Mistral Small 3 Instruct 2501 is de op instructies afgestemde release van Mistral Small 3 met 24 miljard parameters. Het is verfijnd vanuit het afzonderlijk benoemde model Small 24B Base 2501. De maker positioneert het voor vlotte conversatieondersteuning, functieaanroepen en vakspecifieke aanpassing, met tekst als invoer en als gegenereerd resultaat.
Kernfuncties en onderscheid in training
De modelkaart documenteert meertalige ondersteuning, conversatie- en redeneermogelijkheden, ingebouwde functieaanroepen, JSON-uitvoer en het volgen van systeemprompts. Het contextvenster bedraagt 32k en het gebruikt een Tekken-tokenizer met een als 131k aangeduid vocabularium. Het contextlabel betreft de tekst die voor de taak wordt bewaard, terwijl het vocabulariumlabel de tokenisatie beschrijft; het zijn verschillende specificaties.
De maker vermeldt talen zoals Engels, Frans, Duits, Spaans, Italiaans, Chinees, Japans, Koreaans, Portugees, Nederlands en Pools, met Russisch ook aanwezig in de taalmetadata van de gepubliceerde kaart. Bepaal de doeltaal en terminologie die ongewijzigd moet blijven. Een vertaalde uitleg kan ID's, namen en eenheden behouden en de omringende tekst aan de lezer aanpassen.
De releaseaankondiging vermeldt dat Small 3 niet met bekrachtigingsleren of synthetische data is getraind en onderscheidt vooraf getrainde en op instructies afgestemde checkpoints. Ze beschrijft het model als een basis die verder kan worden aangepast, en niet als een hybride checkpoint met de latere redeneerinstellingen van Small 4. Deze vermelding betreft de Instruct 2501-editie voor het volgen van een conversatietaak.
Conversatie- en gestructureerde taken
Geef voor een ondersteuningsassistent de gebruikersvraag, het relevante referentiemateriaal en de antwoordregels mee. Vraag naar de actie die de vraag beantwoordt en de voorwaarde waaronder ze geldt. Een praktisch resultaat kan een beknopt antwoord scheiden van geëxtraheerde velden die de toepassing voor de volgende stap nodig heeft, in plaats van ze in ongestructureerde uitleg te mengen.
Geef voor classificatie de toegelaten labels en hun onderlinge verschillen mee. Benoem voor extractie de velden, verwachte types en weergave van ontbrekende informatie. Een record kan de probleemcategorie, een uit het bericht gekopieerde identificatie en een korte samenvatting van de gevraagde actie bevatten. JSON ordent het resultaat, terwijl het veldontwerp en de interpretatieregels deel van de aangeleverde taak blijven.
Neem voor code-uitleg de functie, relevante declaraties en concrete invoer op. Vraag welk pad door de code het resultaat bepaalt. Definieer voor wiskundige uitleg variabelen en aannames en benoem de vast te stellen uitdrukking of bewering. Deze teksttaken kunnen een methode, uitleg en het uiteindelijke artefact opleveren zonder aan te nemen dat het model zelf de code of een externe berekening uitvoert.
Systeeminstructies en aanbevolen instellingen
De kaart beveelt een op de beoogde assistent afgestemde systeemprompt en een relatief lage temperatuur aan, zoals 0,15. Gebruik de systeeminstructie voor rol, stijl en antwoordregels, terwijl het gebruikersbericht het eigenlijke probleem of bronmateriaal bevat. Houd geciteerde instructies binnen een document gescheiden van de toepassingsinstructie over wat met dat document moet gebeuren.
Geef voor een dagelijkse assistent aan of het resultaat een kort antwoord, een gestructureerd record of een langere uitleg moet zijn. Vraag het record afzonderlijk van optionele tekst als een antwoord zal worden geparseerd. Behoud in een herhaalde documentworkflow de bronidentificatie naast elk resultaat, zodat de toepassing het juiste materiaal aan de gebruiker kan teruggeven.
Functieaanroepen en specialisatie
Het model kan een beschreven functie selecteren en de argumenten produceren. De toepassing voert de bewerking uit en retourneert het resultaat met de bijbehorende toolaanroep, waarna het volgende antwoord die informatie kan gebruiken. Het voorbeeld op de kaart toont een conversatie met eerder toolgebruik, gevolgd door een nieuwe vraag. Dat geeft de assistent een manier om informatie van verbonden tools te vragen zonder een voorgestelde aanroep als een voltooide opzoeking te behandelen.
Beschrijf het doel en de vereiste waarden van elke functie duidelijk. Een opzoektaak kan de benodigde informatie benoemen en het werkelijke toolresultaat aan de conversatie teruggeven; een tekstverwerkingsfunctie kan een omgezette passage voor het volgende antwoord aanleveren. Houd de toolset gerelateerd aan het huidige proces en behoud de koppeling tussen voorgestelde bewerking en resultaat.
De maker beschrijft ook fine-tuning voor vakinhoudelijke specialisatie. Dat proces verandert een model voor een afgebakend domein; een document in één conversatie aanleveren is daarentegen bronconditionering voor die taak. Lever het domeinmateriaal en de antwoordvereisten voor de specifieke assistent aan in plaats van aan te nemen dat een aanpassing al is uitgevoerd.
Context en inhoudelijke grenzen
Small 3 2501 is een uitsluitend tekstueel model met een context van 32k. Het beeldbegrip en de context van 128k die in Small 3.1 werden ingevoerd, horen bij de latere release, en ook de hybride modi van Small 4 mogen hier niet worden overgenomen. Bij een afbeelding, audio-opname of video moet de relevante inhoud via een andere component worden voorbereid vóór deze teksttaak.
De generatie-instellingen van 256 en 512 tokens op de kaart zijn gebruiksvoorbeelden en geen afzonderlijke maximale uitvoercapaciteiten. Houd de exacte Instruct 2501-identiteit, tokenizer en het gevraagde resultaat expliciet. Het nuttige eindartefact is het antwoord, het JSON-record of de voorgestelde code waarvan betekenis en formaat bij de oorspronkelijke schriftelijke taak passen.
", "aboutText": "Mistral Small 3 Instruct 2501 is de op instructies afgestemde release van Mistral Small 3 met 24 miljard parameters. Het is verfijnd vanuit het afzonderlijk benoemde model Small 24B Base 2501. De maker positioneert het voor vlotte conversatieondersteuning, functieaanroepen en vakspecifieke aanpassing, met tekst als invoer en als gegenereerd resultaat.\n\nKernfuncties en onderscheid in training\n\nDe modelkaart documenteert meertalige ondersteuning, conversatie- en redeneermogelijkheden, ingebouwde functieaanroepen, JSON-uitvoer en het volgen van systeemprompts. Het contextvenster bedraagt 32k en het gebruikt een Tekken-tokenizer met een als 131k aangeduid vocabularium. Het contextlabel betreft de tekst die voor de taak wordt bewaard, terwijl het vocabulariumlabel de tokenisatie beschrijft; het zijn verschillende specificaties.\n\nDe maker vermeldt talen zoals Engels, Frans, Duits, Spaans, Italiaans, Chinees, Japans, Koreaans, Portugees, Nederlands en Pools, met Russisch ook aanwezig in de taalmetadata van de gepubliceerde kaart. Bepaal de doeltaal en terminologie die ongewijzigd moet blijven. Een vertaalde uitleg kan ID's, namen en eenheden behouden en de omringende tekst aan de lezer aanpassen.\n\nDe releaseaankondiging vermeldt dat Small 3 niet met bekrachtigingsleren of synthetische data is getraind en onderscheidt vooraf getrainde en op instructies afgestemde checkpoints. Ze beschrijft het model als een basis die verder kan worden aangepast, en niet als een hybride checkpoint met de latere redeneerinstellingen van Small 4. Deze vermelding betreft de Instruct 2501-editie voor het volgen van een conversatietaak.\n\nConversatie- en gestructureerde taken\n\nGeef voor een ondersteuningsassistent de gebruikersvraag, het relevante referentiemateriaal en de antwoordregels mee. Vraag naar de actie die de vraag beantwoordt en de voorwaarde waaronder ze geldt. Een praktisch resultaat kan een beknopt antwoord scheiden van geëxtraheerde velden die de toepassing voor de volgende stap nodig heeft, in plaats van ze in ongestructureerde uitleg te mengen.\n\nGeef voor classificatie de toegelaten labels en hun onderlinge verschillen mee. Benoem voor extractie de velden, verwachte types en weergave van ontbrekende informatie. Een record kan de probleemcategorie, een uit het bericht gekopieerde identificatie en een korte samenvatting van de gevraagde actie bevatten. JSON ordent het resultaat, terwijl het veldontwerp en de interpretatieregels deel van de aangeleverde taak blijven.\n\nNeem voor code-uitleg de functie, relevante declaraties en concrete invoer op. Vraag welk pad door de code het resultaat bepaalt. Definieer voor wiskundige uitleg variabelen en aannames en benoem de vast te stellen uitdrukking of bewering. Deze teksttaken kunnen een methode, uitleg en het uiteindelijke artefact opleveren zonder aan te nemen dat het model zelf de code of een externe berekening uitvoert.\n\nSysteeminstructies en aanbevolen instellingen\n\nDe kaart beveelt een op de beoogde assistent afgestemde systeemprompt en een relatief lage temperatuur aan, zoals 0,15. Gebruik de systeeminstructie voor rol, stijl en antwoordregels, terwijl het gebruikersbericht het eigenlijke probleem of bronmateriaal bevat. Houd geciteerde instructies binnen een document gescheiden van de toepassingsinstructie over wat met dat document moet gebeuren.\n\nGeef voor een dagelijkse assistent aan of het resultaat een kort antwoord, een gestructureerd record of een langere uitleg moet zijn. Vraag het record afzonderlijk van optionele tekst als een antwoord zal worden geparseerd. Behoud in een herhaalde documentworkflow de bronidentificatie naast elk resultaat, zodat de toepassing het juiste materiaal aan de gebruiker kan teruggeven.\n\nFunctieaanroepen en specialisatie\n\nHet model kan een beschreven functie selecteren en de argumenten produceren. De toepassing voert de bewerking uit en retourneert het resultaat met de bijbehorende toolaanroep, waarna het volgende antwoord die informatie kan gebruiken. Het voorbeeld op de kaart toont een conversatie met eerder toolgebruik, gevolgd door een nieuwe vraag. Dat geeft de assistent een manier om informatie van verbonden tools te vragen zonder een voorgestelde aanroep als een voltooide opzoeking te behandelen.\n\nBeschrijf het doel en de vereiste waarden van elke functie duidelijk. Een opzoektaak kan de benodigde informatie benoemen en het werkelijke toolresultaat aan de conversatie teruggeven; een tekstverwerkingsfunctie kan een omgezette passage voor het volgende antwoord aanleveren. Houd de toolset gerelateerd aan het huidige proces en behoud de koppeling tussen voorgestelde bewerking en resultaat.\n\nDe maker beschrijft ook fine-tuning voor vakinhoudelijke specialisatie. Dat proces verandert een model voor een afgebakend domein; een document in één conversatie aanleveren is daarentegen bronconditionering voor die taak. Lever het domeinmateriaal en de antwoordvereisten voor de specifieke assistent aan in plaats van aan te nemen dat een aanpassing al is uitgevoerd.\n\nContext en inhoudelijke grenzen\n\nSmall 3 2501 is een uitsluitend tekstueel model met een context van 32k. Het beeldbegrip en de context van 128k die in Small 3.1 werden ingevoerd, horen bij de latere release, en ook de hybride modi van Small 4 mogen hier niet worden overgenomen. Bij een afbeelding, audio-opname of video moet de relevante inhoud via een andere component worden voorbereid vóór deze teksttaak.\n\nDe generatie-instellingen van 256 en 512 tokens op de kaart zijn gebruiksvoorbeelden en geen afzonderlijke maximale uitvoercapaciteiten. Houd de exacte Instruct 2501-identiteit, tokenizer en het gevraagde resultaat expliciet. Het nuttige eindartefact is het antwoord, het JSON-record of de voorgestelde code waarvan betekenis en formaat bij de oorspronkelijke schriftelijke taak passen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 is een tekstmodel met 24 miljard parameters voor conversatie-instructies, gestructureerde extractie en toepassingen met tools. Het biedt een door de maker opgegeven context van 32k, meertalige antwoorden, systeempromptondersteuning, JSON en ingebouwde functieaanroepen in een eigen uitsluitend tekstuele release.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mistral Small 3 Instruct 2501 is de op instructies afgestemde release van Mistral Small 3 met 24 miljard parameters. Het is verfijnd vanuit het afzonderlijk benoemde model Small 24B Base 2501. De maker positioneert het voor vlotte conversatieondersteuning, functieaanroepen en vakspecifieke aanpassing, met tekst als invoer en als gegenereerd resultaat.
Kernfuncties en onderscheid in training
De modelkaart documenteert meertalige ondersteuning, conversatie- en redeneermogelijkheden, ingebouwde functieaanroepen, JSON-uitvoer en het volgen van systeemprompts. Het contextvenster bedraagt 32k en het gebruikt een Tekken-tokenizer met een als 131k aangeduid vocabularium. Het contextlabel betreft de tekst die voor de taak wordt bewaard, terwijl het vocabulariumlabel de tokenisatie beschrijft; het zijn verschillende specificaties.
De maker vermeldt talen zoals Engels, Frans, Duits, Spaans, Italiaans, Chinees, Japans, Koreaans, Portugees, Nederlands en Pools, met Russisch ook aanwezig in de taalmetadata van de gepubliceerde kaart. Bepaal de doeltaal en terminologie die ongewijzigd moet blijven. Een vertaalde uitleg kan ID's, namen en eenheden behouden en de omringende tekst aan de lezer aanpassen.
De releaseaankondiging vermeldt dat Small 3 niet met bekrachtigingsleren of synthetische data is getraind en onderscheidt vooraf getrainde en op instructies afgestemde checkpoints. Ze beschrijft het model als een basis die verder kan worden aangepast, en niet als een hybride checkpoint met de latere redeneerinstellingen van Small 4. Deze vermelding betreft de Instruct 2501-editie voor het volgen van een conversatietaak.
Conversatie- en gestructureerde taken
Geef voor een ondersteuningsassistent de gebruikersvraag, het relevante referentiemateriaal en de antwoordregels mee. Vraag naar de actie die de vraag beantwoordt en de voorwaarde waaronder ze geldt. Een praktisch resultaat kan een beknopt antwoord scheiden van geëxtraheerde velden die de toepassing voor de volgende stap nodig heeft, in plaats van ze in ongestructureerde uitleg te mengen.
Geef voor classificatie de toegelaten labels en hun onderlinge verschillen mee. Benoem voor extractie de velden, verwachte types en weergave van ontbrekende informatie. Een record kan de probleemcategorie, een uit het bericht gekopieerde identificatie en een korte samenvatting van de gevraagde actie bevatten. JSON ordent het resultaat, terwijl het veldontwerp en de interpretatieregels deel van de aangeleverde taak blijven.
Neem voor code-uitleg de functie, relevante declaraties en concrete invoer op. Vraag welk pad door de code het resultaat bepaalt. Definieer voor wiskundige uitleg variabelen en aannames en benoem de vast te stellen uitdrukking of bewering. Deze teksttaken kunnen een methode, uitleg en het uiteindelijke artefact opleveren zonder aan te nemen dat het model zelf de code of een externe berekening uitvoert.
Systeeminstructies en aanbevolen instellingen
De kaart beveelt een op de beoogde assistent afgestemde systeemprompt en een relatief lage temperatuur aan, zoals 0,15. Gebruik de systeeminstructie voor rol, stijl en antwoordregels, terwijl het gebruikersbericht het eigenlijke probleem of bronmateriaal bevat. Houd geciteerde instructies binnen een document gescheiden van de toepassingsinstructie over wat met dat document moet gebeuren.
Geef voor een dagelijkse assistent aan of het resultaat een kort antwoord, een gestructureerd record of een langere uitleg moet zijn. Vraag het record afzonderlijk van optionele tekst als een antwoord zal worden geparseerd. Behoud in een herhaalde documentworkflow de bronidentificatie naast elk resultaat, zodat de toepassing het juiste materiaal aan de gebruiker kan teruggeven.
Functieaanroepen en specialisatie
Het model kan een beschreven functie selecteren en de argumenten produceren. De toepassing voert de bewerking uit en retourneert het resultaat met de bijbehorende toolaanroep, waarna het volgende antwoord die informatie kan gebruiken. Het voorbeeld op de kaart toont een conversatie met eerder toolgebruik, gevolgd door een nieuwe vraag. Dat geeft de assistent een manier om informatie van verbonden tools te vragen zonder een voorgestelde aanroep als een voltooide opzoeking te behandelen.
Beschrijf het doel en de vereiste waarden van elke functie duidelijk. Een opzoektaak kan de benodigde informatie benoemen en het werkelijke toolresultaat aan de conversatie teruggeven; een tekstverwerkingsfunctie kan een omgezette passage voor het volgende antwoord aanleveren. Houd de toolset gerelateerd aan het huidige proces en behoud de koppeling tussen voorgestelde bewerking en resultaat.
De maker beschrijft ook fine-tuning voor vakinhoudelijke specialisatie. Dat proces verandert een model voor een afgebakend domein; een document in één conversatie aanleveren is daarentegen bronconditionering voor die taak. Lever het domeinmateriaal en de antwoordvereisten voor de specifieke assistent aan in plaats van aan te nemen dat een aanpassing al is uitgevoerd.
Context en inhoudelijke grenzen
Small 3 2501 is een uitsluitend tekstueel model met een context van 32k. Het beeldbegrip en de context van 128k die in Small 3.1 werden ingevoerd, horen bij de latere release, en ook de hybride modi van Small 4 mogen hier niet worden overgenomen. Bij een afbeelding, audio-opname of video moet de relevante inhoud via een andere component worden voorbereid vóór deze teksttaak.
De generatie-instellingen van 256 en 512 tokens op de kaart zijn gebruiksvoorbeelden en geen afzonderlijke maximale uitvoercapaciteiten. Houd de exacte Instruct 2501-identiteit, tokenizer en het gevraagde resultaat expliciet. Het nuttige eindartefact is het antwoord, het JSON-record of de voorgestelde code waarvan betekenis en formaat bij de oorspronkelijke schriftelijke taak passen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.00016 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.00016 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-24b-instruct-2501',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-24b-instruct-2501',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/mistral-small-24b-instruct-2501
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 is een tekstmodel met 24 miljard parameters voor conversatie-instructies, gestructureerde extractie en toepassingen met tools. Het biedt een door de maker opgegeven context van 32k, meertalige antwoorden, systeempromptondersteuning, JSON en ingebouwde functieaanroepen in een eigen uitsluitend tekstuele release.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mistral Small 3 Instruct 2501 is de op instructies afgestemde release van Mistral Small 3 met 24 miljard parameters. Het is verfijnd vanuit het afzonderlijk benoemde model Small 24B Base 2501. De maker positioneert het voor vlotte conversatieondersteuning, functieaanroepen en vakspecifieke aanpassing, met tekst als invoer en als gegenereerd resultaat.
Kernfuncties en onderscheid in training
De modelkaart documenteert meertalige ondersteuning, conversatie- en redeneermogelijkheden, ingebouwde functieaanroepen, JSON-uitvoer en het volgen van systeemprompts. Het contextvenster bedraagt 32k en het gebruikt een Tekken-tokenizer met een als 131k aangeduid vocabularium. Het contextlabel betreft de tekst die voor de taak wordt bewaard, terwijl het vocabulariumlabel de tokenisatie beschrijft; het zijn verschillende specificaties.
De maker vermeldt talen zoals Engels, Frans, Duits, Spaans, Italiaans, Chinees, Japans, Koreaans, Portugees, Nederlands en Pools, met Russisch ook aanwezig in de taalmetadata van de gepubliceerde kaart. Bepaal de doeltaal en terminologie die ongewijzigd moet blijven. Een vertaalde uitleg kan ID's, namen en eenheden behouden en de omringende tekst aan de lezer aanpassen.
De releaseaankondiging vermeldt dat Small 3 niet met bekrachtigingsleren of synthetische data is getraind en onderscheidt vooraf getrainde en op instructies afgestemde checkpoints. Ze beschrijft het model als een basis die verder kan worden aangepast, en niet als een hybride checkpoint met de latere redeneerinstellingen van Small 4. Deze vermelding betreft de Instruct 2501-editie voor het volgen van een conversatietaak.
Conversatie- en gestructureerde taken
Geef voor een ondersteuningsassistent de gebruikersvraag, het relevante referentiemateriaal en de antwoordregels mee. Vraag naar de actie die de vraag beantwoordt en de voorwaarde waaronder ze geldt. Een praktisch resultaat kan een beknopt antwoord scheiden van geëxtraheerde velden die de toepassing voor de volgende stap nodig heeft, in plaats van ze in ongestructureerde uitleg te mengen.
Geef voor classificatie de toegelaten labels en hun onderlinge verschillen mee. Benoem voor extractie de velden, verwachte types en weergave van ontbrekende informatie. Een record kan de probleemcategorie, een uit het bericht gekopieerde identificatie en een korte samenvatting van de gevraagde actie bevatten. JSON ordent het resultaat, terwijl het veldontwerp en de interpretatieregels deel van de aangeleverde taak blijven.
Neem voor code-uitleg de functie, relevante declaraties en concrete invoer op. Vraag welk pad door de code het resultaat bepaalt. Definieer voor wiskundige uitleg variabelen en aannames en benoem de vast te stellen uitdrukking of bewering. Deze teksttaken kunnen een methode, uitleg en het uiteindelijke artefact opleveren zonder aan te nemen dat het model zelf de code of een externe berekening uitvoert.
Systeeminstructies en aanbevolen instellingen
De kaart beveelt een op de beoogde assistent afgestemde systeemprompt en een relatief lage temperatuur aan, zoals 0,15. Gebruik de systeeminstructie voor rol, stijl en antwoordregels, terwijl het gebruikersbericht het eigenlijke probleem of bronmateriaal bevat. Houd geciteerde instructies binnen een document gescheiden van de toepassingsinstructie over wat met dat document moet gebeuren.
Geef voor een dagelijkse assistent aan of het resultaat een kort antwoord, een gestructureerd record of een langere uitleg moet zijn. Vraag het record afzonderlijk van optionele tekst als een antwoord zal worden geparseerd. Behoud in een herhaalde documentworkflow de bronidentificatie naast elk resultaat, zodat de toepassing het juiste materiaal aan de gebruiker kan teruggeven.
Functieaanroepen en specialisatie
Het model kan een beschreven functie selecteren en de argumenten produceren. De toepassing voert de bewerking uit en retourneert het resultaat met de bijbehorende toolaanroep, waarna het volgende antwoord die informatie kan gebruiken. Het voorbeeld op de kaart toont een conversatie met eerder toolgebruik, gevolgd door een nieuwe vraag. Dat geeft de assistent een manier om informatie van verbonden tools te vragen zonder een voorgestelde aanroep als een voltooide opzoeking te behandelen.
Beschrijf het doel en de vereiste waarden van elke functie duidelijk. Een opzoektaak kan de benodigde informatie benoemen en het werkelijke toolresultaat aan de conversatie teruggeven; een tekstverwerkingsfunctie kan een omgezette passage voor het volgende antwoord aanleveren. Houd de toolset gerelateerd aan het huidige proces en behoud de koppeling tussen voorgestelde bewerking en resultaat.
De maker beschrijft ook fine-tuning voor vakinhoudelijke specialisatie. Dat proces verandert een model voor een afgebakend domein; een document in één conversatie aanleveren is daarentegen bronconditionering voor die taak. Lever het domeinmateriaal en de antwoordvereisten voor de specifieke assistent aan in plaats van aan te nemen dat een aanpassing al is uitgevoerd.
Context en inhoudelijke grenzen
Small 3 2501 is een uitsluitend tekstueel model met een context van 32k. Het beeldbegrip en de context van 128k die in Small 3.1 werden ingevoerd, horen bij de latere release, en ook de hybride modi van Small 4 mogen hier niet worden overgenomen. Bij een afbeelding, audio-opname of video moet de relevante inhoud via een andere component worden voorbereid vóór deze teksttaak.
De generatie-instellingen van 256 en 512 tokens op de kaart zijn gebruiksvoorbeelden en geen afzonderlijke maximale uitvoercapaciteiten. Houd de exacte Instruct 2501-identiteit, tokenizer en het gevraagde resultaat expliciet. Het nuttige eindartefact is het antwoord, het JSON-record of de voorgestelde code waarvan betekenis en formaat bij de oorspronkelijke schriftelijke taak passen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.00016 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0001 / 1K tokens Uitvoer · Uitvoertokens $0.00016 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-24b-instruct-2501', '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/mistral-small-24b-instruct-2501
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.