Devstral Small 2505 is de eerste Devstral Small-release, ontwikkeld door Mistral AI samen met All Hands AI voor softwareontwikkelingsagenten. Het is een model met 24 miljard parameters, gebouwd voor het verkennen van codebases, toolgebruik en wijzigingen in meerdere bestanden. De modelkaart van de ontwikkelaar beschrijft het als uitsluitend tekstgericht, met een contextvenster van 128K; de vision-encoder is verwijderd uit het Mistral Small 3.1-model dat voor de fijnafstemming is gebruikt.
Beschrijf het vereiste gedrag en de repository of relevante code waarmee de agent moet werken. Een nuttige taak benoemt de functie, de betrokken bestanden of het applicatieonderdeel en de voorwaarden die aantonen dat het werk voltooid is. Vermeld bij een foutoplossing de waargenomen fout, of bij een nieuwe functie de verwachte gebruikershandelingen en het verwachte gedrag van de gegevens.
Het voorbeeld van de ontwikkelaar bouwt een takenapplicatie met één pagina met FastAPI, React en SQLite. De prompt noemt taken toevoegen, verwijderen en voltooien en de takenlijst weergeven. Die eisen verbinden de gegenereerde interface met het applicatiegedrag en de opslag die daarvoor nodig zijn. Een vervolgverzoek vraagt daarna om een specifieke verbetering van de voltooide applicatie.
De gedocumenteerde workflow gebruikt een agentomgeving die repositorybestanden kan bekijken, wijzigingen kan maken en ontwikkeltools kan uitvoeren. Devstral levert de beslissingen en de code; de omringende agent voert toolhandelingen uit en geeft waarnemingen terug. Geef de installatie-instructies van het project en leg uit welke controles moeten aantonen dat de wijziging werkt.
Vraag bij een wijziging in meerdere bestanden om vóór het bewerken de relevante afhankelijkheden vast te stellen. Bewaar de toolwaarnemingen samen met de resulterende patch, zodat een voorgestelde correctie kan worden vergeleken met wat daadwerkelijk is uitgevoerd. Een gegenereerde implementatie wordt een werkend resultaat wanneer de applicatie die in de bedoelde omgeving opslaat en uitvoert.
Een ander voorbeeld van de ontwikkelaar vraagt de agent om testdekking te onderzoeken en grafieken te maken. De workflow verkent eerst de repository en de testconfiguratie, voert daarna de dekkingsmeting uit en maakt de visualisatie. Een vergelijkbaar verzoek moet de repository, de te onderzoeken maatstaf en het uitvoerresultaat benoemen, zoals een grafiek en de bestanden die zij samenvat.
Het onderscheid tussen modeluitvoer en bewijs uit daadwerkelijke uitvoering is hier relevant. Vraag om de resulterende bestanden en waarnemingen van de ontwikkeltools, samen met de uitleg die nodig is om ze te interpreteren. Richt een latere revisie op het waargenomen gedrag of een specifiek deel van het resultaat.
Deze vermelding behoudt de 2505-release uit de modelkaart van de ontwikkelaar. Latere Devstral Small-edities hebben hun eigen identiteit. Gebruik het gespreks- en toolformaat van het gekozen model, neem relevant bronmateriaal op in de werkcontext en laat ruimte voor het gevraagde resultaat. De modelkaart publiceert voorbeelden voor lokale inferentie en agenten; hun voorbeeldbudgetten voor generatie zijn taakinstellingen en geen universeel uitvoerplafond.
", "aboutText": "Devstral Small 2505 is de eerste Devstral Small-release, ontwikkeld door Mistral AI samen met All Hands AI voor softwareontwikkelingsagenten. Het is een model met 24 miljard parameters, gebouwd voor het verkennen van codebases, toolgebruik en wijzigingen in meerdere bestanden. De modelkaart van de ontwikkelaar beschrijft het als uitsluitend tekstgericht, met een contextvenster van 128K; de vision-encoder is verwijderd uit het Mistral Small 3.1-model dat voor de fijnafstemming is gebruikt.\n\n### Geef de agent een concrete ontwikkeltaak\n\nBeschrijf het vereiste gedrag en de repository of relevante code waarmee de agent moet werken. Een nuttige taak benoemt de functie, de betrokken bestanden of het applicatieonderdeel en de voorwaarden die aantonen dat het werk voltooid is. Vermeld bij een foutoplossing de waargenomen fout, of bij een nieuwe functie de verwachte gebruikershandelingen en het verwachte gedrag van de gegevens.\n\nHet voorbeeld van de ontwikkelaar bouwt een takenapplicatie met één pagina met FastAPI, React en SQLite. De prompt noemt taken toevoegen, verwijderen en voltooien en de takenlijst weergeven. Die eisen verbinden de gegenereerde interface met het applicatiegedrag en de opslag die daarvoor nodig zijn. Een vervolgverzoek vraagt daarna om een specifieke verbetering van de voltooide applicatie.\n\n### Verkennen, bewerken en uitvoeren via een applicatie\n\nDe gedocumenteerde workflow gebruikt een agentomgeving die repositorybestanden kan bekijken, wijzigingen kan maken en ontwikkeltools kan uitvoeren. Devstral levert de beslissingen en de code; de omringende agent voert toolhandelingen uit en geeft waarnemingen terug. Geef de installatie-instructies van het project en leg uit welke controles moeten aantonen dat de wijziging werkt.\n\nVraag bij een wijziging in meerdere bestanden om vóór het bewerken de relevante afhankelijkheden vast te stellen. Bewaar de toolwaarnemingen samen met de resulterende patch, zodat een voorgestelde correctie kan worden vergeleken met wat daadwerkelijk is uitgevoerd. Een gegenereerde implementatie wordt een werkend resultaat wanneer de applicatie die in de bedoelde omgeving opslaat en uitvoert.\n\n### Gebruik een repositoryanalyse als gerichte taak\n\nEen ander voorbeeld van de ontwikkelaar vraagt de agent om testdekking te onderzoeken en grafieken te maken. De workflow verkent eerst de repository en de testconfiguratie, voert daarna de dekkingsmeting uit en maakt de visualisatie. Een vergelijkbaar verzoek moet de repository, de te onderzoeken maatstaf en het uitvoerresultaat benoemen, zoals een grafiek en de bestanden die zij samenvat.\n\nHet onderscheid tussen modeluitvoer en bewijs uit daadwerkelijke uitvoering is hier relevant. Vraag om de resulterende bestanden en waarnemingen van de ontwikkeltools, samen met de uitleg die nodig is om ze te interpreteren. Richt een latere revisie op het waargenomen gedrag of een specifiek deel van het resultaat.\n\n### Behoud de release en de werkcontext\n\nDeze vermelding behoudt de 2505-release uit de modelkaart van de ontwikkelaar. Latere Devstral Small-edities hebben hun eigen identiteit. Gebruik het gespreks- en toolformaat van het gekozen model, neem relevant bronmateriaal op in de werkcontext en laat ruimte voor het gevraagde resultaat. De modelkaart publiceert voorbeelden voor lokale inferentie en agenten; hun voorbeeldbudgetten voor generatie zijn taakinstellingen en geen universeel uitvoerplafond.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.devstral-small-2505Devstral Small 2505 is een uitsluitend tekst verwerkend programmeermodel van Mistral AI en All Hands AI. Het is ontworpen voor softwareagents die een codebasis verkennen, meerdere bestanden bewerken en ontwikkelingstools gebruiken, met een gepubliceerd contextvenster van 128K.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Devstral Small 2505 is de eerste Devstral Small-release, ontwikkeld door Mistral AI samen met All Hands AI voor softwareontwikkelingsagenten. Het is een model met 24 miljard parameters, gebouwd voor het verkennen van codebases, toolgebruik en wijzigingen in meerdere bestanden. De modelkaart van de ontwikkelaar beschrijft het als uitsluitend tekstgericht, met een contextvenster van 128K; de vision-encoder is verwijderd uit het Mistral Small 3.1-model dat voor de fijnafstemming is gebruikt.
Beschrijf het vereiste gedrag en de repository of relevante code waarmee de agent moet werken. Een nuttige taak benoemt de functie, de betrokken bestanden of het applicatieonderdeel en de voorwaarden die aantonen dat het werk voltooid is. Vermeld bij een foutoplossing de waargenomen fout, of bij een nieuwe functie de verwachte gebruikershandelingen en het verwachte gedrag van de gegevens.
Het voorbeeld van de ontwikkelaar bouwt een takenapplicatie met één pagina met FastAPI, React en SQLite. De prompt noemt taken toevoegen, verwijderen en voltooien en de takenlijst weergeven. Die eisen verbinden de gegenereerde interface met het applicatiegedrag en de opslag die daarvoor nodig zijn. Een vervolgverzoek vraagt daarna om een specifieke verbetering van de voltooide applicatie.
De gedocumenteerde workflow gebruikt een agentomgeving die repositorybestanden kan bekijken, wijzigingen kan maken en ontwikkeltools kan uitvoeren. Devstral levert de beslissingen en de code; de omringende agent voert toolhandelingen uit en geeft waarnemingen terug. Geef de installatie-instructies van het project en leg uit welke controles moeten aantonen dat de wijziging werkt.
Vraag bij een wijziging in meerdere bestanden om vóór het bewerken de relevante afhankelijkheden vast te stellen. Bewaar de toolwaarnemingen samen met de resulterende patch, zodat een voorgestelde correctie kan worden vergeleken met wat daadwerkelijk is uitgevoerd. Een gegenereerde implementatie wordt een werkend resultaat wanneer de applicatie die in de bedoelde omgeving opslaat en uitvoert.
Een ander voorbeeld van de ontwikkelaar vraagt de agent om testdekking te onderzoeken en grafieken te maken. De workflow verkent eerst de repository en de testconfiguratie, voert daarna de dekkingsmeting uit en maakt de visualisatie. Een vergelijkbaar verzoek moet de repository, de te onderzoeken maatstaf en het uitvoerresultaat benoemen, zoals een grafiek en de bestanden die zij samenvat.
Het onderscheid tussen modeluitvoer en bewijs uit daadwerkelijke uitvoering is hier relevant. Vraag om de resulterende bestanden en waarnemingen van de ontwikkeltools, samen met de uitleg die nodig is om ze te interpreteren. Richt een latere revisie op het waargenomen gedrag of een specifiek deel van het resultaat.
Deze vermelding behoudt de 2505-release uit de modelkaart van de ontwikkelaar. Latere Devstral Small-edities hebben hun eigen identiteit. Gebruik het gespreks- en toolformaat van het gekozen model, neem relevant bronmateriaal op in de werkcontext en laat ruimte voor het gevraagde resultaat. De modelkaart publiceert voorbeelden voor lokale inferentie en agenten; hun voorbeeldbudgetten voor generatie zijn taakinstellingen en geen universeel uitvoerplafond.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten devstral-small-2505 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00022 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2505", "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='devstral-small-2505',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='devstral-small-2505',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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra devstral-small-2505
Gebruik de hierboven getoonde methodepaden.
devstral-small-2505Devstral Small 2505 is een uitsluitend tekst verwerkend programmeermodel van Mistral AI en All Hands AI. Het is ontworpen voor softwareagents die een codebasis verkennen, meerdere bestanden bewerken en ontwikkelingstools gebruiken, met een gepubliceerd contextvenster van 128K.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Devstral Small 2505 is de eerste Devstral Small-release, ontwikkeld door Mistral AI samen met All Hands AI voor softwareontwikkelingsagenten. Het is een model met 24 miljard parameters, gebouwd voor het verkennen van codebases, toolgebruik en wijzigingen in meerdere bestanden. De modelkaart van de ontwikkelaar beschrijft het als uitsluitend tekstgericht, met een contextvenster van 128K; de vision-encoder is verwijderd uit het Mistral Small 3.1-model dat voor de fijnafstemming is gebruikt.
Beschrijf het vereiste gedrag en de repository of relevante code waarmee de agent moet werken. Een nuttige taak benoemt de functie, de betrokken bestanden of het applicatieonderdeel en de voorwaarden die aantonen dat het werk voltooid is. Vermeld bij een foutoplossing de waargenomen fout, of bij een nieuwe functie de verwachte gebruikershandelingen en het verwachte gedrag van de gegevens.
Het voorbeeld van de ontwikkelaar bouwt een takenapplicatie met één pagina met FastAPI, React en SQLite. De prompt noemt taken toevoegen, verwijderen en voltooien en de takenlijst weergeven. Die eisen verbinden de gegenereerde interface met het applicatiegedrag en de opslag die daarvoor nodig zijn. Een vervolgverzoek vraagt daarna om een specifieke verbetering van de voltooide applicatie.
De gedocumenteerde workflow gebruikt een agentomgeving die repositorybestanden kan bekijken, wijzigingen kan maken en ontwikkeltools kan uitvoeren. Devstral levert de beslissingen en de code; de omringende agent voert toolhandelingen uit en geeft waarnemingen terug. Geef de installatie-instructies van het project en leg uit welke controles moeten aantonen dat de wijziging werkt.
Vraag bij een wijziging in meerdere bestanden om vóór het bewerken de relevante afhankelijkheden vast te stellen. Bewaar de toolwaarnemingen samen met de resulterende patch, zodat een voorgestelde correctie kan worden vergeleken met wat daadwerkelijk is uitgevoerd. Een gegenereerde implementatie wordt een werkend resultaat wanneer de applicatie die in de bedoelde omgeving opslaat en uitvoert.
Een ander voorbeeld van de ontwikkelaar vraagt de agent om testdekking te onderzoeken en grafieken te maken. De workflow verkent eerst de repository en de testconfiguratie, voert daarna de dekkingsmeting uit en maakt de visualisatie. Een vergelijkbaar verzoek moet de repository, de te onderzoeken maatstaf en het uitvoerresultaat benoemen, zoals een grafiek en de bestanden die zij samenvat.
Het onderscheid tussen modeluitvoer en bewijs uit daadwerkelijke uitvoering is hier relevant. Vraag om de resulterende bestanden en waarnemingen van de ontwikkeltools, samen met de uitleg die nodig is om ze te interpreteren. Richt een latere revisie op het waargenomen gedrag of een specifiek deel van het resultaat.
Deze vermelding behoudt de 2505-release uit de modelkaart van de ontwikkelaar. Latere Devstral Small-edities hebben hun eigen identiteit. Gebruik het gespreks- en toolformaat van het gekozen model, neem relevant bronmateriaal op in de werkcontext en laat ruimte voor het gevraagde resultaat. De modelkaart publiceert voorbeelden voor lokale inferentie en agenten; hun voorbeeldbudgetten voor generatie zijn taakinstellingen en geen universeel uitvoerplafond.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten devstral-small-2505 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00022 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "devstral-small-2505",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2505', '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': 'devstral-small-2505', '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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra devstral-small-2505
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.