Mistral Small 3.1 24B Instruct 2503 bouwt voort op Small 3 2501 door visueel begrip toe te voegen en ondersteuning voor lange contexten uit te breiden tot 128k tokens. Het heeft 24 miljard parameters en is op instructies afgestemd vanuit de afzonderlijk benoemde Small 3.1 Base-release. Het model aanvaardt tekst en beelden en produceert tekst, waaronder uitleg, code of een gestructureerd record.
Belangrijkste mogelijkheden
Beeldbegrip laat het model zichtbaar materiaal samen met de gebruikersvraag analyseren. Een documentafbeelding kan het te onderzoeken veld of de uitspraak leveren, een diagram de uit te leggen relatie en een grafiek de gegevens voor een vergelijking. Houd labels, eenheden en relevante omringende inhoud leesbaar, zodat de vraag verwijst naar bewijsmateriaal dat werkelijk in het beeld aanwezig is.
De maker vermeldt meertalige ondersteuning voor tientallen talen, waaronder Russisch, Engels, Frans, Duits, Grieks, Hindi, Indonesisch, Italiaans, Japans, Koreaans, Maleis, Nepalees, Pools, Portugees, Roemeens, Servisch, Spaans, Zweeds, Turks, Oekraïens, Vietnamees, Arabisch, Bengaals, Chinees en Farsi. Bepaal de doeltaal, lezer en terminologie voor een meertalig antwoord. Namen, geciteerde labels, variabelen-ID's en eenheden kunnen ongewijzigd blijven terwijl de omringende tekst wordt aangepast.
De kaart beschrijft ook conversatie- en redeneermogelijkheden, ingebouwde functieaanroepen, JSON-uitvoer en het volgen van systeemprompts. De tokenizer is Tekken, met een als 131k aangeduid vocabularium. Dit zijn functies van de genoemde op instructies afgestemde release; de Base-editie heeft een andere rol en latere Small 3.2- en Small 4-releases behouden hun eigen wijzigingen en modi.
Document-, programmeer- en wiskundetaken voorbereiden
Identificeer voor een taak met lange documenten de documenten en stel één afgebakende vraag. Een vergelijking kan een vereistenmatrix vragen met de uitspraak, de bronsectie en eventuele tegenstrijdigheden tussen documenten. Een samenvatting kan uitsluitend het materiaal vragen dat voor een genoemde wijziging relevant is. De lange context houdt de bronnen samen, terwijl het uiteindelijke antwoord beknopt kan blijven.
Geef voor een code-uitleg de functie en de invoer mee waarvan het gedrag moet worden gevolgd. Neem relevante helpers of declaraties op en vraag hoe de toestand verandert voordat de waarde wordt teruggegeven. Vermeld voor een voorgestelde wijziging de vereiste, de te behouden publieke interface en de verwachte uitvoer. Vraag de herziene code afzonderlijk van uitleg en voorbeelden.
Definieer voor een wiskundige taak de symbolen en domeinaannames voordat u een afleiding vraagt. Geef aan of het eindresultaat exact, afgerond of een bewijs van een bewering moet zijn. Als de voorwaarde in een afbeelding staat, houd de formule en bijbehorende labels duidelijk en vraag het model die notatie in het antwoord te behouden. Deze voorbereiding maakt van de gedocumenteerde nadruk op programmeren en wiskundig redeneren een controleerbaar artefact.
Instructieformaat en aanbevolen gebruik
De maker publiceert een V7-Tekken-conversatiesjabloon dat systeem-, gebruikers- en assistentrollen onderscheidt en beveelt de bijbehorende tokenizerimplementatie als gezaghebbende bron aan. Een systeeminstructie moet de assistentrol en antwoordregels bepalen, terwijl het gebruikersbericht de eigenlijke taak en het bronmateriaal bevat. Correcte conversatieopmaak verschilt van rolachtige labels in een geciteerd document plaatsen.
De kaart beveelt een relatief lage temperatuur aan, zoals 0,15, en een op de toepassing afgestemde systeemprompt. Bepaal de uitvoervelden of secties en de voorwaarden die bij het herschrijven moeten behouden blijven. Vraag voor herhaalde extractie JSON met opgegeven namen en types en een weergave voor waarden die in de bron ontbreken. Een verklarende alinea kan afzonderlijk worden teruggegeven wanneer een persoon de interpretatie moet beoordelen.
Workflow voor functieaanroepen
Het model kan een functie selecteren uit door de toepassing beschreven tools en de argumenten genereren. De toepassing voert de functie uit, retourneert het resultaat met de bijbehorende toolaanroep en het model gebruikt dat resultaat in een volgend antwoord. Het voorbeeld van de maker toont deze conversatiecyclus, met eerder toolgebruik en een nieuwe gebruikersvraag. Een voorgestelde opzoeking verschilt dus van de gegevens die werkelijk door de opzoeking worden teruggegeven.
Een praktische assistent kan eerst een vraag uit een document halen en vervolgens een aangeleverde referentiefunctie gebruiken om een ontbrekende voorwaarde te verkrijgen. Beschrijf de functie duidelijk, neem de vereiste argumenten op en houd het teruggegeven resultaat verbonden met de oorspronkelijke bewerking. JSON ordent een tekstresultaat; een functieaanroep vraagt een verbonden bewerking in plaats van stilzwijgend code uit te voeren of een database te lezen.
Inhoudelijke grenzen
De gedocumenteerde visuele mogelijkheid leest beelden; ze genereert ze niet. De assistentrichtlijnen op de gepubliceerde kaart onderscheiden dit model ook van audio- en videotranscriptie, zodat een gesproken of videovraag de relevante inhoud via een passende afzonderlijke voorbereidingsstap nodig heeft. Webtoegang en externe acties komen eveneens van verbonden tools en niet van het tekst-en-beeldmodel alleen.
De context van 128k betreft de taakinvoer en gegenereerde conversatie, terwijl het generatievoorbeeld met 512 tokens op de kaart slechts een voorbeeldinstelling is. De geraadpleegde bronnen vermelden geen afzonderlijke harde antwoordlengtecapaciteit. Behoud de exacte Instruct 2503-editie, het conversatieformaat en de gevraagde uitleg, het record of het codeartefact.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 bouwt voort op Small 3 2501 door visueel begrip toe te voegen en ondersteuning voor lange contexten uit te breiden tot 128k tokens. Het heeft 24 miljard parameters en is op instructies afgestemd vanuit de afzonderlijk benoemde Small 3.1 Base-release. Het model aanvaardt tekst en beelden en produceert tekst, waaronder uitleg, code of een gestructureerd record.\n\nBelangrijkste mogelijkheden\n\nBeeldbegrip laat het model zichtbaar materiaal samen met de gebruikersvraag analyseren. Een documentafbeelding kan het te onderzoeken veld of de uitspraak leveren, een diagram de uit te leggen relatie en een grafiek de gegevens voor een vergelijking. Houd labels, eenheden en relevante omringende inhoud leesbaar, zodat de vraag verwijst naar bewijsmateriaal dat werkelijk in het beeld aanwezig is.\n\nDe maker vermeldt meertalige ondersteuning voor tientallen talen, waaronder Russisch, Engels, Frans, Duits, Grieks, Hindi, Indonesisch, Italiaans, Japans, Koreaans, Maleis, Nepalees, Pools, Portugees, Roemeens, Servisch, Spaans, Zweeds, Turks, Oekraïens, Vietnamees, Arabisch, Bengaals, Chinees en Farsi. Bepaal de doeltaal, lezer en terminologie voor een meertalig antwoord. Namen, geciteerde labels, variabelen-ID's en eenheden kunnen ongewijzigd blijven terwijl de omringende tekst wordt aangepast.\n\nDe kaart beschrijft ook conversatie- en redeneermogelijkheden, ingebouwde functieaanroepen, JSON-uitvoer en het volgen van systeemprompts. De tokenizer is Tekken, met een als 131k aangeduid vocabularium. Dit zijn functies van de genoemde op instructies afgestemde release; de Base-editie heeft een andere rol en latere Small 3.2- en Small 4-releases behouden hun eigen wijzigingen en modi.\n\nDocument-, programmeer- en wiskundetaken voorbereiden\n\nIdentificeer voor een taak met lange documenten de documenten en stel één afgebakende vraag. Een vergelijking kan een vereistenmatrix vragen met de uitspraak, de bronsectie en eventuele tegenstrijdigheden tussen documenten. Een samenvatting kan uitsluitend het materiaal vragen dat voor een genoemde wijziging relevant is. De lange context houdt de bronnen samen, terwijl het uiteindelijke antwoord beknopt kan blijven.\n\nGeef voor een code-uitleg de functie en de invoer mee waarvan het gedrag moet worden gevolgd. Neem relevante helpers of declaraties op en vraag hoe de toestand verandert voordat de waarde wordt teruggegeven. Vermeld voor een voorgestelde wijziging de vereiste, de te behouden publieke interface en de verwachte uitvoer. Vraag de herziene code afzonderlijk van uitleg en voorbeelden.\n\nDefinieer voor een wiskundige taak de symbolen en domeinaannames voordat u een afleiding vraagt. Geef aan of het eindresultaat exact, afgerond of een bewijs van een bewering moet zijn. Als de voorwaarde in een afbeelding staat, houd de formule en bijbehorende labels duidelijk en vraag het model die notatie in het antwoord te behouden. Deze voorbereiding maakt van de gedocumenteerde nadruk op programmeren en wiskundig redeneren een controleerbaar artefact.\n\nInstructieformaat en aanbevolen gebruik\n\nDe maker publiceert een V7-Tekken-conversatiesjabloon dat systeem-, gebruikers- en assistentrollen onderscheidt en beveelt de bijbehorende tokenizerimplementatie als gezaghebbende bron aan. Een systeeminstructie moet de assistentrol en antwoordregels bepalen, terwijl het gebruikersbericht de eigenlijke taak en het bronmateriaal bevat. Correcte conversatieopmaak verschilt van rolachtige labels in een geciteerd document plaatsen.\n\nDe kaart beveelt een relatief lage temperatuur aan, zoals 0,15, en een op de toepassing afgestemde systeemprompt. Bepaal de uitvoervelden of secties en de voorwaarden die bij het herschrijven moeten behouden blijven. Vraag voor herhaalde extractie JSON met opgegeven namen en types en een weergave voor waarden die in de bron ontbreken. Een verklarende alinea kan afzonderlijk worden teruggegeven wanneer een persoon de interpretatie moet beoordelen.\n\nWorkflow voor functieaanroepen\n\nHet model kan een functie selecteren uit door de toepassing beschreven tools en de argumenten genereren. De toepassing voert de functie uit, retourneert het resultaat met de bijbehorende toolaanroep en het model gebruikt dat resultaat in een volgend antwoord. Het voorbeeld van de maker toont deze conversatiecyclus, met eerder toolgebruik en een nieuwe gebruikersvraag. Een voorgestelde opzoeking verschilt dus van de gegevens die werkelijk door de opzoeking worden teruggegeven.\n\nEen praktische assistent kan eerst een vraag uit een document halen en vervolgens een aangeleverde referentiefunctie gebruiken om een ontbrekende voorwaarde te verkrijgen. Beschrijf de functie duidelijk, neem de vereiste argumenten op en houd het teruggegeven resultaat verbonden met de oorspronkelijke bewerking. JSON ordent een tekstresultaat; een functieaanroep vraagt een verbonden bewerking in plaats van stilzwijgend code uit te voeren of een database te lezen.\n\nInhoudelijke grenzen\n\nDe gedocumenteerde visuele mogelijkheid leest beelden; ze genereert ze niet. De assistentrichtlijnen op de gepubliceerde kaart onderscheiden dit model ook van audio- en videotranscriptie, zodat een gesproken of videovraag de relevante inhoud via een passende afzonderlijke voorbereidingsstap nodig heeft. Webtoegang en externe acties komen eveneens van verbonden tools en niet van het tekst-en-beeldmodel alleen.\n\nDe context van 128k betreft de taakinvoer en gegenereerde conversatie, terwijl het generatievoorbeeld met 512 tokens op de kaart slechts een voorbeeldinstelling is. De geraadpleegde bronnen vermelden geen afzonderlijke harde antwoordlengtecapaciteit. Behoud de exacte Instruct 2503-editie, het conversatieformaat en de gevraagde uitleg, het record of het codeartefact.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 voegt beeldbegrip en een door de maker opgegeven context van 128k aan de Small 3-lijn toe. Het combineert meertalige tekst, programmeren en wiskundig redeneren met systeeminstructies, JSON en ingebouwde functieaanroepen in een eigen op instructies afgestemde 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 3.1 24B Instruct 2503 bouwt voort op Small 3 2501 door visueel begrip toe te voegen en ondersteuning voor lange contexten uit te breiden tot 128k tokens. Het heeft 24 miljard parameters en is op instructies afgestemd vanuit de afzonderlijk benoemde Small 3.1 Base-release. Het model aanvaardt tekst en beelden en produceert tekst, waaronder uitleg, code of een gestructureerd record.
Belangrijkste mogelijkheden
Beeldbegrip laat het model zichtbaar materiaal samen met de gebruikersvraag analyseren. Een documentafbeelding kan het te onderzoeken veld of de uitspraak leveren, een diagram de uit te leggen relatie en een grafiek de gegevens voor een vergelijking. Houd labels, eenheden en relevante omringende inhoud leesbaar, zodat de vraag verwijst naar bewijsmateriaal dat werkelijk in het beeld aanwezig is.
De maker vermeldt meertalige ondersteuning voor tientallen talen, waaronder Russisch, Engels, Frans, Duits, Grieks, Hindi, Indonesisch, Italiaans, Japans, Koreaans, Maleis, Nepalees, Pools, Portugees, Roemeens, Servisch, Spaans, Zweeds, Turks, Oekraïens, Vietnamees, Arabisch, Bengaals, Chinees en Farsi. Bepaal de doeltaal, lezer en terminologie voor een meertalig antwoord. Namen, geciteerde labels, variabelen-ID's en eenheden kunnen ongewijzigd blijven terwijl de omringende tekst wordt aangepast.
De kaart beschrijft ook conversatie- en redeneermogelijkheden, ingebouwde functieaanroepen, JSON-uitvoer en het volgen van systeemprompts. De tokenizer is Tekken, met een als 131k aangeduid vocabularium. Dit zijn functies van de genoemde op instructies afgestemde release; de Base-editie heeft een andere rol en latere Small 3.2- en Small 4-releases behouden hun eigen wijzigingen en modi.
Document-, programmeer- en wiskundetaken voorbereiden
Identificeer voor een taak met lange documenten de documenten en stel één afgebakende vraag. Een vergelijking kan een vereistenmatrix vragen met de uitspraak, de bronsectie en eventuele tegenstrijdigheden tussen documenten. Een samenvatting kan uitsluitend het materiaal vragen dat voor een genoemde wijziging relevant is. De lange context houdt de bronnen samen, terwijl het uiteindelijke antwoord beknopt kan blijven.
Geef voor een code-uitleg de functie en de invoer mee waarvan het gedrag moet worden gevolgd. Neem relevante helpers of declaraties op en vraag hoe de toestand verandert voordat de waarde wordt teruggegeven. Vermeld voor een voorgestelde wijziging de vereiste, de te behouden publieke interface en de verwachte uitvoer. Vraag de herziene code afzonderlijk van uitleg en voorbeelden.
Definieer voor een wiskundige taak de symbolen en domeinaannames voordat u een afleiding vraagt. Geef aan of het eindresultaat exact, afgerond of een bewijs van een bewering moet zijn. Als de voorwaarde in een afbeelding staat, houd de formule en bijbehorende labels duidelijk en vraag het model die notatie in het antwoord te behouden. Deze voorbereiding maakt van de gedocumenteerde nadruk op programmeren en wiskundig redeneren een controleerbaar artefact.
Instructieformaat en aanbevolen gebruik
De maker publiceert een V7-Tekken-conversatiesjabloon dat systeem-, gebruikers- en assistentrollen onderscheidt en beveelt de bijbehorende tokenizerimplementatie als gezaghebbende bron aan. Een systeeminstructie moet de assistentrol en antwoordregels bepalen, terwijl het gebruikersbericht de eigenlijke taak en het bronmateriaal bevat. Correcte conversatieopmaak verschilt van rolachtige labels in een geciteerd document plaatsen.
De kaart beveelt een relatief lage temperatuur aan, zoals 0,15, en een op de toepassing afgestemde systeemprompt. Bepaal de uitvoervelden of secties en de voorwaarden die bij het herschrijven moeten behouden blijven. Vraag voor herhaalde extractie JSON met opgegeven namen en types en een weergave voor waarden die in de bron ontbreken. Een verklarende alinea kan afzonderlijk worden teruggegeven wanneer een persoon de interpretatie moet beoordelen.
Workflow voor functieaanroepen
Het model kan een functie selecteren uit door de toepassing beschreven tools en de argumenten genereren. De toepassing voert de functie uit, retourneert het resultaat met de bijbehorende toolaanroep en het model gebruikt dat resultaat in een volgend antwoord. Het voorbeeld van de maker toont deze conversatiecyclus, met eerder toolgebruik en een nieuwe gebruikersvraag. Een voorgestelde opzoeking verschilt dus van de gegevens die werkelijk door de opzoeking worden teruggegeven.
Een praktische assistent kan eerst een vraag uit een document halen en vervolgens een aangeleverde referentiefunctie gebruiken om een ontbrekende voorwaarde te verkrijgen. Beschrijf de functie duidelijk, neem de vereiste argumenten op en houd het teruggegeven resultaat verbonden met de oorspronkelijke bewerking. JSON ordent een tekstresultaat; een functieaanroep vraagt een verbonden bewerking in plaats van stilzwijgend code uit te voeren of een database te lezen.
Inhoudelijke grenzen
De gedocumenteerde visuele mogelijkheid leest beelden; ze genereert ze niet. De assistentrichtlijnen op de gepubliceerde kaart onderscheiden dit model ook van audio- en videotranscriptie, zodat een gesproken of videovraag de relevante inhoud via een passende afzonderlijke voorbereidingsstap nodig heeft. Webtoegang en externe acties komen eveneens van verbonden tools en niet van het tekst-en-beeldmodel alleen.
De context van 128k betreft de taakinvoer en gegenereerde conversatie, terwijl het generatievoorbeeld met 512 tokens op de kaart slechts een voorbeeldinstelling is. De geraadpleegde bronnen vermelden geen afzonderlijke harde antwoordlengtecapaciteit. Behoud de exacte Instruct 2503-editie, het conversatieformaat en de gevraagde uitleg, het record of het codeartefact.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokens Uitvoer · Uitvoertokens $0.00111 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0011 / 1K tokens Uitvoer · Uitvoertokens $0.00111 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-3.1-24b-instruct',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-3.1-24b-instruct',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-3.1-24b-instruct
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 voegt beeldbegrip en een door de maker opgegeven context van 128k aan de Small 3-lijn toe. Het combineert meertalige tekst, programmeren en wiskundig redeneren met systeeminstructies, JSON en ingebouwde functieaanroepen in een eigen op instructies afgestemde 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 3.1 24B Instruct 2503 bouwt voort op Small 3 2501 door visueel begrip toe te voegen en ondersteuning voor lange contexten uit te breiden tot 128k tokens. Het heeft 24 miljard parameters en is op instructies afgestemd vanuit de afzonderlijk benoemde Small 3.1 Base-release. Het model aanvaardt tekst en beelden en produceert tekst, waaronder uitleg, code of een gestructureerd record.
Belangrijkste mogelijkheden
Beeldbegrip laat het model zichtbaar materiaal samen met de gebruikersvraag analyseren. Een documentafbeelding kan het te onderzoeken veld of de uitspraak leveren, een diagram de uit te leggen relatie en een grafiek de gegevens voor een vergelijking. Houd labels, eenheden en relevante omringende inhoud leesbaar, zodat de vraag verwijst naar bewijsmateriaal dat werkelijk in het beeld aanwezig is.
De maker vermeldt meertalige ondersteuning voor tientallen talen, waaronder Russisch, Engels, Frans, Duits, Grieks, Hindi, Indonesisch, Italiaans, Japans, Koreaans, Maleis, Nepalees, Pools, Portugees, Roemeens, Servisch, Spaans, Zweeds, Turks, Oekraïens, Vietnamees, Arabisch, Bengaals, Chinees en Farsi. Bepaal de doeltaal, lezer en terminologie voor een meertalig antwoord. Namen, geciteerde labels, variabelen-ID's en eenheden kunnen ongewijzigd blijven terwijl de omringende tekst wordt aangepast.
De kaart beschrijft ook conversatie- en redeneermogelijkheden, ingebouwde functieaanroepen, JSON-uitvoer en het volgen van systeemprompts. De tokenizer is Tekken, met een als 131k aangeduid vocabularium. Dit zijn functies van de genoemde op instructies afgestemde release; de Base-editie heeft een andere rol en latere Small 3.2- en Small 4-releases behouden hun eigen wijzigingen en modi.
Document-, programmeer- en wiskundetaken voorbereiden
Identificeer voor een taak met lange documenten de documenten en stel één afgebakende vraag. Een vergelijking kan een vereistenmatrix vragen met de uitspraak, de bronsectie en eventuele tegenstrijdigheden tussen documenten. Een samenvatting kan uitsluitend het materiaal vragen dat voor een genoemde wijziging relevant is. De lange context houdt de bronnen samen, terwijl het uiteindelijke antwoord beknopt kan blijven.
Geef voor een code-uitleg de functie en de invoer mee waarvan het gedrag moet worden gevolgd. Neem relevante helpers of declaraties op en vraag hoe de toestand verandert voordat de waarde wordt teruggegeven. Vermeld voor een voorgestelde wijziging de vereiste, de te behouden publieke interface en de verwachte uitvoer. Vraag de herziene code afzonderlijk van uitleg en voorbeelden.
Definieer voor een wiskundige taak de symbolen en domeinaannames voordat u een afleiding vraagt. Geef aan of het eindresultaat exact, afgerond of een bewijs van een bewering moet zijn. Als de voorwaarde in een afbeelding staat, houd de formule en bijbehorende labels duidelijk en vraag het model die notatie in het antwoord te behouden. Deze voorbereiding maakt van de gedocumenteerde nadruk op programmeren en wiskundig redeneren een controleerbaar artefact.
Instructieformaat en aanbevolen gebruik
De maker publiceert een V7-Tekken-conversatiesjabloon dat systeem-, gebruikers- en assistentrollen onderscheidt en beveelt de bijbehorende tokenizerimplementatie als gezaghebbende bron aan. Een systeeminstructie moet de assistentrol en antwoordregels bepalen, terwijl het gebruikersbericht de eigenlijke taak en het bronmateriaal bevat. Correcte conversatieopmaak verschilt van rolachtige labels in een geciteerd document plaatsen.
De kaart beveelt een relatief lage temperatuur aan, zoals 0,15, en een op de toepassing afgestemde systeemprompt. Bepaal de uitvoervelden of secties en de voorwaarden die bij het herschrijven moeten behouden blijven. Vraag voor herhaalde extractie JSON met opgegeven namen en types en een weergave voor waarden die in de bron ontbreken. Een verklarende alinea kan afzonderlijk worden teruggegeven wanneer een persoon de interpretatie moet beoordelen.
Workflow voor functieaanroepen
Het model kan een functie selecteren uit door de toepassing beschreven tools en de argumenten genereren. De toepassing voert de functie uit, retourneert het resultaat met de bijbehorende toolaanroep en het model gebruikt dat resultaat in een volgend antwoord. Het voorbeeld van de maker toont deze conversatiecyclus, met eerder toolgebruik en een nieuwe gebruikersvraag. Een voorgestelde opzoeking verschilt dus van de gegevens die werkelijk door de opzoeking worden teruggegeven.
Een praktische assistent kan eerst een vraag uit een document halen en vervolgens een aangeleverde referentiefunctie gebruiken om een ontbrekende voorwaarde te verkrijgen. Beschrijf de functie duidelijk, neem de vereiste argumenten op en houd het teruggegeven resultaat verbonden met de oorspronkelijke bewerking. JSON ordent een tekstresultaat; een functieaanroep vraagt een verbonden bewerking in plaats van stilzwijgend code uit te voeren of een database te lezen.
Inhoudelijke grenzen
De gedocumenteerde visuele mogelijkheid leest beelden; ze genereert ze niet. De assistentrichtlijnen op de gepubliceerde kaart onderscheiden dit model ook van audio- en videotranscriptie, zodat een gesproken of videovraag de relevante inhoud via een passende afzonderlijke voorbereidingsstap nodig heeft. Webtoegang en externe acties komen eveneens van verbonden tools en niet van het tekst-en-beeldmodel alleen.
De context van 128k betreft de taakinvoer en gegenereerde conversatie, terwijl het generatievoorbeeld met 512 tokens op de kaart slechts een voorbeeldinstelling is. De geraadpleegde bronnen vermelden geen afzonderlijke harde antwoordlengtecapaciteit. Behoud de exacte Instruct 2503-editie, het conversatieformaat en de gevraagde uitleg, het record of het codeartefact.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokens Uitvoer · Uitvoertokens $0.00111 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0011 / 1K tokens Uitvoer · Uitvoertokens $0.00111 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-instruct', '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-3.1-24b-instruct', '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-3.1-24b-instruct
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.