Ministral 3 3B Instruct 2512 is de kleinste op instructies afgestemde editie van de Ministral 3-familie van Mistral AI. De maker positioneert het model voor compacte toepassingen op basis van instructies, waaronder beeldbeschrijvingen, tekstclassificatie, gegevensextractie, vertaling en korte content. Het uitgebrachte checkpoint gebruikt FP8-precisie en combineert tekstverwerking met een component voor visuele invoer.
Modelcomponenten en mogelijkheden
De modelkaart vermeldt een taalmodel met 3,4 miljard parameters en een beeldencoder met 0,4 miljard parameters. Ze documenteert een contextvenster van 256k, met in de gebruiksaanwijzingen een standaard ingestelde lengte van 262.144. Deze aantallen horen bij de 3B-editie en niet bij de 8B- of 14B-leden van de familie. Het model aanvaardt tekst en beelden en genereert tekst, waaronder records in JSON-formaat of voorgestelde functieaanroepen.
De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook het volgen van systeemprompts wordt benadrukt. Geef de vereiste uitvoertaal op en vermeld welke labels of termen ongewijzigd moeten blijven. Zo blijft een vertaalde uitleg of een geëxtraheerd record aansluiten bij het beoogde gebruik van de toepassing.
Gerichte classificatie en extractie
Geef voor een classificatietaak de toegelaten labels, de regel die ze van elkaar onderscheidt en het te classificeren bericht mee. Vraag om één geselecteerd label en een korte uitleg op basis van dat bericht. Als de labels dubbelzinnig zijn, omschrijf dan welke informatie het onderscheid bepaalt in plaats van alleen op hun namen te vertrouwen. Dat levert een compact resultaat op dat consequent in een grotere workflow kan worden gebruikt.
Som voor extractie de velden en hun types op en leg vast hoe ontbrekende informatie wordt weergegeven. Een verzoek kan vragen naar een item-ID, de uitdrukkelijk beschreven toestand en de actie die de gebruiker vraagt. Vereis de oorspronkelijke formulering wanneer exacte bewoordingen van belang zijn, of een genormaliseerde waarde wanneer de toepassing de normalisatieregel meegeeft. JSON-uitvoer ordent het resultaat; het veldontwerp blijft deel van de taak en is geen ingebouwd universeel schema.
De modelkaart noemt ook beeldbeschrijving en het genereren van korte content. Bepaal voor een beeldbeschrijving welk aspect van de afbeelding moet worden beschreven en voor welk publiek. Geef voor een korte uitleg de te behouden feiten en de gewenste lengte mee. Een antwoord voor klantondersteuning kan de oorspronkelijke vraag en meegeleverde richtlijnen gebruiken om een beknopte volgende stap te formuleren, samen met de voorwaarde waaronder die stap van toepassing is.
Voorbereiding van visuele en meertalige taken
Combineer een afbeelding met een duidelijke tekstvraag. Bewaar bij een documentveld het label, de waarde en de omringende context die nodig is voor de interpretatie. Geef bij een objectbeschrijving aan welk zichtbaar kenmerk belangrijk is. De maker beveelt beeldverhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af; snijd indien nodig bij zonder het bewijsmateriaal waarop de vraag steunt te verwijderen.
Geef voor vertaling de oorspronkelijke tekst, de doeltaal en een eventuele terminologielijst mee. Vraag de vertaalde passage afzonderlijk van een optionele uitleg. Bij meertalige classificatie kunnen toepassingslabels ongewijzigd blijven, terwijl de uitleg bij het gekozen label in de taal van de lezer staat. Dat zijn afgebakende resultaten in plaats van een verzoek om een bericht of afbeelding losjes te bespreken.
Tools en aanbevolen instellingen
Ingebouwde functieaanroepen laten een toepassing de conversatie verbinden met een beschreven bewerking. Het model bereidt de functieargumenten voor, de toepassing voert de functie uit en het resultaat levert informatie voor het volgende antwoord. Een opzoeking kan een ontbrekende waarde aanvullen, of een rekentool kan werken met waarden die uit een afbeelding zijn gehaald. Het tekstmodel voert de functie zelf niet uit door alleen de naam en argumenten ervan te produceren.
De maker beveelt een systeeminstructie aan die de omgeving en het gebruiksdoel vastlegt, met richtlijnen voor tools. Houd toolbeschrijvingen duidelijk en beperk de selectie tot de minimaal relevante bewerkingen. Voor een afgebakende assistent is een expliciete extractie- of opzoektaak mogelijk gemakkelijker te interpreteren dan een prompt met veel niet-gerelateerde functies zonder selectieregel.
De modelkaart adviseert een lage temperatuur: lager dan 0,1 voor dagelijks en productiegericht gebruik, en in de afzonderlijke toelichting over sampling een starttemperatuur van 0,1 voor de meeste toepassingen. Voor creatieve content kunnen hogere waarden worden verkend. Deze aanbevelingen hebben elk een eigen toepassingsgebied; ze garanderen niet dat één samplinginstelling elke geëxtraheerde waarde of classificatie correct maakt.
Grenzen van editie en context
Ministral 3 biedt voor elke modelgrootte afzonderlijke Base-, Instruct- en Reasoning-versies. Deze vermelding betreft het Instruct 2512-checkpoint en geen automatisch ingeschakelde redeneermodus of vooraf getraind basismodel. De maker noemt specialisatie en fine-tuning als mogelijke toepassingen, maar ook bij de huidige instructietaak moeten invoer, regels en uitvoer duidelijk worden bepaald.
Houd relevant bronmateriaal en de conversatie binnen de ingestelde context en vraag het compacte resultaat dat de volgende toepassingsstap nodig heeft. De gebruiksaanwijzingen laten toe de ingestelde contextlengte te verkleinen voor taken die het volledige venster niet nodig hebben. Een voorbeeld met 512 gegenereerde tokens en een ruim generatiebudget in een ander voorbeeld vormen geen afzonderlijk gedocumenteerde maximale uitvoercapaciteit. Beeldgeneratie, audio-uitvoer en externe acties vereisen andere componenten dan dit model dat tekstresultaten levert.
", "aboutText": "Ministral 3 3B Instruct 2512 is de kleinste op instructies afgestemde editie van de Ministral 3-familie van Mistral AI. De maker positioneert het model voor compacte toepassingen op basis van instructies, waaronder beeldbeschrijvingen, tekstclassificatie, gegevensextractie, vertaling en korte content. Het uitgebrachte checkpoint gebruikt FP8-precisie en combineert tekstverwerking met een component voor visuele invoer.\n\nModelcomponenten en mogelijkheden\n\nDe modelkaart vermeldt een taalmodel met 3,4 miljard parameters en een beeldencoder met 0,4 miljard parameters. Ze documenteert een contextvenster van 256k, met in de gebruiksaanwijzingen een standaard ingestelde lengte van 262.144. Deze aantallen horen bij de 3B-editie en niet bij de 8B- of 14B-leden van de familie. Het model aanvaardt tekst en beelden en genereert tekst, waaronder records in JSON-formaat of voorgestelde functieaanroepen.\n\nDe maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook het volgen van systeemprompts wordt benadrukt. Geef de vereiste uitvoertaal op en vermeld welke labels of termen ongewijzigd moeten blijven. Zo blijft een vertaalde uitleg of een geëxtraheerd record aansluiten bij het beoogde gebruik van de toepassing.\n\nGerichte classificatie en extractie\n\nGeef voor een classificatietaak de toegelaten labels, de regel die ze van elkaar onderscheidt en het te classificeren bericht mee. Vraag om één geselecteerd label en een korte uitleg op basis van dat bericht. Als de labels dubbelzinnig zijn, omschrijf dan welke informatie het onderscheid bepaalt in plaats van alleen op hun namen te vertrouwen. Dat levert een compact resultaat op dat consequent in een grotere workflow kan worden gebruikt.\n\nSom voor extractie de velden en hun types op en leg vast hoe ontbrekende informatie wordt weergegeven. Een verzoek kan vragen naar een item-ID, de uitdrukkelijk beschreven toestand en de actie die de gebruiker vraagt. Vereis de oorspronkelijke formulering wanneer exacte bewoordingen van belang zijn, of een genormaliseerde waarde wanneer de toepassing de normalisatieregel meegeeft. JSON-uitvoer ordent het resultaat; het veldontwerp blijft deel van de taak en is geen ingebouwd universeel schema.\n\nDe modelkaart noemt ook beeldbeschrijving en het genereren van korte content. Bepaal voor een beeldbeschrijving welk aspect van de afbeelding moet worden beschreven en voor welk publiek. Geef voor een korte uitleg de te behouden feiten en de gewenste lengte mee. Een antwoord voor klantondersteuning kan de oorspronkelijke vraag en meegeleverde richtlijnen gebruiken om een beknopte volgende stap te formuleren, samen met de voorwaarde waaronder die stap van toepassing is.\n\nVoorbereiding van visuele en meertalige taken\n\nCombineer een afbeelding met een duidelijke tekstvraag. Bewaar bij een documentveld het label, de waarde en de omringende context die nodig is voor de interpretatie. Geef bij een objectbeschrijving aan welk zichtbaar kenmerk belangrijk is. De maker beveelt beeldverhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af; snijd indien nodig bij zonder het bewijsmateriaal waarop de vraag steunt te verwijderen.\n\nGeef voor vertaling de oorspronkelijke tekst, de doeltaal en een eventuele terminologielijst mee. Vraag de vertaalde passage afzonderlijk van een optionele uitleg. Bij meertalige classificatie kunnen toepassingslabels ongewijzigd blijven, terwijl de uitleg bij het gekozen label in de taal van de lezer staat. Dat zijn afgebakende resultaten in plaats van een verzoek om een bericht of afbeelding losjes te bespreken.\n\nTools en aanbevolen instellingen\n\nIngebouwde functieaanroepen laten een toepassing de conversatie verbinden met een beschreven bewerking. Het model bereidt de functieargumenten voor, de toepassing voert de functie uit en het resultaat levert informatie voor het volgende antwoord. Een opzoeking kan een ontbrekende waarde aanvullen, of een rekentool kan werken met waarden die uit een afbeelding zijn gehaald. Het tekstmodel voert de functie zelf niet uit door alleen de naam en argumenten ervan te produceren.\n\nDe maker beveelt een systeeminstructie aan die de omgeving en het gebruiksdoel vastlegt, met richtlijnen voor tools. Houd toolbeschrijvingen duidelijk en beperk de selectie tot de minimaal relevante bewerkingen. Voor een afgebakende assistent is een expliciete extractie- of opzoektaak mogelijk gemakkelijker te interpreteren dan een prompt met veel niet-gerelateerde functies zonder selectieregel.\n\nDe modelkaart adviseert een lage temperatuur: lager dan 0,1 voor dagelijks en productiegericht gebruik, en in de afzonderlijke toelichting over sampling een starttemperatuur van 0,1 voor de meeste toepassingen. Voor creatieve content kunnen hogere waarden worden verkend. Deze aanbevelingen hebben elk een eigen toepassingsgebied; ze garanderen niet dat één samplinginstelling elke geëxtraheerde waarde of classificatie correct maakt.\n\nGrenzen van editie en context\n\nMinistral 3 biedt voor elke modelgrootte afzonderlijke Base-, Instruct- en Reasoning-versies. Deze vermelding betreft het Instruct 2512-checkpoint en geen automatisch ingeschakelde redeneermodus of vooraf getraind basismodel. De maker noemt specialisatie en fine-tuning als mogelijke toepassingen, maar ook bij de huidige instructietaak moeten invoer, regels en uitvoer duidelijk worden bepaald.\n\nHoud relevant bronmateriaal en de conversatie binnen de ingestelde context en vraag het compacte resultaat dat de volgende toepassingsstap nodig heeft. De gebruiksaanwijzingen laten toe de ingestelde contextlengte te verkleinen voor taken die het volledige venster niet nodig hebben. Een voorbeeld met 512 gegenereerde tokens en een ruim generatiebudget in een ander voorbeeld vormen geen afzonderlijk gedocumenteerde maximale uitvoercapaciteit. Beeldgeneratie, audio-uitvoer en externe acties vereisen andere componenten dan dit model dat tekstresultaten levert.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 is een compact meertalig tekst-en-beeldmodel voor classificatie, extractie, beeldbeschrijvingen en korte content. De taalcomponent met 3,4 miljard parameters en de beeldencoder met 0,4 miljard parameters ondersteunen systeeminstructies, JSON, functieaanroepen en een door de maker opgegeven context van 256k.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Ministral 3 3B Instruct 2512 is de kleinste op instructies afgestemde editie van de Ministral 3-familie van Mistral AI. De maker positioneert het model voor compacte toepassingen op basis van instructies, waaronder beeldbeschrijvingen, tekstclassificatie, gegevensextractie, vertaling en korte content. Het uitgebrachte checkpoint gebruikt FP8-precisie en combineert tekstverwerking met een component voor visuele invoer.
Modelcomponenten en mogelijkheden
De modelkaart vermeldt een taalmodel met 3,4 miljard parameters en een beeldencoder met 0,4 miljard parameters. Ze documenteert een contextvenster van 256k, met in de gebruiksaanwijzingen een standaard ingestelde lengte van 262.144. Deze aantallen horen bij de 3B-editie en niet bij de 8B- of 14B-leden van de familie. Het model aanvaardt tekst en beelden en genereert tekst, waaronder records in JSON-formaat of voorgestelde functieaanroepen.
De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook het volgen van systeemprompts wordt benadrukt. Geef de vereiste uitvoertaal op en vermeld welke labels of termen ongewijzigd moeten blijven. Zo blijft een vertaalde uitleg of een geëxtraheerd record aansluiten bij het beoogde gebruik van de toepassing.
Gerichte classificatie en extractie
Geef voor een classificatietaak de toegelaten labels, de regel die ze van elkaar onderscheidt en het te classificeren bericht mee. Vraag om één geselecteerd label en een korte uitleg op basis van dat bericht. Als de labels dubbelzinnig zijn, omschrijf dan welke informatie het onderscheid bepaalt in plaats van alleen op hun namen te vertrouwen. Dat levert een compact resultaat op dat consequent in een grotere workflow kan worden gebruikt.
Som voor extractie de velden en hun types op en leg vast hoe ontbrekende informatie wordt weergegeven. Een verzoek kan vragen naar een item-ID, de uitdrukkelijk beschreven toestand en de actie die de gebruiker vraagt. Vereis de oorspronkelijke formulering wanneer exacte bewoordingen van belang zijn, of een genormaliseerde waarde wanneer de toepassing de normalisatieregel meegeeft. JSON-uitvoer ordent het resultaat; het veldontwerp blijft deel van de taak en is geen ingebouwd universeel schema.
De modelkaart noemt ook beeldbeschrijving en het genereren van korte content. Bepaal voor een beeldbeschrijving welk aspect van de afbeelding moet worden beschreven en voor welk publiek. Geef voor een korte uitleg de te behouden feiten en de gewenste lengte mee. Een antwoord voor klantondersteuning kan de oorspronkelijke vraag en meegeleverde richtlijnen gebruiken om een beknopte volgende stap te formuleren, samen met de voorwaarde waaronder die stap van toepassing is.
Voorbereiding van visuele en meertalige taken
Combineer een afbeelding met een duidelijke tekstvraag. Bewaar bij een documentveld het label, de waarde en de omringende context die nodig is voor de interpretatie. Geef bij een objectbeschrijving aan welk zichtbaar kenmerk belangrijk is. De maker beveelt beeldverhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af; snijd indien nodig bij zonder het bewijsmateriaal waarop de vraag steunt te verwijderen.
Geef voor vertaling de oorspronkelijke tekst, de doeltaal en een eventuele terminologielijst mee. Vraag de vertaalde passage afzonderlijk van een optionele uitleg. Bij meertalige classificatie kunnen toepassingslabels ongewijzigd blijven, terwijl de uitleg bij het gekozen label in de taal van de lezer staat. Dat zijn afgebakende resultaten in plaats van een verzoek om een bericht of afbeelding losjes te bespreken.
Tools en aanbevolen instellingen
Ingebouwde functieaanroepen laten een toepassing de conversatie verbinden met een beschreven bewerking. Het model bereidt de functieargumenten voor, de toepassing voert de functie uit en het resultaat levert informatie voor het volgende antwoord. Een opzoeking kan een ontbrekende waarde aanvullen, of een rekentool kan werken met waarden die uit een afbeelding zijn gehaald. Het tekstmodel voert de functie zelf niet uit door alleen de naam en argumenten ervan te produceren.
De maker beveelt een systeeminstructie aan die de omgeving en het gebruiksdoel vastlegt, met richtlijnen voor tools. Houd toolbeschrijvingen duidelijk en beperk de selectie tot de minimaal relevante bewerkingen. Voor een afgebakende assistent is een expliciete extractie- of opzoektaak mogelijk gemakkelijker te interpreteren dan een prompt met veel niet-gerelateerde functies zonder selectieregel.
De modelkaart adviseert een lage temperatuur: lager dan 0,1 voor dagelijks en productiegericht gebruik, en in de afzonderlijke toelichting over sampling een starttemperatuur van 0,1 voor de meeste toepassingen. Voor creatieve content kunnen hogere waarden worden verkend. Deze aanbevelingen hebben elk een eigen toepassingsgebied; ze garanderen niet dat één samplinginstelling elke geëxtraheerde waarde of classificatie correct maakt.
Grenzen van editie en context
Ministral 3 biedt voor elke modelgrootte afzonderlijke Base-, Instruct- en Reasoning-versies. Deze vermelding betreft het Instruct 2512-checkpoint en geen automatisch ingeschakelde redeneermodus of vooraf getraind basismodel. De maker noemt specialisatie en fine-tuning als mogelijke toepassingen, maar ook bij de huidige instructietaak moeten invoer, regels en uitvoer duidelijk worden bepaald.
Houd relevant bronmateriaal en de conversatie binnen de ingestelde context en vraag het compacte resultaat dat de volgende toepassingsstap nodig heeft. De gebruiksaanwijzingen laten toe de ingestelde contextlengte te verkleinen voor taken die het volledige venster niet nodig hebben. Een voorbeeld met 512 gegenereerde tokens en een ruim generatiebudget in een ander voorbeeld vormen geen afzonderlijk gedocumenteerde maximale uitvoercapaciteit. Beeldgeneratie, audio-uitvoer en externe acties vereisen andere componenten dan dit model dat tekstresultaten levert.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/ministral-3b-2512 | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0.00002 / 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": "mistralai/ministral-3b-2512", "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/ministral-3b-2512',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/ministral-3b-2512',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 mistralai/ministral-3b-2512
Gebruik de hierboven getoonde methodepaden.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 is een compact meertalig tekst-en-beeldmodel voor classificatie, extractie, beeldbeschrijvingen en korte content. De taalcomponent met 3,4 miljard parameters en de beeldencoder met 0,4 miljard parameters ondersteunen systeeminstructies, JSON, functieaanroepen en een door de maker opgegeven context van 256k.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Ministral 3 3B Instruct 2512 is de kleinste op instructies afgestemde editie van de Ministral 3-familie van Mistral AI. De maker positioneert het model voor compacte toepassingen op basis van instructies, waaronder beeldbeschrijvingen, tekstclassificatie, gegevensextractie, vertaling en korte content. Het uitgebrachte checkpoint gebruikt FP8-precisie en combineert tekstverwerking met een component voor visuele invoer.
Modelcomponenten en mogelijkheden
De modelkaart vermeldt een taalmodel met 3,4 miljard parameters en een beeldencoder met 0,4 miljard parameters. Ze documenteert een contextvenster van 256k, met in de gebruiksaanwijzingen een standaard ingestelde lengte van 262.144. Deze aantallen horen bij de 3B-editie en niet bij de 8B- of 14B-leden van de familie. Het model aanvaardt tekst en beelden en genereert tekst, waaronder records in JSON-formaat of voorgestelde functieaanroepen.
De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook het volgen van systeemprompts wordt benadrukt. Geef de vereiste uitvoertaal op en vermeld welke labels of termen ongewijzigd moeten blijven. Zo blijft een vertaalde uitleg of een geëxtraheerd record aansluiten bij het beoogde gebruik van de toepassing.
Gerichte classificatie en extractie
Geef voor een classificatietaak de toegelaten labels, de regel die ze van elkaar onderscheidt en het te classificeren bericht mee. Vraag om één geselecteerd label en een korte uitleg op basis van dat bericht. Als de labels dubbelzinnig zijn, omschrijf dan welke informatie het onderscheid bepaalt in plaats van alleen op hun namen te vertrouwen. Dat levert een compact resultaat op dat consequent in een grotere workflow kan worden gebruikt.
Som voor extractie de velden en hun types op en leg vast hoe ontbrekende informatie wordt weergegeven. Een verzoek kan vragen naar een item-ID, de uitdrukkelijk beschreven toestand en de actie die de gebruiker vraagt. Vereis de oorspronkelijke formulering wanneer exacte bewoordingen van belang zijn, of een genormaliseerde waarde wanneer de toepassing de normalisatieregel meegeeft. JSON-uitvoer ordent het resultaat; het veldontwerp blijft deel van de taak en is geen ingebouwd universeel schema.
De modelkaart noemt ook beeldbeschrijving en het genereren van korte content. Bepaal voor een beeldbeschrijving welk aspect van de afbeelding moet worden beschreven en voor welk publiek. Geef voor een korte uitleg de te behouden feiten en de gewenste lengte mee. Een antwoord voor klantondersteuning kan de oorspronkelijke vraag en meegeleverde richtlijnen gebruiken om een beknopte volgende stap te formuleren, samen met de voorwaarde waaronder die stap van toepassing is.
Voorbereiding van visuele en meertalige taken
Combineer een afbeelding met een duidelijke tekstvraag. Bewaar bij een documentveld het label, de waarde en de omringende context die nodig is voor de interpretatie. Geef bij een objectbeschrijving aan welk zichtbaar kenmerk belangrijk is. De maker beveelt beeldverhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af; snijd indien nodig bij zonder het bewijsmateriaal waarop de vraag steunt te verwijderen.
Geef voor vertaling de oorspronkelijke tekst, de doeltaal en een eventuele terminologielijst mee. Vraag de vertaalde passage afzonderlijk van een optionele uitleg. Bij meertalige classificatie kunnen toepassingslabels ongewijzigd blijven, terwijl de uitleg bij het gekozen label in de taal van de lezer staat. Dat zijn afgebakende resultaten in plaats van een verzoek om een bericht of afbeelding losjes te bespreken.
Tools en aanbevolen instellingen
Ingebouwde functieaanroepen laten een toepassing de conversatie verbinden met een beschreven bewerking. Het model bereidt de functieargumenten voor, de toepassing voert de functie uit en het resultaat levert informatie voor het volgende antwoord. Een opzoeking kan een ontbrekende waarde aanvullen, of een rekentool kan werken met waarden die uit een afbeelding zijn gehaald. Het tekstmodel voert de functie zelf niet uit door alleen de naam en argumenten ervan te produceren.
De maker beveelt een systeeminstructie aan die de omgeving en het gebruiksdoel vastlegt, met richtlijnen voor tools. Houd toolbeschrijvingen duidelijk en beperk de selectie tot de minimaal relevante bewerkingen. Voor een afgebakende assistent is een expliciete extractie- of opzoektaak mogelijk gemakkelijker te interpreteren dan een prompt met veel niet-gerelateerde functies zonder selectieregel.
De modelkaart adviseert een lage temperatuur: lager dan 0,1 voor dagelijks en productiegericht gebruik, en in de afzonderlijke toelichting over sampling een starttemperatuur van 0,1 voor de meeste toepassingen. Voor creatieve content kunnen hogere waarden worden verkend. Deze aanbevelingen hebben elk een eigen toepassingsgebied; ze garanderen niet dat één samplinginstelling elke geëxtraheerde waarde of classificatie correct maakt.
Grenzen van editie en context
Ministral 3 biedt voor elke modelgrootte afzonderlijke Base-, Instruct- en Reasoning-versies. Deze vermelding betreft het Instruct 2512-checkpoint en geen automatisch ingeschakelde redeneermodus of vooraf getraind basismodel. De maker noemt specialisatie en fine-tuning als mogelijke toepassingen, maar ook bij de huidige instructietaak moeten invoer, regels en uitvoer duidelijk worden bepaald.
Houd relevant bronmateriaal en de conversatie binnen de ingestelde context en vraag het compacte resultaat dat de volgende toepassingsstap nodig heeft. De gebruiksaanwijzingen laten toe de ingestelde contextlengte te verkleinen voor taken die het volledige venster niet nodig hebben. Een voorbeeld met 512 gegenereerde tokens en een ruim generatiebudget in een ander voorbeeld vormen geen afzonderlijk gedocumenteerde maximale uitvoercapaciteit. Beeldgeneratie, audio-uitvoer en externe acties vereisen andere componenten dan dit model dat tekstresultaten levert.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/ministral-3b-2512 | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-3b-2512', '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/ministral-3b-2512', '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 mistralai/ministral-3b-2512
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.