Devstral Small 1.1 is het vaste, uitsluitend tekst verwerkende model van Mistral AI voor softwareontwikkelingsagents. Het is verder getraind op basis van Mistral Small 3.1, waarbij de beeldencoder is verwijderd, zodat het model zich richt op repositoryverkenning, tools en codewijzigingen in meerdere bestanden. De release heeft 24 miljard parameters en een contextvenster tot 128K tokens. De uitvoer bestaat uit tekst, code of instructies voor de functies die de agenttoepassing beschikbaar stelt.
Versie 1.1 behoudt de architectuur van de voorgaande Small-release en breidt tegelijk de omgang met prompts en programmeeromgevingen uit. De fabrikant beschrijft betere generalisatie over verschillende agentstructuren en voegt ondersteuning toe voor het function-calling-formaat van Mistral naast op XML gebaseerde formaten. Dit zijn manieren om agentinteracties uit te drukken en te interpreteren; de aangeleverde tools en uitvoeringsomgeving bepalen welke repositoryhandelingen beschikbaar zijn.
De voornaamste modeleigenschappen omvatten de omvang van 24 miljard parameters, gewichten onder Apache 2.0 en de Tekken-tokenizer met een vocabulaire van ongeveer 131K items. De vaste editie 1.1 wordt met haar eigen releasenaam aangeduid en behoudt haar context van 128K. Tekstueel projectmateriaal kan bronbestanden, opdrachtvereisten, eerdere handelingen en teruggegeven resultaten van zoekopdrachten of commando's omvatten. Zo kan de volgende voorgestelde wijziging steunen op wat de agent over het project heeft geleerd.
Een praktische workflow begint met een specifiek ontwikkelingsdoel. Vraag de agent het pad te vinden dat een aanvraag afhandelt, de relevante functies te identificeren en samenhangende wijzigingen in de betrokken bestanden voor te stellen. Bezorg het verwachte gedrag, compatibiliteitsvereisten en voorbeelden die een correct resultaat onderscheiden. Neem bij een defect de waargenomen fout en de invoer waarmee die wordt gereproduceerd op. Benoem bij een refactor de interfaces en het gedrag die stabiel moeten blijven. Het nuttige resultaat is de voorgestelde patch, samen met een uitleg van de afhankelijkheden en de controles die nodig zijn om ze te valideren.
Het model ondersteunt ook gestructureerde antwoorden en documentvragen. Een codereview kan afzonderlijke velden teruggeven voor betrokken onderdelen, voorgestelde wijzigingen en vervolgcontroles. Een opdracht over een technisch document kan de vereisten identificeren die relevant zijn voor de implementatie. Prefix continuation kan het begin van een antwoord vastleggen, terwijl asynchrone batchworkflows onafhankelijke codeanalyses kunnen verwerken. Deze functies vullen de voornaamste specialisatie in repositories en tools aan.
Bezorg in een Ailoot API-agent de toolbeschrijvingen en hun argumentschema's samen met de opdracht. Devstral kan een functie selecteren en argumenten voorbereiden; de toepassing voert de functie uit, geeft de uitvoer terug en zet het gesprek voort. Het model krijgt niet zelfstandig bestandstoegang en voert zijn voorgestelde code niet zelf uit. Gebruik de teruggegeven toolresultaten om de voorgestelde wijzigingen te verfijnen en eindig met de code, de uitleg en het bewijs dat de omgeving heeft aangeleverd. De identiteit Small 1.1 blijft gescheiden van latere Devstral-edities en algemene Mistral Small-releases.
", "aboutText": "Devstral Small 1.1 is het vaste, uitsluitend tekst verwerkende model van Mistral AI voor softwareontwikkelingsagents. Het is verder getraind op basis van Mistral Small 3.1, waarbij de beeldencoder is verwijderd, zodat het model zich richt op repositoryverkenning, tools en codewijzigingen in meerdere bestanden. De release heeft 24 miljard parameters en een contextvenster tot 128K tokens. De uitvoer bestaat uit tekst, code of instructies voor de functies die de agenttoepassing beschikbaar stelt.\n\nVersie 1.1 behoudt de architectuur van de voorgaande Small-release en breidt tegelijk de omgang met prompts en programmeeromgevingen uit. De fabrikant beschrijft betere generalisatie over verschillende agentstructuren en voegt ondersteuning toe voor het function-calling-formaat van Mistral naast op XML gebaseerde formaten. Dit zijn manieren om agentinteracties uit te drukken en te interpreteren; de aangeleverde tools en uitvoeringsomgeving bepalen welke repositoryhandelingen beschikbaar zijn.\n\nDe voornaamste modeleigenschappen omvatten de omvang van 24 miljard parameters, gewichten onder Apache 2.0 en de Tekken-tokenizer met een vocabulaire van ongeveer 131K items. De vaste editie 1.1 wordt met haar eigen releasenaam aangeduid en behoudt haar context van 128K. Tekstueel projectmateriaal kan bronbestanden, opdrachtvereisten, eerdere handelingen en teruggegeven resultaten van zoekopdrachten of commando's omvatten. Zo kan de volgende voorgestelde wijziging steunen op wat de agent over het project heeft geleerd.\n\nEen praktische workflow begint met een specifiek ontwikkelingsdoel. Vraag de agent het pad te vinden dat een aanvraag afhandelt, de relevante functies te identificeren en samenhangende wijzigingen in de betrokken bestanden voor te stellen. Bezorg het verwachte gedrag, compatibiliteitsvereisten en voorbeelden die een correct resultaat onderscheiden. Neem bij een defect de waargenomen fout en de invoer waarmee die wordt gereproduceerd op. Benoem bij een refactor de interfaces en het gedrag die stabiel moeten blijven. Het nuttige resultaat is de voorgestelde patch, samen met een uitleg van de afhankelijkheden en de controles die nodig zijn om ze te valideren.\n\nHet model ondersteunt ook gestructureerde antwoorden en documentvragen. Een codereview kan afzonderlijke velden teruggeven voor betrokken onderdelen, voorgestelde wijzigingen en vervolgcontroles. Een opdracht over een technisch document kan de vereisten identificeren die relevant zijn voor de implementatie. Prefix continuation kan het begin van een antwoord vastleggen, terwijl asynchrone batchworkflows onafhankelijke codeanalyses kunnen verwerken. Deze functies vullen de voornaamste specialisatie in repositories en tools aan.\n\nBezorg in een Ailoot API-agent de toolbeschrijvingen en hun argumentschema's samen met de opdracht. Devstral kan een functie selecteren en argumenten voorbereiden; de toepassing voert de functie uit, geeft de uitvoer terug en zet het gesprek voort. Het model krijgt niet zelfstandig bestandstoegang en voert zijn voorgestelde code niet zelf uit. Gebruik de teruggegeven toolresultaten om de voorgestelde wijzigingen te verfijnen en eindig met de code, de uitleg en het bewijs dat de omgeving heeft aangeleverd. De identiteit Small 1.1 blijft gescheiden van latere Devstral-edities en algemene Mistral Small-releases.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.devstral-small-2507Devstral Small 1.1 is het uitsluitend tekst verwerkende programmeeragentmodel van Mistral AI met 24 miljard parameters, voor het verkennen van repositories en het voorbereiden van samenhangende wijzigingen in meerdere bestanden. Versie 1.1 voegt bredere promptcompatibiliteit toe en ondersteunt function calling en op XML gebaseerde agentformaten, met een 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 1.1 is het vaste, uitsluitend tekst verwerkende model van Mistral AI voor softwareontwikkelingsagents. Het is verder getraind op basis van Mistral Small 3.1, waarbij de beeldencoder is verwijderd, zodat het model zich richt op repositoryverkenning, tools en codewijzigingen in meerdere bestanden. De release heeft 24 miljard parameters en een contextvenster tot 128K tokens. De uitvoer bestaat uit tekst, code of instructies voor de functies die de agenttoepassing beschikbaar stelt.
Versie 1.1 behoudt de architectuur van de voorgaande Small-release en breidt tegelijk de omgang met prompts en programmeeromgevingen uit. De fabrikant beschrijft betere generalisatie over verschillende agentstructuren en voegt ondersteuning toe voor het function-calling-formaat van Mistral naast op XML gebaseerde formaten. Dit zijn manieren om agentinteracties uit te drukken en te interpreteren; de aangeleverde tools en uitvoeringsomgeving bepalen welke repositoryhandelingen beschikbaar zijn.
De voornaamste modeleigenschappen omvatten de omvang van 24 miljard parameters, gewichten onder Apache 2.0 en de Tekken-tokenizer met een vocabulaire van ongeveer 131K items. De vaste editie 1.1 wordt met haar eigen releasenaam aangeduid en behoudt haar context van 128K. Tekstueel projectmateriaal kan bronbestanden, opdrachtvereisten, eerdere handelingen en teruggegeven resultaten van zoekopdrachten of commando's omvatten. Zo kan de volgende voorgestelde wijziging steunen op wat de agent over het project heeft geleerd.
Een praktische workflow begint met een specifiek ontwikkelingsdoel. Vraag de agent het pad te vinden dat een aanvraag afhandelt, de relevante functies te identificeren en samenhangende wijzigingen in de betrokken bestanden voor te stellen. Bezorg het verwachte gedrag, compatibiliteitsvereisten en voorbeelden die een correct resultaat onderscheiden. Neem bij een defect de waargenomen fout en de invoer waarmee die wordt gereproduceerd op. Benoem bij een refactor de interfaces en het gedrag die stabiel moeten blijven. Het nuttige resultaat is de voorgestelde patch, samen met een uitleg van de afhankelijkheden en de controles die nodig zijn om ze te valideren.
Het model ondersteunt ook gestructureerde antwoorden en documentvragen. Een codereview kan afzonderlijke velden teruggeven voor betrokken onderdelen, voorgestelde wijzigingen en vervolgcontroles. Een opdracht over een technisch document kan de vereisten identificeren die relevant zijn voor de implementatie. Prefix continuation kan het begin van een antwoord vastleggen, terwijl asynchrone batchworkflows onafhankelijke codeanalyses kunnen verwerken. Deze functies vullen de voornaamste specialisatie in repositories en tools aan.
Bezorg in een Ailoot API-agent de toolbeschrijvingen en hun argumentschema's samen met de opdracht. Devstral kan een functie selecteren en argumenten voorbereiden; de toepassing voert de functie uit, geeft de uitvoer terug en zet het gesprek voort. Het model krijgt niet zelfstandig bestandstoegang en voert zijn voorgestelde code niet zelf uit. Gebruik de teruggegeven toolresultaten om de voorgestelde wijzigingen te verfijnen en eindig met de code, de uitleg en het bewijs dat de omgeving heeft aangeleverd. De identiteit Small 1.1 blijft gescheiden van latere Devstral-edities en algemene Mistral Small-releases.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten devstral-small-2507 | 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-2507", "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-2507',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-2507',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-2507
Gebruik de hierboven getoonde methodepaden.
devstral-small-2507Devstral Small 1.1 is het uitsluitend tekst verwerkende programmeeragentmodel van Mistral AI met 24 miljard parameters, voor het verkennen van repositories en het voorbereiden van samenhangende wijzigingen in meerdere bestanden. Versie 1.1 voegt bredere promptcompatibiliteit toe en ondersteunt function calling en op XML gebaseerde agentformaten, met een 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 1.1 is het vaste, uitsluitend tekst verwerkende model van Mistral AI voor softwareontwikkelingsagents. Het is verder getraind op basis van Mistral Small 3.1, waarbij de beeldencoder is verwijderd, zodat het model zich richt op repositoryverkenning, tools en codewijzigingen in meerdere bestanden. De release heeft 24 miljard parameters en een contextvenster tot 128K tokens. De uitvoer bestaat uit tekst, code of instructies voor de functies die de agenttoepassing beschikbaar stelt.
Versie 1.1 behoudt de architectuur van de voorgaande Small-release en breidt tegelijk de omgang met prompts en programmeeromgevingen uit. De fabrikant beschrijft betere generalisatie over verschillende agentstructuren en voegt ondersteuning toe voor het function-calling-formaat van Mistral naast op XML gebaseerde formaten. Dit zijn manieren om agentinteracties uit te drukken en te interpreteren; de aangeleverde tools en uitvoeringsomgeving bepalen welke repositoryhandelingen beschikbaar zijn.
De voornaamste modeleigenschappen omvatten de omvang van 24 miljard parameters, gewichten onder Apache 2.0 en de Tekken-tokenizer met een vocabulaire van ongeveer 131K items. De vaste editie 1.1 wordt met haar eigen releasenaam aangeduid en behoudt haar context van 128K. Tekstueel projectmateriaal kan bronbestanden, opdrachtvereisten, eerdere handelingen en teruggegeven resultaten van zoekopdrachten of commando's omvatten. Zo kan de volgende voorgestelde wijziging steunen op wat de agent over het project heeft geleerd.
Een praktische workflow begint met een specifiek ontwikkelingsdoel. Vraag de agent het pad te vinden dat een aanvraag afhandelt, de relevante functies te identificeren en samenhangende wijzigingen in de betrokken bestanden voor te stellen. Bezorg het verwachte gedrag, compatibiliteitsvereisten en voorbeelden die een correct resultaat onderscheiden. Neem bij een defect de waargenomen fout en de invoer waarmee die wordt gereproduceerd op. Benoem bij een refactor de interfaces en het gedrag die stabiel moeten blijven. Het nuttige resultaat is de voorgestelde patch, samen met een uitleg van de afhankelijkheden en de controles die nodig zijn om ze te valideren.
Het model ondersteunt ook gestructureerde antwoorden en documentvragen. Een codereview kan afzonderlijke velden teruggeven voor betrokken onderdelen, voorgestelde wijzigingen en vervolgcontroles. Een opdracht over een technisch document kan de vereisten identificeren die relevant zijn voor de implementatie. Prefix continuation kan het begin van een antwoord vastleggen, terwijl asynchrone batchworkflows onafhankelijke codeanalyses kunnen verwerken. Deze functies vullen de voornaamste specialisatie in repositories en tools aan.
Bezorg in een Ailoot API-agent de toolbeschrijvingen en hun argumentschema's samen met de opdracht. Devstral kan een functie selecteren en argumenten voorbereiden; de toepassing voert de functie uit, geeft de uitvoer terug en zet het gesprek voort. Het model krijgt niet zelfstandig bestandstoegang en voert zijn voorgestelde code niet zelf uit. Gebruik de teruggegeven toolresultaten om de voorgestelde wijzigingen te verfijnen en eindig met de code, de uitleg en het bewijs dat de omgeving heeft aangeleverd. De identiteit Small 1.1 blijft gescheiden van latere Devstral-edities en algemene Mistral Small-releases.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten devstral-small-2507 | 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 $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "devstral-small-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2507', '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-2507', '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-2507
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.