Mistral Small 4 combineert algemene instructieopvolging, redeneren en programmeren in één multimodaal model. De maker beschrijft het als een samenvoeging van de families Instruct, Magistral voor redeneren en Devstral voor programmeren. Het aanvaardt tekst en beelden en retourneert tekst, met functieaanroepen en JSON-uitvoer voor toepassingen met tools.
Architectuur en belangrijkste functies
De release heeft in totaal 119 miljard parameters en activeert er 6,5 miljard per token. De mixture-of-experts-architectuur bevat 128 experts, waarvan 4 actief, en de maker documenteert een contextvenster van 256k. Het aantal actieve parameters en experts beschrijft hoe het model is georganiseerd; dat verschilt van de hoeveelheid tekst of beeldinhoud in één taak.
Het model biedt instructie- en redeneerfunctionaliteit in hetzelfde checkpoint. De maker vermeldt ook beeldbegrip, het volgen van systeemprompts en meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Een tekstinstructie kan dus naar een afbeelding vragen of een schriftelijke vereiste met zichtbaar bewijsmateriaal combineren, waarbij het antwoord als tekst wordt teruggegeven.
Een visuele taak kan een documentpagina aanleveren en vragen naar de waarden die voor een genoemde voorwaarde relevant zijn. Houd labels en eenheden leesbaar en geef aan of het resultaat de oorspronkelijke formulering moet behouden, samenvatten of met een andere bron vergelijken. Een interfacetaak kan een screenshot aan het gebruikersdoel koppelen en vragen naar het relevante zichtbare bedieningselement en het bewijsmateriaal voor een voorgestelde volgende stap.
Instructie- of redeneermodus kiezen
De gepubliceerde kaart documenteert reasoning effort none voor een direct instructiegericht antwoord en high voor redeneren, met high aanbevolen voor complexe prompts. De keuze gebeurt per verzoek binnen hetzelfde Small 4-model. Een gewone classificatie of korte herschrijving kan een ander antwoordcontract hebben dan een wiskundig, visueel of programmeerprobleem dat uitgebreide uitleg nodig heeft.
De maker beveelt temperature 0.7 aan voor hoge redeneerinspanning. Voor none worden afhankelijk van de taak temperaturen tussen 0,0 en 0,7 opgegeven. Deze instellingen beschrijven de gedocumenteerde modi en maken redeneerinspanning niet tot een garantie op een correct resultaat. Bepaal aannames, uitvoervorm en relevant bronmateriaal voordat u kiest hoeveel redenering de taak vereist.
Geef voor een uitgewerkt probleem de volledige voorwaarde mee en vraag de belangrijkste onderbouwde stappen, gevolgd door de uiteindelijke uitdrukking. Geef voor een codetaak de vereiste, betrokken functie en concrete invoer mee; vraag de voorgestelde implementatie afzonderlijk van uitleg en voorbeelden. De gebruiksdemonstraties van de maker omvatten instructieopvolging, een rekentool toegepast op een afbeelding en visueel redeneren, en tonen hoe tekst en visueel bewijsmateriaal in deze verschillende taken kunnen worden gebruikt.
Programmeren, documenten en tools
Het model wordt gepositioneerd voor codebaseverkenning en software-engineeringagents, algemene assistenten, documentbegrip en onderzoek. Een verzoek aan een programmeeragent kan de te wijzigen module, de te behouden interface en het gewenste gedrag benoemen. Lever de relevante broncode en het foutbewijs aan. Het model kan de volgende bewerking of een codewijziging voorstellen, terwijl de toepassing repositorytoegang, uitvoering en feedback levert.
Bepaal voor documentextractie de vereiste velden en hoe ontbrekende informatie wordt weergegeven. Een nuttig record kan documentidentificatie, bronuitspraak, geïnterpreteerde vereiste en openstaande vraag scheiden. De servicekaart van de maker vermeldt aangepaste gestructureerde uitvoer en vragen beantwoorden over documenten; de laatste functie gebruikt documentverwerking en OCR om tekst en structuur voor taalmodelanalyse voor te bereiden. Een directe beeldvraag en een documentworkflow met OCR moeten hun eigen invoervoorbereiding behouden.
Functieaanroepen vereisen duidelijk beschreven tools. Het model selecteert een functie en maakt argumenten; de toepassing voert de bewerking uit en retourneert het resultaat voor het volgende antwoord. Dezelfde logica geldt voor een opzoeking, berekening of programmeerbewerking. JSON-opmaak ordent een antwoord, terwijl een toolaanroep om een externe actie vraagt; beide mogen niet als uitwisselbare resultaten worden behandeld.
De servicekaart vermeldt ook voorspelde uitvoer, antwoordprefixen, batchverwerking en agentconversaties. Voorspelde uitvoer is nuttig wanneer een document of codebestand met slechts een beperkte wijziging opnieuw moet worden gegenereerd en de rest van de inhoud bekend is. Geef de wijziging en het te behouden materiaal op. Prefixvoortzetting gebruikt een bekend begin van het antwoord, terwijl batchverwerking de indiening van werk betreft en geen extra redeneermodus is.
Grenzen van context en editie
Stem de schriftelijke taak, het visuele materiaal, de conversatie en het gewenste antwoord op de gedocumenteerde context van 256k af. Het gepubliceerde gebruiksvoorbeeld stelt een context van 262.144 tokens in, terwijl het generatievoorbeeld met 1.024 tokens geen afzonderlijke maximale uitvoercapaciteit is. De geraadpleegde bronnen bieden geen onafhankelijke harde antwoordlengtelimiet die de gekozen taaklengte kan vervangen.
Small 4 heeft een eigen mixture-of-experts-architectuur met 119 miljard parameters en hybride modi. Het mag niet de dense architectuur met 128 miljard parameters van Medium 3.5 of de aparte Instruct- en Reasoning-edities van Ministral 3 overnemen. De maker publiceert ook afzonderlijke gekwantiseerde artefacten en artefacten voor speculatieve decodering; dat zijn afzonderlijke implementatieartefacten en geen verschillende inhoudsmodaliteiten. Behoud de genoemde Small 4-release en de modus die voor de werkelijke uitleg, het gestructureerde record of coderesultaat is gevraagd.
", "aboutText": "Mistral Small 4 combineert algemene instructieopvolging, redeneren en programmeren in één multimodaal model. De maker beschrijft het als een samenvoeging van de families Instruct, Magistral voor redeneren en Devstral voor programmeren. Het aanvaardt tekst en beelden en retourneert tekst, met functieaanroepen en JSON-uitvoer voor toepassingen met tools.\n\nArchitectuur en belangrijkste functies\n\nDe release heeft in totaal 119 miljard parameters en activeert er 6,5 miljard per token. De mixture-of-experts-architectuur bevat 128 experts, waarvan 4 actief, en de maker documenteert een contextvenster van 256k. Het aantal actieve parameters en experts beschrijft hoe het model is georganiseerd; dat verschilt van de hoeveelheid tekst of beeldinhoud in één taak.\n\nHet model biedt instructie- en redeneerfunctionaliteit in hetzelfde checkpoint. De maker vermeldt ook beeldbegrip, het volgen van systeemprompts en meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Een tekstinstructie kan dus naar een afbeelding vragen of een schriftelijke vereiste met zichtbaar bewijsmateriaal combineren, waarbij het antwoord als tekst wordt teruggegeven.\n\nEen visuele taak kan een documentpagina aanleveren en vragen naar de waarden die voor een genoemde voorwaarde relevant zijn. Houd labels en eenheden leesbaar en geef aan of het resultaat de oorspronkelijke formulering moet behouden, samenvatten of met een andere bron vergelijken. Een interfacetaak kan een screenshot aan het gebruikersdoel koppelen en vragen naar het relevante zichtbare bedieningselement en het bewijsmateriaal voor een voorgestelde volgende stap.\n\nInstructie- of redeneermodus kiezen\n\nDe gepubliceerde kaart documenteert reasoning effort none voor een direct instructiegericht antwoord en high voor redeneren, met high aanbevolen voor complexe prompts. De keuze gebeurt per verzoek binnen hetzelfde Small 4-model. Een gewone classificatie of korte herschrijving kan een ander antwoordcontract hebben dan een wiskundig, visueel of programmeerprobleem dat uitgebreide uitleg nodig heeft.\n\nDe maker beveelt temperature 0.7 aan voor hoge redeneerinspanning. Voor none worden afhankelijk van de taak temperaturen tussen 0,0 en 0,7 opgegeven. Deze instellingen beschrijven de gedocumenteerde modi en maken redeneerinspanning niet tot een garantie op een correct resultaat. Bepaal aannames, uitvoervorm en relevant bronmateriaal voordat u kiest hoeveel redenering de taak vereist.\n\nGeef voor een uitgewerkt probleem de volledige voorwaarde mee en vraag de belangrijkste onderbouwde stappen, gevolgd door de uiteindelijke uitdrukking. Geef voor een codetaak de vereiste, betrokken functie en concrete invoer mee; vraag de voorgestelde implementatie afzonderlijk van uitleg en voorbeelden. De gebruiksdemonstraties van de maker omvatten instructieopvolging, een rekentool toegepast op een afbeelding en visueel redeneren, en tonen hoe tekst en visueel bewijsmateriaal in deze verschillende taken kunnen worden gebruikt.\n\nProgrammeren, documenten en tools\n\nHet model wordt gepositioneerd voor codebaseverkenning en software-engineeringagents, algemene assistenten, documentbegrip en onderzoek. Een verzoek aan een programmeeragent kan de te wijzigen module, de te behouden interface en het gewenste gedrag benoemen. Lever de relevante broncode en het foutbewijs aan. Het model kan de volgende bewerking of een codewijziging voorstellen, terwijl de toepassing repositorytoegang, uitvoering en feedback levert.\n\nBepaal voor documentextractie de vereiste velden en hoe ontbrekende informatie wordt weergegeven. Een nuttig record kan documentidentificatie, bronuitspraak, geïnterpreteerde vereiste en openstaande vraag scheiden. De servicekaart van de maker vermeldt aangepaste gestructureerde uitvoer en vragen beantwoorden over documenten; de laatste functie gebruikt documentverwerking en OCR om tekst en structuur voor taalmodelanalyse voor te bereiden. Een directe beeldvraag en een documentworkflow met OCR moeten hun eigen invoervoorbereiding behouden.\n\nFunctieaanroepen vereisen duidelijk beschreven tools. Het model selecteert een functie en maakt argumenten; de toepassing voert de bewerking uit en retourneert het resultaat voor het volgende antwoord. Dezelfde logica geldt voor een opzoeking, berekening of programmeerbewerking. JSON-opmaak ordent een antwoord, terwijl een toolaanroep om een externe actie vraagt; beide mogen niet als uitwisselbare resultaten worden behandeld.\n\nDe servicekaart vermeldt ook voorspelde uitvoer, antwoordprefixen, batchverwerking en agentconversaties. Voorspelde uitvoer is nuttig wanneer een document of codebestand met slechts een beperkte wijziging opnieuw moet worden gegenereerd en de rest van de inhoud bekend is. Geef de wijziging en het te behouden materiaal op. Prefixvoortzetting gebruikt een bekend begin van het antwoord, terwijl batchverwerking de indiening van werk betreft en geen extra redeneermodus is.\n\nGrenzen van context en editie\n\nStem de schriftelijke taak, het visuele materiaal, de conversatie en het gewenste antwoord op de gedocumenteerde context van 256k af. Het gepubliceerde gebruiksvoorbeeld stelt een context van 262.144 tokens in, terwijl het generatievoorbeeld met 1.024 tokens geen afzonderlijke maximale uitvoercapaciteit is. De geraadpleegde bronnen bieden geen onafhankelijke harde antwoordlengtelimiet die de gekozen taaklengte kan vervangen.\n\nSmall 4 heeft een eigen mixture-of-experts-architectuur met 119 miljard parameters en hybride modi. Het mag niet de dense architectuur met 128 miljard parameters van Medium 3.5 of de aparte Instruct- en Reasoning-edities van Ministral 3 overnemen. De maker publiceert ook afzonderlijke gekwantiseerde artefacten en artefacten voor speculatieve decodering; dat zijn afzonderlijke implementatieartefacten en geen verschillende inhoudsmodaliteiten. Behoud de genoemde Small 4-release en de modus die voor de werkelijke uitleg, het gestructureerde record of coderesultaat is gevraagd.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 is een hybride tekst-en-beeldmodel met instructie-, redeneer- en programmeermogelijkheden. De mixture-of-experts-release met 119 miljard parameters activeert er 6,5 miljard per token en ondersteunt een door de maker opgegeven context van 256k, selecteerbare redeneerinspanning, JSON en functieaanroepen.
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 4 combineert algemene instructieopvolging, redeneren en programmeren in één multimodaal model. De maker beschrijft het als een samenvoeging van de families Instruct, Magistral voor redeneren en Devstral voor programmeren. Het aanvaardt tekst en beelden en retourneert tekst, met functieaanroepen en JSON-uitvoer voor toepassingen met tools.
Architectuur en belangrijkste functies
De release heeft in totaal 119 miljard parameters en activeert er 6,5 miljard per token. De mixture-of-experts-architectuur bevat 128 experts, waarvan 4 actief, en de maker documenteert een contextvenster van 256k. Het aantal actieve parameters en experts beschrijft hoe het model is georganiseerd; dat verschilt van de hoeveelheid tekst of beeldinhoud in één taak.
Het model biedt instructie- en redeneerfunctionaliteit in hetzelfde checkpoint. De maker vermeldt ook beeldbegrip, het volgen van systeemprompts en meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Een tekstinstructie kan dus naar een afbeelding vragen of een schriftelijke vereiste met zichtbaar bewijsmateriaal combineren, waarbij het antwoord als tekst wordt teruggegeven.
Een visuele taak kan een documentpagina aanleveren en vragen naar de waarden die voor een genoemde voorwaarde relevant zijn. Houd labels en eenheden leesbaar en geef aan of het resultaat de oorspronkelijke formulering moet behouden, samenvatten of met een andere bron vergelijken. Een interfacetaak kan een screenshot aan het gebruikersdoel koppelen en vragen naar het relevante zichtbare bedieningselement en het bewijsmateriaal voor een voorgestelde volgende stap.
Instructie- of redeneermodus kiezen
De gepubliceerde kaart documenteert reasoning effort none voor een direct instructiegericht antwoord en high voor redeneren, met high aanbevolen voor complexe prompts. De keuze gebeurt per verzoek binnen hetzelfde Small 4-model. Een gewone classificatie of korte herschrijving kan een ander antwoordcontract hebben dan een wiskundig, visueel of programmeerprobleem dat uitgebreide uitleg nodig heeft.
De maker beveelt temperature 0.7 aan voor hoge redeneerinspanning. Voor none worden afhankelijk van de taak temperaturen tussen 0,0 en 0,7 opgegeven. Deze instellingen beschrijven de gedocumenteerde modi en maken redeneerinspanning niet tot een garantie op een correct resultaat. Bepaal aannames, uitvoervorm en relevant bronmateriaal voordat u kiest hoeveel redenering de taak vereist.
Geef voor een uitgewerkt probleem de volledige voorwaarde mee en vraag de belangrijkste onderbouwde stappen, gevolgd door de uiteindelijke uitdrukking. Geef voor een codetaak de vereiste, betrokken functie en concrete invoer mee; vraag de voorgestelde implementatie afzonderlijk van uitleg en voorbeelden. De gebruiksdemonstraties van de maker omvatten instructieopvolging, een rekentool toegepast op een afbeelding en visueel redeneren, en tonen hoe tekst en visueel bewijsmateriaal in deze verschillende taken kunnen worden gebruikt.
Programmeren, documenten en tools
Het model wordt gepositioneerd voor codebaseverkenning en software-engineeringagents, algemene assistenten, documentbegrip en onderzoek. Een verzoek aan een programmeeragent kan de te wijzigen module, de te behouden interface en het gewenste gedrag benoemen. Lever de relevante broncode en het foutbewijs aan. Het model kan de volgende bewerking of een codewijziging voorstellen, terwijl de toepassing repositorytoegang, uitvoering en feedback levert.
Bepaal voor documentextractie de vereiste velden en hoe ontbrekende informatie wordt weergegeven. Een nuttig record kan documentidentificatie, bronuitspraak, geïnterpreteerde vereiste en openstaande vraag scheiden. De servicekaart van de maker vermeldt aangepaste gestructureerde uitvoer en vragen beantwoorden over documenten; de laatste functie gebruikt documentverwerking en OCR om tekst en structuur voor taalmodelanalyse voor te bereiden. Een directe beeldvraag en een documentworkflow met OCR moeten hun eigen invoervoorbereiding behouden.
Functieaanroepen vereisen duidelijk beschreven tools. Het model selecteert een functie en maakt argumenten; de toepassing voert de bewerking uit en retourneert het resultaat voor het volgende antwoord. Dezelfde logica geldt voor een opzoeking, berekening of programmeerbewerking. JSON-opmaak ordent een antwoord, terwijl een toolaanroep om een externe actie vraagt; beide mogen niet als uitwisselbare resultaten worden behandeld.
De servicekaart vermeldt ook voorspelde uitvoer, antwoordprefixen, batchverwerking en agentconversaties. Voorspelde uitvoer is nuttig wanneer een document of codebestand met slechts een beperkte wijziging opnieuw moet worden gegenereerd en de rest van de inhoud bekend is. Geef de wijziging en het te behouden materiaal op. Prefixvoortzetting gebruikt een bekend begin van het antwoord, terwijl batchverwerking de indiening van werk betreft en geen extra redeneermodus is.
Grenzen van context en editie
Stem de schriftelijke taak, het visuele materiaal, de conversatie en het gewenste antwoord op de gedocumenteerde context van 256k af. Het gepubliceerde gebruiksvoorbeeld stelt een context van 262.144 tokens in, terwijl het generatievoorbeeld met 1.024 tokens geen afzonderlijke maximale uitvoercapaciteit is. De geraadpleegde bronnen bieden geen onafhankelijke harde antwoordlengtelimiet die de gekozen taaklengte kan vervangen.
Small 4 heeft een eigen mixture-of-experts-architectuur met 119 miljard parameters en hybride modi. Het mag niet de dense architectuur met 128 miljard parameters van Medium 3.5 of de aparte Instruct- en Reasoning-edities van Ministral 3 overnemen. De maker publiceert ook afzonderlijke gekwantiseerde artefacten en artefacten voor speculatieve decodering; dat zijn afzonderlijke implementatieartefacten en geen verschillende inhoudsmodaliteiten. Behoud de genoemde Small 4-release en de modus die voor de werkelijke uitleg, het gestructureerde record of coderesultaat is gevraagd.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-small-2603 | 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 1K tokens Invoer · Cache lezen $0.00003 / 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 1K tokens Invoer · Cache lezen $0.00003 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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-2603", "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-2603',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-2603',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-2603
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-small-2603Mistral Small 4 is een hybride tekst-en-beeldmodel met instructie-, redeneer- en programmeermogelijkheden. De mixture-of-experts-release met 119 miljard parameters activeert er 6,5 miljard per token en ondersteunt een door de maker opgegeven context van 256k, selecteerbare redeneerinspanning, JSON en functieaanroepen.
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 4 combineert algemene instructieopvolging, redeneren en programmeren in één multimodaal model. De maker beschrijft het als een samenvoeging van de families Instruct, Magistral voor redeneren en Devstral voor programmeren. Het aanvaardt tekst en beelden en retourneert tekst, met functieaanroepen en JSON-uitvoer voor toepassingen met tools.
Architectuur en belangrijkste functies
De release heeft in totaal 119 miljard parameters en activeert er 6,5 miljard per token. De mixture-of-experts-architectuur bevat 128 experts, waarvan 4 actief, en de maker documenteert een contextvenster van 256k. Het aantal actieve parameters en experts beschrijft hoe het model is georganiseerd; dat verschilt van de hoeveelheid tekst of beeldinhoud in één taak.
Het model biedt instructie- en redeneerfunctionaliteit in hetzelfde checkpoint. De maker vermeldt ook beeldbegrip, het volgen van systeemprompts en meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Een tekstinstructie kan dus naar een afbeelding vragen of een schriftelijke vereiste met zichtbaar bewijsmateriaal combineren, waarbij het antwoord als tekst wordt teruggegeven.
Een visuele taak kan een documentpagina aanleveren en vragen naar de waarden die voor een genoemde voorwaarde relevant zijn. Houd labels en eenheden leesbaar en geef aan of het resultaat de oorspronkelijke formulering moet behouden, samenvatten of met een andere bron vergelijken. Een interfacetaak kan een screenshot aan het gebruikersdoel koppelen en vragen naar het relevante zichtbare bedieningselement en het bewijsmateriaal voor een voorgestelde volgende stap.
Instructie- of redeneermodus kiezen
De gepubliceerde kaart documenteert reasoning effort none voor een direct instructiegericht antwoord en high voor redeneren, met high aanbevolen voor complexe prompts. De keuze gebeurt per verzoek binnen hetzelfde Small 4-model. Een gewone classificatie of korte herschrijving kan een ander antwoordcontract hebben dan een wiskundig, visueel of programmeerprobleem dat uitgebreide uitleg nodig heeft.
De maker beveelt temperature 0.7 aan voor hoge redeneerinspanning. Voor none worden afhankelijk van de taak temperaturen tussen 0,0 en 0,7 opgegeven. Deze instellingen beschrijven de gedocumenteerde modi en maken redeneerinspanning niet tot een garantie op een correct resultaat. Bepaal aannames, uitvoervorm en relevant bronmateriaal voordat u kiest hoeveel redenering de taak vereist.
Geef voor een uitgewerkt probleem de volledige voorwaarde mee en vraag de belangrijkste onderbouwde stappen, gevolgd door de uiteindelijke uitdrukking. Geef voor een codetaak de vereiste, betrokken functie en concrete invoer mee; vraag de voorgestelde implementatie afzonderlijk van uitleg en voorbeelden. De gebruiksdemonstraties van de maker omvatten instructieopvolging, een rekentool toegepast op een afbeelding en visueel redeneren, en tonen hoe tekst en visueel bewijsmateriaal in deze verschillende taken kunnen worden gebruikt.
Programmeren, documenten en tools
Het model wordt gepositioneerd voor codebaseverkenning en software-engineeringagents, algemene assistenten, documentbegrip en onderzoek. Een verzoek aan een programmeeragent kan de te wijzigen module, de te behouden interface en het gewenste gedrag benoemen. Lever de relevante broncode en het foutbewijs aan. Het model kan de volgende bewerking of een codewijziging voorstellen, terwijl de toepassing repositorytoegang, uitvoering en feedback levert.
Bepaal voor documentextractie de vereiste velden en hoe ontbrekende informatie wordt weergegeven. Een nuttig record kan documentidentificatie, bronuitspraak, geïnterpreteerde vereiste en openstaande vraag scheiden. De servicekaart van de maker vermeldt aangepaste gestructureerde uitvoer en vragen beantwoorden over documenten; de laatste functie gebruikt documentverwerking en OCR om tekst en structuur voor taalmodelanalyse voor te bereiden. Een directe beeldvraag en een documentworkflow met OCR moeten hun eigen invoervoorbereiding behouden.
Functieaanroepen vereisen duidelijk beschreven tools. Het model selecteert een functie en maakt argumenten; de toepassing voert de bewerking uit en retourneert het resultaat voor het volgende antwoord. Dezelfde logica geldt voor een opzoeking, berekening of programmeerbewerking. JSON-opmaak ordent een antwoord, terwijl een toolaanroep om een externe actie vraagt; beide mogen niet als uitwisselbare resultaten worden behandeld.
De servicekaart vermeldt ook voorspelde uitvoer, antwoordprefixen, batchverwerking en agentconversaties. Voorspelde uitvoer is nuttig wanneer een document of codebestand met slechts een beperkte wijziging opnieuw moet worden gegenereerd en de rest van de inhoud bekend is. Geef de wijziging en het te behouden materiaal op. Prefixvoortzetting gebruikt een bekend begin van het antwoord, terwijl batchverwerking de indiening van werk betreft en geen extra redeneermodus is.
Grenzen van context en editie
Stem de schriftelijke taak, het visuele materiaal, de conversatie en het gewenste antwoord op de gedocumenteerde context van 256k af. Het gepubliceerde gebruiksvoorbeeld stelt een context van 262.144 tokens in, terwijl het generatievoorbeeld met 1.024 tokens geen afzonderlijke maximale uitvoercapaciteit is. De geraadpleegde bronnen bieden geen onafhankelijke harde antwoordlengtelimiet die de gekozen taaklengte kan vervangen.
Small 4 heeft een eigen mixture-of-experts-architectuur met 119 miljard parameters en hybride modi. Het mag niet de dense architectuur met 128 miljard parameters van Medium 3.5 of de aparte Instruct- en Reasoning-edities van Ministral 3 overnemen. De maker publiceert ook afzonderlijke gekwantiseerde artefacten en artefacten voor speculatieve decodering; dat zijn afzonderlijke implementatieartefacten en geen verschillende inhoudsmodaliteiten. Behoud de genoemde Small 4-release en de modus die voor de werkelijke uitleg, het gestructureerde record of coderesultaat is gevraagd.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-small-2603 | 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 1K tokens Invoer · Cache lezen $0.00003 / 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 $0.0003 / 1K tokens Uitvoer · Uitvoertokens $0.0012 / 1K tokens Invoer · Cache lezen $0.00003 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2603', '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-2603', '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-2603
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.