Mistral Small 3.1 24B Instruct 2503 bygger på Small 3 2501 ved å legge til visuell forståelse og utvide støtten for lang kontekst til 128k tokener. Den har 24 milliarder parametere og er instruksjonstilpasset fra den separat navngitte Small 3.1 Base-utgivelsen. Modellen tar imot tekst og bilder og produserer tekst, blant annet en forklaring, kode eller en strukturert datapost.
Hovedfunksjoner
Syn gjør at modellen kan analysere synlig materiale sammen med brukerens spørsmål. Et dokumentbilde kan gi feltet eller utsagnet som skal undersøkes, en skisse kan gi forholdet som skal forklares, og et diagram kan gi dataene bak en sammenligning. Hold etiketter, enheter og relevant omkringliggende innhold lesbart slik at spørsmålet viser til bevis som faktisk finnes i bildet.
Produsenten lister flerspråklig støtte for flere titalls språk, blant annet russisk, engelsk, fransk, tysk, gresk, hindi, indonesisk, italiensk, japansk, koreansk, malayisk, nepali, polsk, portugisisk, rumensk, serbisk, spansk, svensk, tyrkisk, ukrainsk, vietnamesisk, arabisk, bengali, kinesisk og farsi. Definer målspråket, leseren og terminologien for et flerspråklig svar. Navn, siterte etiketter, variabelidentifikatorer og enheter kan forbli uendret mens den omkringliggende teksten tilpasses.
Modellkortet beskriver også samtale- og resonneringsfunksjoner, innebygde funksjonskall, JSON-utdata og etterlevelse av systeminstruksjoner. Tokenizeren er Tekken, med et vokabular merket 131k. Dette er funksjoner i den navngitte instruksjonstilpassede utgivelsen; Base-utgaven har en annen rolle, og senere Small 3.2- og Small 4-utgivelser beholder sine egne endringer og moduser.
Forberedelse av dokument-, programmerings- og matematikkoppgaver
For en oppgave med lange dokumenter identifiserer du dokumentene og stiller ett definert spørsmål. En sammenligning kan be om en kravmatrise med utsagnet, kildeavsnittet og eventuelle uenigheter mellom dokumentene. Et sammendrag kan be om bare materialet som er relevant for en navngitt endring. Den lange konteksten holder kildene samlet, mens det endelige svaret fortsatt kan være kortfattet.
For en kodeforklaring gir du funksjonen og inndataene der atferden skal spores. Inkluder relevante hjelpere eller deklarasjoner og spør hvordan tilstanden endres før verdien returneres. For en foreslått endring angir du kravet, det offentlige grensesnittet som skal bevares, og forventede utdata. Be om den reviderte koden separat fra forklaringen og eksemplene.
For en matematisk oppgave definerer du symbolene og domeneantakelsene før du ber om en utledning. Angi om det endelige resultatet skal være eksakt, avrundet eller et bevis på en påstand. Hvis betingelsen forekommer i et bilde, holder du formelen og de tilhørende etikettene tydelige og ber modellen bevare notasjonen i svaret. Disse forberedelsene gjør modellens dokumenterte fokus på programmering og matematisk resonnering til et artefakt som kan undersøkes.
Instruksjonsformat og anbefalt bruk
Produsenten publiserer en V7-Tekken-samtalemal som skiller system-, bruker- og assistentroller, og anbefaler å bruke den tilsvarende tokenizerimplementasjonen som fasit. En systeminstruksjon bør definere assistentens rolle og svarreglene, mens brukermeldingen inneholder den faktiske oppgaven og kildematerialet. Riktig samtaleformatering er forskjellig fra å plassere rollelignende etiketter inne i et sitert dokument.
Modellkortet anbefaler en relativt lav temperatur, som 0.15, og en systeminstruksjon tilpasset bruksområdet. Definer utdatafeltene eller avsnittene og betingelsene som må overleve en omskriving. For gjentatte uttrekk ber du om JSON med angitte navn og typer og en representasjon for verdier som mangler i kilden. Et forklarende avsnitt kan returneres separat når et menneske trenger å undersøke tolkningen.
Arbeidsflyt for funksjonskall
Modellen kan velge en funksjon blant verktøy beskrevet av applikasjonen og generere argumentene. Applikasjonen utfører funksjonen, returnerer resultatet med det tilhørende verktøykallet, og modellen bruker resultatet i et påfølgende svar. Produsentens eksempel viser denne samtalesyklusen, inkludert tidligere verktøybruk og et nytt brukerspørsmål. Et foreslått oppslag er derfor forskjellig fra dataene oppslaget faktisk returnerer.
En praktisk assistent kan først trekke ut et spørsmål fra et dokument og deretter bruke en oppgitt referansefunksjon til å innhente en manglende betingelse. Beskriv funksjonen tydelig, inkluder de påkrevde argumentene og hold det returnerte resultatet knyttet til operasjonen det kom fra. JSON organiserer et tekstresultat; funksjonskall ber om en tilknyttet operasjon fremfor å kjøre kode eller lese en database i det skjulte.
Faktiske begrensninger
Den dokumenterte synsfunksjonen leser bilder; den genererer dem ikke. Assistentveiledningen i det utgitte modellkortet skiller også denne modellen fra lyd- og videotranskripsjon, så et muntlig spørsmål eller et videospørsmål trenger det relevante innholdet levert gjennom et egnet separat forberedelsessteg. Nettilgang og eksterne handlinger kommer tilsvarende fra tilknyttede verktøy, ikke fra tekst- og bildemodellen alene.
Konteksten på 128k gjelder oppgavens inndata og den genererte samtalen, mens genereringseksemplet på 512 tokener i modellkortet bare er en eksempelinnstilling. Ingen separat absolutt kapasitet for svarlengde er angitt i de leste kildene. Bevar den konkrete Instruct 2503-utgaven, samtaleformatet og den ønskede forklaringen, dataposten eller kodeartefaktet.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 bygger på Small 3 2501 ved å legge til visuell forståelse og utvide støtten for lang kontekst til 128k tokener. Den har 24 milliarder parametere og er instruksjonstilpasset fra den separat navngitte Small 3.1 Base-utgivelsen. Modellen tar imot tekst og bilder og produserer tekst, blant annet en forklaring, kode eller en strukturert datapost.\n\nHovedfunksjoner\n\nSyn gjør at modellen kan analysere synlig materiale sammen med brukerens spørsmål. Et dokumentbilde kan gi feltet eller utsagnet som skal undersøkes, en skisse kan gi forholdet som skal forklares, og et diagram kan gi dataene bak en sammenligning. Hold etiketter, enheter og relevant omkringliggende innhold lesbart slik at spørsmålet viser til bevis som faktisk finnes i bildet.\n\nProdusenten lister flerspråklig støtte for flere titalls språk, blant annet russisk, engelsk, fransk, tysk, gresk, hindi, indonesisk, italiensk, japansk, koreansk, malayisk, nepali, polsk, portugisisk, rumensk, serbisk, spansk, svensk, tyrkisk, ukrainsk, vietnamesisk, arabisk, bengali, kinesisk og farsi. Definer målspråket, leseren og terminologien for et flerspråklig svar. Navn, siterte etiketter, variabelidentifikatorer og enheter kan forbli uendret mens den omkringliggende teksten tilpasses.\n\nModellkortet beskriver også samtale- og resonneringsfunksjoner, innebygde funksjonskall, JSON-utdata og etterlevelse av systeminstruksjoner. Tokenizeren er Tekken, med et vokabular merket 131k. Dette er funksjoner i den navngitte instruksjonstilpassede utgivelsen; Base-utgaven har en annen rolle, og senere Small 3.2- og Small 4-utgivelser beholder sine egne endringer og moduser.\n\nForberedelse av dokument-, programmerings- og matematikkoppgaver\n\nFor en oppgave med lange dokumenter identifiserer du dokumentene og stiller ett definert spørsmål. En sammenligning kan be om en kravmatrise med utsagnet, kildeavsnittet og eventuelle uenigheter mellom dokumentene. Et sammendrag kan be om bare materialet som er relevant for en navngitt endring. Den lange konteksten holder kildene samlet, mens det endelige svaret fortsatt kan være kortfattet.\n\nFor en kodeforklaring gir du funksjonen og inndataene der atferden skal spores. Inkluder relevante hjelpere eller deklarasjoner og spør hvordan tilstanden endres før verdien returneres. For en foreslått endring angir du kravet, det offentlige grensesnittet som skal bevares, og forventede utdata. Be om den reviderte koden separat fra forklaringen og eksemplene.\n\nFor en matematisk oppgave definerer du symbolene og domeneantakelsene før du ber om en utledning. Angi om det endelige resultatet skal være eksakt, avrundet eller et bevis på en påstand. Hvis betingelsen forekommer i et bilde, holder du formelen og de tilhørende etikettene tydelige og ber modellen bevare notasjonen i svaret. Disse forberedelsene gjør modellens dokumenterte fokus på programmering og matematisk resonnering til et artefakt som kan undersøkes.\n\nInstruksjonsformat og anbefalt bruk\n\nProdusenten publiserer en V7-Tekken-samtalemal som skiller system-, bruker- og assistentroller, og anbefaler å bruke den tilsvarende tokenizerimplementasjonen som fasit. En systeminstruksjon bør definere assistentens rolle og svarreglene, mens brukermeldingen inneholder den faktiske oppgaven og kildematerialet. Riktig samtaleformatering er forskjellig fra å plassere rollelignende etiketter inne i et sitert dokument.\n\nModellkortet anbefaler en relativt lav temperatur, som 0.15, og en systeminstruksjon tilpasset bruksområdet. Definer utdatafeltene eller avsnittene og betingelsene som må overleve en omskriving. For gjentatte uttrekk ber du om JSON med angitte navn og typer og en representasjon for verdier som mangler i kilden. Et forklarende avsnitt kan returneres separat når et menneske trenger å undersøke tolkningen.\n\nArbeidsflyt for funksjonskall\n\nModellen kan velge en funksjon blant verktøy beskrevet av applikasjonen og generere argumentene. Applikasjonen utfører funksjonen, returnerer resultatet med det tilhørende verktøykallet, og modellen bruker resultatet i et påfølgende svar. Produsentens eksempel viser denne samtalesyklusen, inkludert tidligere verktøybruk og et nytt brukerspørsmål. Et foreslått oppslag er derfor forskjellig fra dataene oppslaget faktisk returnerer.\n\nEn praktisk assistent kan først trekke ut et spørsmål fra et dokument og deretter bruke en oppgitt referansefunksjon til å innhente en manglende betingelse. Beskriv funksjonen tydelig, inkluder de påkrevde argumentene og hold det returnerte resultatet knyttet til operasjonen det kom fra. JSON organiserer et tekstresultat; funksjonskall ber om en tilknyttet operasjon fremfor å kjøre kode eller lese en database i det skjulte.\n\nFaktiske begrensninger\n\nDen dokumenterte synsfunksjonen leser bilder; den genererer dem ikke. Assistentveiledningen i det utgitte modellkortet skiller også denne modellen fra lyd- og videotranskripsjon, så et muntlig spørsmål eller et videospørsmål trenger det relevante innholdet levert gjennom et egnet separat forberedelsessteg. Nettilgang og eksterne handlinger kommer tilsvarende fra tilknyttede verktøy, ikke fra tekst- og bildemodellen alene.\n\nKonteksten på 128k gjelder oppgavens inndata og den genererte samtalen, mens genereringseksemplet på 512 tokener i modellkortet bare er en eksempelinnstilling. Ingen separat absolutt kapasitet for svarlengde er angitt i de leste kildene. Bevar den konkrete Instruct 2503-utgaven, samtaleformatet og den ønskede forklaringen, dataposten eller kodeartefaktet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 legger til bildeforståelse og en kontekst på 128k ifølge produsenten i Small 3-linjen. Den kombinerer flerspråklig tekst, programmering og matematisk resonnering med systeminstruksjoner, JSON og innebygde funksjonskall i en egen instruksjonstilpasset utgivelse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Small 3.1 24B Instruct 2503 bygger på Small 3 2501 ved å legge til visuell forståelse og utvide støtten for lang kontekst til 128k tokener. Den har 24 milliarder parametere og er instruksjonstilpasset fra den separat navngitte Small 3.1 Base-utgivelsen. Modellen tar imot tekst og bilder og produserer tekst, blant annet en forklaring, kode eller en strukturert datapost.
Hovedfunksjoner
Syn gjør at modellen kan analysere synlig materiale sammen med brukerens spørsmål. Et dokumentbilde kan gi feltet eller utsagnet som skal undersøkes, en skisse kan gi forholdet som skal forklares, og et diagram kan gi dataene bak en sammenligning. Hold etiketter, enheter og relevant omkringliggende innhold lesbart slik at spørsmålet viser til bevis som faktisk finnes i bildet.
Produsenten lister flerspråklig støtte for flere titalls språk, blant annet russisk, engelsk, fransk, tysk, gresk, hindi, indonesisk, italiensk, japansk, koreansk, malayisk, nepali, polsk, portugisisk, rumensk, serbisk, spansk, svensk, tyrkisk, ukrainsk, vietnamesisk, arabisk, bengali, kinesisk og farsi. Definer målspråket, leseren og terminologien for et flerspråklig svar. Navn, siterte etiketter, variabelidentifikatorer og enheter kan forbli uendret mens den omkringliggende teksten tilpasses.
Modellkortet beskriver også samtale- og resonneringsfunksjoner, innebygde funksjonskall, JSON-utdata og etterlevelse av systeminstruksjoner. Tokenizeren er Tekken, med et vokabular merket 131k. Dette er funksjoner i den navngitte instruksjonstilpassede utgivelsen; Base-utgaven har en annen rolle, og senere Small 3.2- og Small 4-utgivelser beholder sine egne endringer og moduser.
Forberedelse av dokument-, programmerings- og matematikkoppgaver
For en oppgave med lange dokumenter identifiserer du dokumentene og stiller ett definert spørsmål. En sammenligning kan be om en kravmatrise med utsagnet, kildeavsnittet og eventuelle uenigheter mellom dokumentene. Et sammendrag kan be om bare materialet som er relevant for en navngitt endring. Den lange konteksten holder kildene samlet, mens det endelige svaret fortsatt kan være kortfattet.
For en kodeforklaring gir du funksjonen og inndataene der atferden skal spores. Inkluder relevante hjelpere eller deklarasjoner og spør hvordan tilstanden endres før verdien returneres. For en foreslått endring angir du kravet, det offentlige grensesnittet som skal bevares, og forventede utdata. Be om den reviderte koden separat fra forklaringen og eksemplene.
For en matematisk oppgave definerer du symbolene og domeneantakelsene før du ber om en utledning. Angi om det endelige resultatet skal være eksakt, avrundet eller et bevis på en påstand. Hvis betingelsen forekommer i et bilde, holder du formelen og de tilhørende etikettene tydelige og ber modellen bevare notasjonen i svaret. Disse forberedelsene gjør modellens dokumenterte fokus på programmering og matematisk resonnering til et artefakt som kan undersøkes.
Instruksjonsformat og anbefalt bruk
Produsenten publiserer en V7-Tekken-samtalemal som skiller system-, bruker- og assistentroller, og anbefaler å bruke den tilsvarende tokenizerimplementasjonen som fasit. En systeminstruksjon bør definere assistentens rolle og svarreglene, mens brukermeldingen inneholder den faktiske oppgaven og kildematerialet. Riktig samtaleformatering er forskjellig fra å plassere rollelignende etiketter inne i et sitert dokument.
Modellkortet anbefaler en relativt lav temperatur, som 0.15, og en systeminstruksjon tilpasset bruksområdet. Definer utdatafeltene eller avsnittene og betingelsene som må overleve en omskriving. For gjentatte uttrekk ber du om JSON med angitte navn og typer og en representasjon for verdier som mangler i kilden. Et forklarende avsnitt kan returneres separat når et menneske trenger å undersøke tolkningen.
Arbeidsflyt for funksjonskall
Modellen kan velge en funksjon blant verktøy beskrevet av applikasjonen og generere argumentene. Applikasjonen utfører funksjonen, returnerer resultatet med det tilhørende verktøykallet, og modellen bruker resultatet i et påfølgende svar. Produsentens eksempel viser denne samtalesyklusen, inkludert tidligere verktøybruk og et nytt brukerspørsmål. Et foreslått oppslag er derfor forskjellig fra dataene oppslaget faktisk returnerer.
En praktisk assistent kan først trekke ut et spørsmål fra et dokument og deretter bruke en oppgitt referansefunksjon til å innhente en manglende betingelse. Beskriv funksjonen tydelig, inkluder de påkrevde argumentene og hold det returnerte resultatet knyttet til operasjonen det kom fra. JSON organiserer et tekstresultat; funksjonskall ber om en tilknyttet operasjon fremfor å kjøre kode eller lese en database i det skjulte.
Faktiske begrensninger
Den dokumenterte synsfunksjonen leser bilder; den genererer dem ikke. Assistentveiledningen i det utgitte modellkortet skiller også denne modellen fra lyd- og videotranskripsjon, så et muntlig spørsmål eller et videospørsmål trenger det relevante innholdet levert gjennom et egnet separat forberedelsessteg. Nettilgang og eksterne handlinger kommer tilsvarende fra tilknyttede verktøy, ikke fra tekst- og bildemodellen alene.
Konteksten på 128k gjelder oppgavens inndata og den genererte samtalen, mens genereringseksemplet på 512 tokener i modellkortet bare er en eksempelinnstilling. Ingen separat absolutt kapasitet for svarlengde er angitt i de leste kildene. Bevar den konkrete Instruct 2503-utgaven, samtaleformatet og den ønskede forklaringen, dataposten eller kodeartefaktet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokener Utdata · Utgående tokener $0.00111 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0011 / 1K tokener Utdata · Utgående tokener $0.00111 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-3.1-24b-instruct',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-3.1-24b-instruct',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-3.1-24b-instruct
Bruk metodestiene som vises ovenfor.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 legger til bildeforståelse og en kontekst på 128k ifølge produsenten i Small 3-linjen. Den kombinerer flerspråklig tekst, programmering og matematisk resonnering med systeminstruksjoner, JSON og innebygde funksjonskall i en egen instruksjonstilpasset utgivelse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Small 3.1 24B Instruct 2503 bygger på Small 3 2501 ved å legge til visuell forståelse og utvide støtten for lang kontekst til 128k tokener. Den har 24 milliarder parametere og er instruksjonstilpasset fra den separat navngitte Small 3.1 Base-utgivelsen. Modellen tar imot tekst og bilder og produserer tekst, blant annet en forklaring, kode eller en strukturert datapost.
Hovedfunksjoner
Syn gjør at modellen kan analysere synlig materiale sammen med brukerens spørsmål. Et dokumentbilde kan gi feltet eller utsagnet som skal undersøkes, en skisse kan gi forholdet som skal forklares, og et diagram kan gi dataene bak en sammenligning. Hold etiketter, enheter og relevant omkringliggende innhold lesbart slik at spørsmålet viser til bevis som faktisk finnes i bildet.
Produsenten lister flerspråklig støtte for flere titalls språk, blant annet russisk, engelsk, fransk, tysk, gresk, hindi, indonesisk, italiensk, japansk, koreansk, malayisk, nepali, polsk, portugisisk, rumensk, serbisk, spansk, svensk, tyrkisk, ukrainsk, vietnamesisk, arabisk, bengali, kinesisk og farsi. Definer målspråket, leseren og terminologien for et flerspråklig svar. Navn, siterte etiketter, variabelidentifikatorer og enheter kan forbli uendret mens den omkringliggende teksten tilpasses.
Modellkortet beskriver også samtale- og resonneringsfunksjoner, innebygde funksjonskall, JSON-utdata og etterlevelse av systeminstruksjoner. Tokenizeren er Tekken, med et vokabular merket 131k. Dette er funksjoner i den navngitte instruksjonstilpassede utgivelsen; Base-utgaven har en annen rolle, og senere Small 3.2- og Small 4-utgivelser beholder sine egne endringer og moduser.
Forberedelse av dokument-, programmerings- og matematikkoppgaver
For en oppgave med lange dokumenter identifiserer du dokumentene og stiller ett definert spørsmål. En sammenligning kan be om en kravmatrise med utsagnet, kildeavsnittet og eventuelle uenigheter mellom dokumentene. Et sammendrag kan be om bare materialet som er relevant for en navngitt endring. Den lange konteksten holder kildene samlet, mens det endelige svaret fortsatt kan være kortfattet.
For en kodeforklaring gir du funksjonen og inndataene der atferden skal spores. Inkluder relevante hjelpere eller deklarasjoner og spør hvordan tilstanden endres før verdien returneres. For en foreslått endring angir du kravet, det offentlige grensesnittet som skal bevares, og forventede utdata. Be om den reviderte koden separat fra forklaringen og eksemplene.
For en matematisk oppgave definerer du symbolene og domeneantakelsene før du ber om en utledning. Angi om det endelige resultatet skal være eksakt, avrundet eller et bevis på en påstand. Hvis betingelsen forekommer i et bilde, holder du formelen og de tilhørende etikettene tydelige og ber modellen bevare notasjonen i svaret. Disse forberedelsene gjør modellens dokumenterte fokus på programmering og matematisk resonnering til et artefakt som kan undersøkes.
Instruksjonsformat og anbefalt bruk
Produsenten publiserer en V7-Tekken-samtalemal som skiller system-, bruker- og assistentroller, og anbefaler å bruke den tilsvarende tokenizerimplementasjonen som fasit. En systeminstruksjon bør definere assistentens rolle og svarreglene, mens brukermeldingen inneholder den faktiske oppgaven og kildematerialet. Riktig samtaleformatering er forskjellig fra å plassere rollelignende etiketter inne i et sitert dokument.
Modellkortet anbefaler en relativt lav temperatur, som 0.15, og en systeminstruksjon tilpasset bruksområdet. Definer utdatafeltene eller avsnittene og betingelsene som må overleve en omskriving. For gjentatte uttrekk ber du om JSON med angitte navn og typer og en representasjon for verdier som mangler i kilden. Et forklarende avsnitt kan returneres separat når et menneske trenger å undersøke tolkningen.
Arbeidsflyt for funksjonskall
Modellen kan velge en funksjon blant verktøy beskrevet av applikasjonen og generere argumentene. Applikasjonen utfører funksjonen, returnerer resultatet med det tilhørende verktøykallet, og modellen bruker resultatet i et påfølgende svar. Produsentens eksempel viser denne samtalesyklusen, inkludert tidligere verktøybruk og et nytt brukerspørsmål. Et foreslått oppslag er derfor forskjellig fra dataene oppslaget faktisk returnerer.
En praktisk assistent kan først trekke ut et spørsmål fra et dokument og deretter bruke en oppgitt referansefunksjon til å innhente en manglende betingelse. Beskriv funksjonen tydelig, inkluder de påkrevde argumentene og hold det returnerte resultatet knyttet til operasjonen det kom fra. JSON organiserer et tekstresultat; funksjonskall ber om en tilknyttet operasjon fremfor å kjøre kode eller lese en database i det skjulte.
Faktiske begrensninger
Den dokumenterte synsfunksjonen leser bilder; den genererer dem ikke. Assistentveiledningen i det utgitte modellkortet skiller også denne modellen fra lyd- og videotranskripsjon, så et muntlig spørsmål eller et videospørsmål trenger det relevante innholdet levert gjennom et egnet separat forberedelsessteg. Nettilgang og eksterne handlinger kommer tilsvarende fra tilknyttede verktøy, ikke fra tekst- og bildemodellen alene.
Konteksten på 128k gjelder oppgavens inndata og den genererte samtalen, mens genereringseksemplet på 512 tokener i modellkortet bare er en eksempelinnstilling. Ingen separat absolutt kapasitet for svarlengde er angitt i de leste kildene. Bevar den konkrete Instruct 2503-utgaven, samtaleformatet og den ønskede forklaringen, dataposten eller kodeartefaktet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokener Utdata · Utgående tokener $0.00111 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0011 / 1K tokener Utdata · Utgående tokener $0.00111 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-instruct', '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-3.1-24b-instruct', '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-3.1-24b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.