkringliggende teksten tilpasses leseren.
Utgivelseskunngjøringen sier at Small 3 ikke er trent med forsterkningslæring eller syntetiske data, og skiller forhåndstrente og instruksjonstilpassede modellkontrollpunkter. Den beskriver modellen som et grunnlag som kan tilpasses videre, fremfor et hybridkontrollpunkt med de senere resonneringskontrollene til Small 4. Denne oppføringen er Instruct 2501-utgaven for å følge en samtaleoppgave.
Samtaleoppgaver og strukturerte oppgaver
For en kundestøtteassistent gir du brukerens spørsmål, relevant referansemateriale og svarreglene. Be om handlingen som svarer på spørsmålet, og betingelsen den gjelder under. Praktiske utdata kan skille et kortfattet svar fra uttrukne felter applikasjonen trenger for neste steg, fremfor å blande dem i en ustrukturert forklaring.
For klassifisering gir du de tillatte etikettene og forskjellene mellom dem. For uttrekk navngir du feltene, forventede typer og representasjon av manglende informasjon. En datapost kan inneholde problemkategorien, en identifikator kopiert fra meldingen og en kort oppsummering av den ønskede handlingen. JSON organiserer resultatet, mens feltutforming og tolkningsregler forblir en del av den oppgitte oppgaven.
For en kodeforklaring inkluderer du funksjonen, relevante deklarasjoner og konkrete inndata. Spør hvilket forløp gjennom koden som bestemmer resultatet. For en matematisk forklaring definerer du variabler og antakelser og identifiserer uttrykket eller påstanden som skal fastslås. Disse tekstbaserte oppgavene kan returnere en metode, en forklaring og det endelige artefaktet uten å anta at modellen selv kjører koden eller en ekstern beregning.
Systeminstruksjoner og anbefalte innstillinger
Modellkortet anbefaler en systeminstruksjon tilpasset den tiltenkte assistenten og en relativt lav temperatur, som 0.15. Bruk systeminstruksjonen til å definere rollen, stilen og svarreglene, mens brukermeldingen inneholder det faktiske problemet eller kildematerialet. Hold siterte instruksjoner inne i et dokument atskilt fra applikasjonens instruksjon om hva som skal gjøres med dokumentet.
For en hverdagsassistent angir du om resultatet skal være et kort svar, en strukturert datapost eller en lengre forklaring. Hvis et svar skal tolkes maskinelt, ber du om dataposten separat fra eventuell løpende tekst. I en gjentatt dokumentflyt bevarer du kildeidentifikatoren ved hvert resultat slik at applikasjonen kan returnere riktig materiale til brukeren.
Funksjonskall og spesialisering
Modellen kan velge en beskrevet funksjon og produsere argumentene. Applikasjonen utfører operasjonen og returnerer resultatet med det tilhørende verktøykallet, og deretter kan neste svar bruke informasjonen. Eksemplet i modellkortet viser en samtale med tidligere verktøybruk etterfulgt av et nytt spørsmål. Dette gir assistenten en måte å be om informasjon fra tilknyttede verktøy på uten å behandle et foreslått kall som et fullført oppslag.
Beskriv formålet med hver funksjon og de påkrevde verdiene tydelig. En oppslagsoppgave kan navngi informasjonen som trengs, og returnere det faktiske verktøyresultatet til samtalen; en tekstbehandlingsfunksjon kan gi en transformert passasje for neste svar. Hold verktøysettet knyttet til den aktuelle prosessen, og bevar koblingen mellom den foreslåtte operasjonen og resultatet.
Produsenten beskriver også finjustering for fagspesialisering. Denne prosessen endrer en modell for et definert domene; å gi et dokument i én samtale er derimot kildebetinging for den oppgaven. Gi domenematerialet og svarkravene den bestemte assistenten trenger, fremfor å anta at en tilpasning allerede er utført.
Kontekst og faktiske begrensninger
Small 3 2501 er en modell som bare behandler tekst, med en kontekst på 32k. Synsfunksjonen og konteksten på 128k introdusert i Small 3.1 tilhører den senere utgivelsen, og hybridmodusene til Small 4 skal tilsvarende ikke overføres hit. Det relevante innholdet i et bilde, et lydopptak eller en video må klargjøres gjennom en annen komponent før denne tekstoppgaven.
Genereringsinnstillingene på 256 og 512 tokener i modellkortet er brukseksempler, ikke separate maksimale utdatakapasiteter. Hold den konkrete Instruct 2501-identiteten, tokenizeren og det ønskede resultatet eksplisitte. Det nyttige endelige artefaktet er svaret, JSON-posten eller den foreslåtte koden der betydningen og formatet samsvarer med den opprinnelige skriftlige oppgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.00016 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 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 $0.0001 / 1K tokener Utdata · Utgående tokener $0.00016 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small-24b-instruct-2501', '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-small-24b-instruct-2501', '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-small-24b-instruct-2501
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.