Mistral Small 4 kombinerer generell instruksjonsfølging, resonnering og programmering i én multimodal modell. Produsenten beskriver den som en forening av Instruct-familien, resonneringsfamilien Magistral og programmeringsfamilien Devstral. Den tar imot tekst og bilder og returnerer tekst, med funksjonskall og JSON-utdata tilgjengelig for verktøystøttede applikasjoner.
Arkitektur og hovedfunksjoner
Utgivelsen har totalt 119 milliarder parametere og aktiverer 6,5 milliarder per token. Mixture-of-experts-arkitekturen inneholder 128 eksperter, med 4 aktive, og produsenten dokumenterer et kontekstvindu på 256k. Antallet aktive parametere og antallet eksperter beskriver hvordan modellen er organisert; de er forskjellige fra mengden tekst- eller bildeinnhold i én oppgave.
Modellen har instruksjons- og resonneringsfunksjoner i samme modellkontrollpunkt. Produsenten identifiserer også syn, etterlevelse av systeminstruksjoner og flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. En tekstinstruksjon kan derfor spørre om et bilde eller kombinere et skriftlig krav med synlige bevis, med svaret returnert som tekst.
En visuell oppgave kan gi en dokumentside og be om verdiene som er relevante for en navngitt betingelse. Hold etikettene og enhetene lesbare, og angi om resultatet skal bevare den opprinnelige ordlyden, oppsummere den eller sammenligne den med en annen kilde. En grensesnittoppgave kan kombinere et skjermbilde med brukerens mål og be om den relevante synlige kontrollen og bevisene som underbygger et foreslått neste steg.
Valg av instruksjons- eller resonneringsmodus
Det utgitte modellkortet dokumenterer resonneringsinnsats none for et umiddelbart instruksjonsbasert svar og high for resonnering, med high anbefalt for komplekse prompter. Valget gjøres per forespørsel i samme Small 4-modell. En vanlig klassifisering eller kort omskriving kan ha en annen svarkontrakt enn et matematisk, visuelt eller programmeringsrelatert problem som trenger en utførlig forklaring.
Produsenten anbefaler temperatur 0.7 for høy resonneringsinnsats. For none angir den temperaturer mellom 0.0 og 0.7 etter oppgaven. Disse innstillingene beskriver de dokumenterte modusene og gjør ikke resonneringsinnsats til en garanti for et riktig resultat. Definer antakelsene, utdataformen og det relevante kildematerialet før du velger hvor mye resonnering oppgaven krever.
For en gjennomarbeidet problemløsning gir du hele betingelsen og ber om de viktige begrunnede stegene, etterfulgt av det endelige uttrykket. For en kodeoppgave gir du kravet, den berørte funksjonen og konkrete inndata; be om den foreslåtte implementasjonen separat fra forklaringen og eksemplene. Produsentens bruksdemonstrasjoner omfatter instruksjonsfølging, et beregningsverktøy brukt på et bilde og visuell resonnering, og illustrerer hvordan tekst og visuelle bevis kan inngå i disse ulike oppgavene.
Programmering, dokumenter og verktøy
Modellen er posisjonert for utforsking av kodebaser og programvareutviklingsagenter, generelle assistenter, dokumentforståelse og forskning. En forespørsel til en programmeringsagent kan navngi modulen som skal endres, grensesnittet som skal bevares, og atferden som skal følge. Gi relevant kildekode og feilbevis. Modellen kan foreslå neste operasjon eller en kodeendring, mens applikasjonen gir tilgang til kodearkivet, utførelse og tilbakemelding.
For dokumentuttrekk identifiserer du de påkrevde feltene og hvordan manglende informasjon skal representeres. En nyttig datapost kan skille dokumentidentifikatoren, utsagnet i kilden, det tolkede kravet og det uavklarte spørsmålet. Produsentens tjenestekort lister tilpassede strukturerte utdata og dokumentbasert spørsmålssvar; sistnevnte bruker dokumentbehandling og OCR til å klargjøre tekst og struktur før språkmodellanalyse. Et direkte bildespørsmål og en OCR-støttet dokumentflyt bør beholde hver sin forberedelse av inndata.
Funksjonskall krever tydelig beskrevne verktøy. Modellen velger en funksjon og oppretter argumenter; applikasjonen utfører operasjonen og returnerer resultatet for det påfølgende svaret. Samme logikk gjelder uansett om oppgaven er et oppslag, en beregning eller en programmeringsoperasjon. JSON-formatering organiserer et svar, mens et verktøykall ber om en ekstern handling; de to skal ikke behandles som utbyttbare resultater.
Tjenestekortet lister også forhåndsangitte utdata, svarprefikser, satsvis behandling og agentsamtaler. Forhåndsangitte utdata er nyttig når et dokument eller en kodefil må genereres på nytt med bare en avgrenset endring og resten av innholdet er kjent. Angi redigeringen og materialet som skal bevares. Prefiksvidereføring bruker en kjent start på svaret, mens satsvis behandling gjelder innsending av arbeid fremfor en ekstra resonneringsmodus.
Avgrensning av kontekst og utgave
Planlegg den skriftlige oppgaven, det visuelle materialet, samtalen og ønsket svar ut fra den dokumenterte konteksten på 256k. Det utgitte brukseksemplet konfigurerer en kontekst på 262 144 tokener, mens genereringseksemplet på 1 024 tokener ikke er en separat maksimal utdatakapasitet. De leste kildene gir ikke en uavhengig absolutt svarlengdegrense som kan erstatte den valgte oppgavelengden.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 milliarder parametere og sine egne hybridmoduser. Den skal ikke arve den tette arkitekturen med 128 milliarder parametere fra Medium 3.5 eller de separate Instruct- og Reasoning-utgavene av Ministral 3. Produsenten utgir også separate kvantiserte artefakter og artefakter for spekulativ dekoding; disse er separate utrullingsartefakter fremfor forskjellige innholdsmodaliteter. Bevar den navngitte Small 4-utgivelsen og modusen som etterspørres for den faktiske forklaringen, strukturerte dataposten eller koderesultatet.
", "aboutText": "Mistral Small 4 kombinerer generell instruksjonsfølging, resonnering og programmering i én multimodal modell. Produsenten beskriver den som en forening av Instruct-familien, resonneringsfamilien Magistral og programmeringsfamilien Devstral. Den tar imot tekst og bilder og returnerer tekst, med funksjonskall og JSON-utdata tilgjengelig for verktøystøttede applikasjoner.\n\nArkitektur og hovedfunksjoner\n\nUtgivelsen har totalt 119 milliarder parametere og aktiverer 6,5 milliarder per token. Mixture-of-experts-arkitekturen inneholder 128 eksperter, med 4 aktive, og produsenten dokumenterer et kontekstvindu på 256k. Antallet aktive parametere og antallet eksperter beskriver hvordan modellen er organisert; de er forskjellige fra mengden tekst- eller bildeinnhold i én oppgave.\n\nModellen har instruksjons- og resonneringsfunksjoner i samme modellkontrollpunkt. Produsenten identifiserer også syn, etterlevelse av systeminstruksjoner og flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. En tekstinstruksjon kan derfor spørre om et bilde eller kombinere et skriftlig krav med synlige bevis, med svaret returnert som tekst.\n\nEn visuell oppgave kan gi en dokumentside og be om verdiene som er relevante for en navngitt betingelse. Hold etikettene og enhetene lesbare, og angi om resultatet skal bevare den opprinnelige ordlyden, oppsummere den eller sammenligne den med en annen kilde. En grensesnittoppgave kan kombinere et skjermbilde med brukerens mål og be om den relevante synlige kontrollen og bevisene som underbygger et foreslått neste steg.\n\nValg av instruksjons- eller resonneringsmodus\n\nDet utgitte modellkortet dokumenterer resonneringsinnsats none for et umiddelbart instruksjonsbasert svar og high for resonnering, med high anbefalt for komplekse prompter. Valget gjøres per forespørsel i samme Small 4-modell. En vanlig klassifisering eller kort omskriving kan ha en annen svarkontrakt enn et matematisk, visuelt eller programmeringsrelatert problem som trenger en utførlig forklaring.\n\nProdusenten anbefaler temperatur 0.7 for høy resonneringsinnsats. For none angir den temperaturer mellom 0.0 og 0.7 etter oppgaven. Disse innstillingene beskriver de dokumenterte modusene og gjør ikke resonneringsinnsats til en garanti for et riktig resultat. Definer antakelsene, utdataformen og det relevante kildematerialet før du velger hvor mye resonnering oppgaven krever.\n\nFor en gjennomarbeidet problemløsning gir du hele betingelsen og ber om de viktige begrunnede stegene, etterfulgt av det endelige uttrykket. For en kodeoppgave gir du kravet, den berørte funksjonen og konkrete inndata; be om den foreslåtte implementasjonen separat fra forklaringen og eksemplene. Produsentens bruksdemonstrasjoner omfatter instruksjonsfølging, et beregningsverktøy brukt på et bilde og visuell resonnering, og illustrerer hvordan tekst og visuelle bevis kan inngå i disse ulike oppgavene.\n\nProgrammering, dokumenter og verktøy\n\nModellen er posisjonert for utforsking av kodebaser og programvareutviklingsagenter, generelle assistenter, dokumentforståelse og forskning. En forespørsel til en programmeringsagent kan navngi modulen som skal endres, grensesnittet som skal bevares, og atferden som skal følge. Gi relevant kildekode og feilbevis. Modellen kan foreslå neste operasjon eller en kodeendring, mens applikasjonen gir tilgang til kodearkivet, utførelse og tilbakemelding.\n\nFor dokumentuttrekk identifiserer du de påkrevde feltene og hvordan manglende informasjon skal representeres. En nyttig datapost kan skille dokumentidentifikatoren, utsagnet i kilden, det tolkede kravet og det uavklarte spørsmålet. Produsentens tjenestekort lister tilpassede strukturerte utdata og dokumentbasert spørsmålssvar; sistnevnte bruker dokumentbehandling og OCR til å klargjøre tekst og struktur før språkmodellanalyse. Et direkte bildespørsmål og en OCR-støttet dokumentflyt bør beholde hver sin forberedelse av inndata.\n\nFunksjonskall krever tydelig beskrevne verktøy. Modellen velger en funksjon og oppretter argumenter; applikasjonen utfører operasjonen og returnerer resultatet for det påfølgende svaret. Samme logikk gjelder uansett om oppgaven er et oppslag, en beregning eller en programmeringsoperasjon. JSON-formatering organiserer et svar, mens et verktøykall ber om en ekstern handling; de to skal ikke behandles som utbyttbare resultater.\n\nTjenestekortet lister også forhåndsangitte utdata, svarprefikser, satsvis behandling og agentsamtaler. Forhåndsangitte utdata er nyttig når et dokument eller en kodefil må genereres på nytt med bare en avgrenset endring og resten av innholdet er kjent. Angi redigeringen og materialet som skal bevares. Prefiksvidereføring bruker en kjent start på svaret, mens satsvis behandling gjelder innsending av arbeid fremfor en ekstra resonneringsmodus.\n\nAvgrensning av kontekst og utgave\n\nPlanlegg den skriftlige oppgaven, det visuelle materialet, samtalen og ønsket svar ut fra den dokumenterte konteksten på 256k. Det utgitte brukseksemplet konfigurerer en kontekst på 262 144 tokener, mens genereringseksemplet på 1 024 tokener ikke er en separat maksimal utdatakapasitet. De leste kildene gir ikke en uavhengig absolutt svarlengdegrense som kan erstatte den valgte oppgavelengden.\n\nSmall 4 har sin egen mixture-of-experts-arkitektur med 119 milliarder parametere og sine egne hybridmoduser. Den skal ikke arve den tette arkitekturen med 128 milliarder parametere fra Medium 3.5 eller de separate Instruct- og Reasoning-utgavene av Ministral 3. Produsenten utgir også separate kvantiserte artefakter og artefakter for spekulativ dekoding; disse er separate utrullingsartefakter fremfor forskjellige innholdsmodaliteter. Bevar den navngitte Small 4-utgivelsen og modusen som etterspørres for den faktiske forklaringen, strukturerte dataposten eller koderesultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 er en hybridmodell for tekst og bilder med instruksjons-, resonnerings- og programmeringsfunksjoner. Mixture-of-experts-utgivelsen med 119 milliarder parametere aktiverer 6,5 milliarder parametere per token og støtter en kontekst på 256k ifølge produsenten, valgfri resonneringsinnsats, JSON og funksjonskall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Small 4 kombinerer generell instruksjonsfølging, resonnering og programmering i én multimodal modell. Produsenten beskriver den som en forening av Instruct-familien, resonneringsfamilien Magistral og programmeringsfamilien Devstral. Den tar imot tekst og bilder og returnerer tekst, med funksjonskall og JSON-utdata tilgjengelig for verktøystøttede applikasjoner.
Arkitektur og hovedfunksjoner
Utgivelsen har totalt 119 milliarder parametere og aktiverer 6,5 milliarder per token. Mixture-of-experts-arkitekturen inneholder 128 eksperter, med 4 aktive, og produsenten dokumenterer et kontekstvindu på 256k. Antallet aktive parametere og antallet eksperter beskriver hvordan modellen er organisert; de er forskjellige fra mengden tekst- eller bildeinnhold i én oppgave.
Modellen har instruksjons- og resonneringsfunksjoner i samme modellkontrollpunkt. Produsenten identifiserer også syn, etterlevelse av systeminstruksjoner og flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. En tekstinstruksjon kan derfor spørre om et bilde eller kombinere et skriftlig krav med synlige bevis, med svaret returnert som tekst.
En visuell oppgave kan gi en dokumentside og be om verdiene som er relevante for en navngitt betingelse. Hold etikettene og enhetene lesbare, og angi om resultatet skal bevare den opprinnelige ordlyden, oppsummere den eller sammenligne den med en annen kilde. En grensesnittoppgave kan kombinere et skjermbilde med brukerens mål og be om den relevante synlige kontrollen og bevisene som underbygger et foreslått neste steg.
Valg av instruksjons- eller resonneringsmodus
Det utgitte modellkortet dokumenterer resonneringsinnsats none for et umiddelbart instruksjonsbasert svar og high for resonnering, med high anbefalt for komplekse prompter. Valget gjøres per forespørsel i samme Small 4-modell. En vanlig klassifisering eller kort omskriving kan ha en annen svarkontrakt enn et matematisk, visuelt eller programmeringsrelatert problem som trenger en utførlig forklaring.
Produsenten anbefaler temperatur 0.7 for høy resonneringsinnsats. For none angir den temperaturer mellom 0.0 og 0.7 etter oppgaven. Disse innstillingene beskriver de dokumenterte modusene og gjør ikke resonneringsinnsats til en garanti for et riktig resultat. Definer antakelsene, utdataformen og det relevante kildematerialet før du velger hvor mye resonnering oppgaven krever.
For en gjennomarbeidet problemløsning gir du hele betingelsen og ber om de viktige begrunnede stegene, etterfulgt av det endelige uttrykket. For en kodeoppgave gir du kravet, den berørte funksjonen og konkrete inndata; be om den foreslåtte implementasjonen separat fra forklaringen og eksemplene. Produsentens bruksdemonstrasjoner omfatter instruksjonsfølging, et beregningsverktøy brukt på et bilde og visuell resonnering, og illustrerer hvordan tekst og visuelle bevis kan inngå i disse ulike oppgavene.
Programmering, dokumenter og verktøy
Modellen er posisjonert for utforsking av kodebaser og programvareutviklingsagenter, generelle assistenter, dokumentforståelse og forskning. En forespørsel til en programmeringsagent kan navngi modulen som skal endres, grensesnittet som skal bevares, og atferden som skal følge. Gi relevant kildekode og feilbevis. Modellen kan foreslå neste operasjon eller en kodeendring, mens applikasjonen gir tilgang til kodearkivet, utførelse og tilbakemelding.
For dokumentuttrekk identifiserer du de påkrevde feltene og hvordan manglende informasjon skal representeres. En nyttig datapost kan skille dokumentidentifikatoren, utsagnet i kilden, det tolkede kravet og det uavklarte spørsmålet. Produsentens tjenestekort lister tilpassede strukturerte utdata og dokumentbasert spørsmålssvar; sistnevnte bruker dokumentbehandling og OCR til å klargjøre tekst og struktur før språkmodellanalyse. Et direkte bildespørsmål og en OCR-støttet dokumentflyt bør beholde hver sin forberedelse av inndata.
Funksjonskall krever tydelig beskrevne verktøy. Modellen velger en funksjon og oppretter argumenter; applikasjonen utfører operasjonen og returnerer resultatet for det påfølgende svaret. Samme logikk gjelder uansett om oppgaven er et oppslag, en beregning eller en programmeringsoperasjon. JSON-formatering organiserer et svar, mens et verktøykall ber om en ekstern handling; de to skal ikke behandles som utbyttbare resultater.
Tjenestekortet lister også forhåndsangitte utdata, svarprefikser, satsvis behandling og agentsamtaler. Forhåndsangitte utdata er nyttig når et dokument eller en kodefil må genereres på nytt med bare en avgrenset endring og resten av innholdet er kjent. Angi redigeringen og materialet som skal bevares. Prefiksvidereføring bruker en kjent start på svaret, mens satsvis behandling gjelder innsending av arbeid fremfor en ekstra resonneringsmodus.
Avgrensning av kontekst og utgave
Planlegg den skriftlige oppgaven, det visuelle materialet, samtalen og ønsket svar ut fra den dokumenterte konteksten på 256k. Det utgitte brukseksemplet konfigurerer en kontekst på 262 144 tokener, mens genereringseksemplet på 1 024 tokener ikke er en separat maksimal utdatakapasitet. De leste kildene gir ikke en uavhengig absolutt svarlengdegrense som kan erstatte den valgte oppgavelengden.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 milliarder parametere og sine egne hybridmoduser. Den skal ikke arve den tette arkitekturen med 128 milliarder parametere fra Medium 3.5 eller de separate Instruct- og Reasoning-utgavene av Ministral 3. Produsenten utgir også separate kvantiserte artefakter og artefakter for spekulativ dekoding; disse er separate utrullingsartefakter fremfor forskjellige innholdsmodaliteter. Bevar den navngitte Small 4-utgivelsen og modusen som etterspørres for den faktiske forklaringen, strukturerte dataposten eller koderesultatet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-small-2603 | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00003 / 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-2603", "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-2603',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-2603',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-2603
Bruk metodestiene som vises ovenfor.
mistralai/mistral-small-2603Mistral Small 4 er en hybridmodell for tekst og bilder med instruksjons-, resonnerings- og programmeringsfunksjoner. Mixture-of-experts-utgivelsen med 119 milliarder parametere aktiverer 6,5 milliarder parametere per token og støtter en kontekst på 256k ifølge produsenten, valgfri resonneringsinnsats, JSON og funksjonskall.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Small 4 kombinerer generell instruksjonsfølging, resonnering og programmering i én multimodal modell. Produsenten beskriver den som en forening av Instruct-familien, resonneringsfamilien Magistral og programmeringsfamilien Devstral. Den tar imot tekst og bilder og returnerer tekst, med funksjonskall og JSON-utdata tilgjengelig for verktøystøttede applikasjoner.
Arkitektur og hovedfunksjoner
Utgivelsen har totalt 119 milliarder parametere og aktiverer 6,5 milliarder per token. Mixture-of-experts-arkitekturen inneholder 128 eksperter, med 4 aktive, og produsenten dokumenterer et kontekstvindu på 256k. Antallet aktive parametere og antallet eksperter beskriver hvordan modellen er organisert; de er forskjellige fra mengden tekst- eller bildeinnhold i én oppgave.
Modellen har instruksjons- og resonneringsfunksjoner i samme modellkontrollpunkt. Produsenten identifiserer også syn, etterlevelse av systeminstruksjoner og flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. En tekstinstruksjon kan derfor spørre om et bilde eller kombinere et skriftlig krav med synlige bevis, med svaret returnert som tekst.
En visuell oppgave kan gi en dokumentside og be om verdiene som er relevante for en navngitt betingelse. Hold etikettene og enhetene lesbare, og angi om resultatet skal bevare den opprinnelige ordlyden, oppsummere den eller sammenligne den med en annen kilde. En grensesnittoppgave kan kombinere et skjermbilde med brukerens mål og be om den relevante synlige kontrollen og bevisene som underbygger et foreslått neste steg.
Valg av instruksjons- eller resonneringsmodus
Det utgitte modellkortet dokumenterer resonneringsinnsats none for et umiddelbart instruksjonsbasert svar og high for resonnering, med high anbefalt for komplekse prompter. Valget gjøres per forespørsel i samme Small 4-modell. En vanlig klassifisering eller kort omskriving kan ha en annen svarkontrakt enn et matematisk, visuelt eller programmeringsrelatert problem som trenger en utførlig forklaring.
Produsenten anbefaler temperatur 0.7 for høy resonneringsinnsats. For none angir den temperaturer mellom 0.0 og 0.7 etter oppgaven. Disse innstillingene beskriver de dokumenterte modusene og gjør ikke resonneringsinnsats til en garanti for et riktig resultat. Definer antakelsene, utdataformen og det relevante kildematerialet før du velger hvor mye resonnering oppgaven krever.
For en gjennomarbeidet problemløsning gir du hele betingelsen og ber om de viktige begrunnede stegene, etterfulgt av det endelige uttrykket. For en kodeoppgave gir du kravet, den berørte funksjonen og konkrete inndata; be om den foreslåtte implementasjonen separat fra forklaringen og eksemplene. Produsentens bruksdemonstrasjoner omfatter instruksjonsfølging, et beregningsverktøy brukt på et bilde og visuell resonnering, og illustrerer hvordan tekst og visuelle bevis kan inngå i disse ulike oppgavene.
Programmering, dokumenter og verktøy
Modellen er posisjonert for utforsking av kodebaser og programvareutviklingsagenter, generelle assistenter, dokumentforståelse og forskning. En forespørsel til en programmeringsagent kan navngi modulen som skal endres, grensesnittet som skal bevares, og atferden som skal følge. Gi relevant kildekode og feilbevis. Modellen kan foreslå neste operasjon eller en kodeendring, mens applikasjonen gir tilgang til kodearkivet, utførelse og tilbakemelding.
For dokumentuttrekk identifiserer du de påkrevde feltene og hvordan manglende informasjon skal representeres. En nyttig datapost kan skille dokumentidentifikatoren, utsagnet i kilden, det tolkede kravet og det uavklarte spørsmålet. Produsentens tjenestekort lister tilpassede strukturerte utdata og dokumentbasert spørsmålssvar; sistnevnte bruker dokumentbehandling og OCR til å klargjøre tekst og struktur før språkmodellanalyse. Et direkte bildespørsmål og en OCR-støttet dokumentflyt bør beholde hver sin forberedelse av inndata.
Funksjonskall krever tydelig beskrevne verktøy. Modellen velger en funksjon og oppretter argumenter; applikasjonen utfører operasjonen og returnerer resultatet for det påfølgende svaret. Samme logikk gjelder uansett om oppgaven er et oppslag, en beregning eller en programmeringsoperasjon. JSON-formatering organiserer et svar, mens et verktøykall ber om en ekstern handling; de to skal ikke behandles som utbyttbare resultater.
Tjenestekortet lister også forhåndsangitte utdata, svarprefikser, satsvis behandling og agentsamtaler. Forhåndsangitte utdata er nyttig når et dokument eller en kodefil må genereres på nytt med bare en avgrenset endring og resten av innholdet er kjent. Angi redigeringen og materialet som skal bevares. Prefiksvidereføring bruker en kjent start på svaret, mens satsvis behandling gjelder innsending av arbeid fremfor en ekstra resonneringsmodus.
Avgrensning av kontekst og utgave
Planlegg den skriftlige oppgaven, det visuelle materialet, samtalen og ønsket svar ut fra den dokumenterte konteksten på 256k. Det utgitte brukseksemplet konfigurerer en kontekst på 262 144 tokener, mens genereringseksemplet på 1 024 tokener ikke er en separat maksimal utdatakapasitet. De leste kildene gir ikke en uavhengig absolutt svarlengdegrense som kan erstatte den valgte oppgavelengden.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 milliarder parametere og sine egne hybridmoduser. Den skal ikke arve den tette arkitekturen med 128 milliarder parametere fra Medium 3.5 eller de separate Instruct- og Reasoning-utgavene av Ministral 3. Produsenten utgir også separate kvantiserte artefakter og artefakter for spekulativ dekoding; disse er separate utrullingsartefakter fremfor forskjellige innholdsmodaliteter. Bevar den navngitte Small 4-utgivelsen og modusen som etterspørres for den faktiske forklaringen, strukturerte dataposten eller koderesultatet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-small-2603 | 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00003 / 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 $0.0003 / 1K tokener Utdata · Utgående tokener $0.0012 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2603', '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-2603', '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-2603
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.