Mistral Small is de algemeen inzetbare familie van Mistral AI voor het volgen van instructies, documentwerk en programmeerassistenten. De gepubliceerde edities hebben verschillende architecturen en contextlimieten. Small 4 combineert instructievolging, redeneren en programmeren met agents in één multimodaal model. Het accepteert tekst en afbeeldingen en produceert tekst, zodat dezelfde taak een schriftelijke vereiste en visueel bewijs kan bevatten, zoals een documentpagina of schermafbeelding van een interface.
Small 4 gebruikt een mixture-of-experts-architectuur met in totaal 119 miljard parameters en 128 experts, waarvan er per token vier worden geselecteerd. Het contextvenster is 256K tokens. De voorgaande Small 3.2-editie heeft een contextvenster van 128K. Dit zijn versiegebonden eigenschappen: een familiekeuze volgt een bijgewerkte editie, terwijl een vaste modelnaam een bepaalde release aanduidt.
Small 4 biedt twee instellingen voor redeneerinspanning. De instelling voor directe antwoorden gebruikt minimaal denkwerk en retourneert het antwoord zonder afzonderlijk redeneergedeelte. De instelling met hoge inspanning voegt uitgebreidere redeneringen toe vóór het uiteindelijke antwoord en is bedoeld voor moeilijkere problemen. Zo worden dagelijkse chat, wiskundige analyse, onderzoek en codetaken samengebracht. In een redenerend gesprek bewaart het behouden van het volledige eerdere assistentbericht de context die voor volgende beurten nodig is.
De toepassingsfuncties van het model omvatten functieaanroepen, gestructureerde uitvoer, documentvragen en gecontroleerd voortzetten van een antwoord. Functieaanroepen beginnen met beschrijvingen van de beschikbare tools en hun verwachte argumenten. Het model kan een geschikte functie kiezen, ontbrekende informatie vaststellen en de argumenten genereren; de toepassing voert de functie uit en retourneert het resultaat voor het volgende antwoord. De toolworkflow kan automatische selectie toestaan, een tool verplichten, toolgebruik uitschakelen of meerdere parallelle aanroepen toestaan. Deze instellingen behoren tot de omringende toepassingsworkflow.
Gestructureerde uitvoer ondersteunt zowel JSON als een aangepast schema. JSON-gerichte taken moeten het verwachte formaat expliciet beschrijven, terwijl een schema de velden en typen definieert die voor verdere verwerking nodig zijn. Documentvragen combineren het extraheren van tekst en opmaak met taalmodelanalyse: vraag naar een specifieke voorwaarde, vergelijk secties of verzamel een afgebakende set velden. Ondersteuning voor voorspelde uitvoer is nuttig bij het herzien van tekst of code waarvan een groot deel van het resultaat al bekend is. Prefixvoortzetting levert een gekozen begin voor een antwoord; batchverwerking verwerkt verzamelingen onafhankelijke verzoeken asynchroon.
Definieer voor een Ailoot API-assistent één bruikbaar resultaat en het ondersteunende materiaal. Een ondersteuningstaak kan een vraag en schermafbeelding combineren tot een antwoord met geëxtraheerde waarnemingen. Een documenttaak kan een veldentabel en onopgeloste vragen opleveren. Een programmeertaak kan de relevante bestanden verkennen, samenhangende wijzigingen voorstellen en controles van de toepassing gebruiken om ze te verfijnen. Small 4 is uitgebracht met Apache 2.0-gewichten voor aanpassing; de familienaam behoudt de algemene modelkeuze, terwijl concrete modi en limieten bij de geselecteerde editie horen.
", "aboutText": "Mistral Small is de algemeen inzetbare familie van Mistral AI voor het volgen van instructies, documentwerk en programmeerassistenten. De gepubliceerde edities hebben verschillende architecturen en contextlimieten. Small 4 combineert instructievolging, redeneren en programmeren met agents in één multimodaal model. Het accepteert tekst en afbeeldingen en produceert tekst, zodat dezelfde taak een schriftelijke vereiste en visueel bewijs kan bevatten, zoals een documentpagina of schermafbeelding van een interface.\n\nSmall 4 gebruikt een mixture-of-experts-architectuur met in totaal 119 miljard parameters en 128 experts, waarvan er per token vier worden geselecteerd. Het contextvenster is 256K tokens. De voorgaande Small 3.2-editie heeft een contextvenster van 128K. Dit zijn versiegebonden eigenschappen: een familiekeuze volgt een bijgewerkte editie, terwijl een vaste modelnaam een bepaalde release aanduidt.\n\nSmall 4 biedt twee instellingen voor redeneerinspanning. De instelling voor directe antwoorden gebruikt minimaal denkwerk en retourneert het antwoord zonder afzonderlijk redeneergedeelte. De instelling met hoge inspanning voegt uitgebreidere redeneringen toe vóór het uiteindelijke antwoord en is bedoeld voor moeilijkere problemen. Zo worden dagelijkse chat, wiskundige analyse, onderzoek en codetaken samengebracht. In een redenerend gesprek bewaart het behouden van het volledige eerdere assistentbericht de context die voor volgende beurten nodig is.\n\nDe toepassingsfuncties van het model omvatten functieaanroepen, gestructureerde uitvoer, documentvragen en gecontroleerd voortzetten van een antwoord. Functieaanroepen beginnen met beschrijvingen van de beschikbare tools en hun verwachte argumenten. Het model kan een geschikte functie kiezen, ontbrekende informatie vaststellen en de argumenten genereren; de toepassing voert de functie uit en retourneert het resultaat voor het volgende antwoord. De toolworkflow kan automatische selectie toestaan, een tool verplichten, toolgebruik uitschakelen of meerdere parallelle aanroepen toestaan. Deze instellingen behoren tot de omringende toepassingsworkflow.\n\nGestructureerde uitvoer ondersteunt zowel JSON als een aangepast schema. JSON-gerichte taken moeten het verwachte formaat expliciet beschrijven, terwijl een schema de velden en typen definieert die voor verdere verwerking nodig zijn. Documentvragen combineren het extraheren van tekst en opmaak met taalmodelanalyse: vraag naar een specifieke voorwaarde, vergelijk secties of verzamel een afgebakende set velden. Ondersteuning voor voorspelde uitvoer is nuttig bij het herzien van tekst of code waarvan een groot deel van het resultaat al bekend is. Prefixvoortzetting levert een gekozen begin voor een antwoord; batchverwerking verwerkt verzamelingen onafhankelijke verzoeken asynchroon.\n\nDefinieer voor een Ailoot API-assistent één bruikbaar resultaat en het ondersteunende materiaal. Een ondersteuningstaak kan een vraag en schermafbeelding combineren tot een antwoord met geëxtraheerde waarnemingen. Een documenttaak kan een veldentabel en onopgeloste vragen opleveren. Een programmeertaak kan de relevante bestanden verkennen, samenhangende wijzigingen voorstellen en controles van de toepassing gebruiken om ze te verfijnen. Small 4 is uitgebracht met Apache 2.0-gewichten voor aanpassing; de familienaam behoudt de algemene modelkeuze, terwijl concrete modi en limieten bij de geselecteerde editie horen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.mistral-small-latestDe algemeen inzetbare Small-familie van Mistral AI ondersteunt assistenten, documentanalyse en programmeerworkflows met toolaanroepen en gestructureerde antwoorden. De Small 4-editie combineert directe antwoorden en instelbaar redeneren met tekst- en beeldinvoer.
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 is de algemeen inzetbare familie van Mistral AI voor het volgen van instructies, documentwerk en programmeerassistenten. De gepubliceerde edities hebben verschillende architecturen en contextlimieten. Small 4 combineert instructievolging, redeneren en programmeren met agents in één multimodaal model. Het accepteert tekst en afbeeldingen en produceert tekst, zodat dezelfde taak een schriftelijke vereiste en visueel bewijs kan bevatten, zoals een documentpagina of schermafbeelding van een interface.
Small 4 gebruikt een mixture-of-experts-architectuur met in totaal 119 miljard parameters en 128 experts, waarvan er per token vier worden geselecteerd. Het contextvenster is 256K tokens. De voorgaande Small 3.2-editie heeft een contextvenster van 128K. Dit zijn versiegebonden eigenschappen: een familiekeuze volgt een bijgewerkte editie, terwijl een vaste modelnaam een bepaalde release aanduidt.
Small 4 biedt twee instellingen voor redeneerinspanning. De instelling voor directe antwoorden gebruikt minimaal denkwerk en retourneert het antwoord zonder afzonderlijk redeneergedeelte. De instelling met hoge inspanning voegt uitgebreidere redeneringen toe vóór het uiteindelijke antwoord en is bedoeld voor moeilijkere problemen. Zo worden dagelijkse chat, wiskundige analyse, onderzoek en codetaken samengebracht. In een redenerend gesprek bewaart het behouden van het volledige eerdere assistentbericht de context die voor volgende beurten nodig is.
De toepassingsfuncties van het model omvatten functieaanroepen, gestructureerde uitvoer, documentvragen en gecontroleerd voortzetten van een antwoord. Functieaanroepen beginnen met beschrijvingen van de beschikbare tools en hun verwachte argumenten. Het model kan een geschikte functie kiezen, ontbrekende informatie vaststellen en de argumenten genereren; de toepassing voert de functie uit en retourneert het resultaat voor het volgende antwoord. De toolworkflow kan automatische selectie toestaan, een tool verplichten, toolgebruik uitschakelen of meerdere parallelle aanroepen toestaan. Deze instellingen behoren tot de omringende toepassingsworkflow.
Gestructureerde uitvoer ondersteunt zowel JSON als een aangepast schema. JSON-gerichte taken moeten het verwachte formaat expliciet beschrijven, terwijl een schema de velden en typen definieert die voor verdere verwerking nodig zijn. Documentvragen combineren het extraheren van tekst en opmaak met taalmodelanalyse: vraag naar een specifieke voorwaarde, vergelijk secties of verzamel een afgebakende set velden. Ondersteuning voor voorspelde uitvoer is nuttig bij het herzien van tekst of code waarvan een groot deel van het resultaat al bekend is. Prefixvoortzetting levert een gekozen begin voor een antwoord; batchverwerking verwerkt verzamelingen onafhankelijke verzoeken asynchroon.
Definieer voor een Ailoot API-assistent één bruikbaar resultaat en het ondersteunende materiaal. Een ondersteuningstaak kan een vraag en schermafbeelding combineren tot een antwoord met geëxtraheerde waarnemingen. Een documenttaak kan een veldentabel en onopgeloste vragen opleveren. Een programmeertaak kan de relevante bestanden verkennen, samenhangende wijzigingen voorstellen en controles van de toepassing gebruiken om ze te verfijnen. Small 4 is uitgebracht met Apache 2.0-gewichten voor aanpassing; de familienaam behoudt de algemene modelkeuze, terwijl concrete modi en limieten bij de geselecteerde editie horen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistral-small-latest | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0011 / 1K tokens Uitvoer · Uitvoertokens $0.0011 / 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": "mistral-small-latest", "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='mistral-small-latest',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='mistral-small-latest',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 mistral-small-latest
Gebruik de hierboven getoonde methodepaden.
mistral-small-latestDe algemeen inzetbare Small-familie van Mistral AI ondersteunt assistenten, documentanalyse en programmeerworkflows met toolaanroepen en gestructureerde antwoorden. De Small 4-editie combineert directe antwoorden en instelbaar redeneren met tekst- en beeldinvoer.
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 is de algemeen inzetbare familie van Mistral AI voor het volgen van instructies, documentwerk en programmeerassistenten. De gepubliceerde edities hebben verschillende architecturen en contextlimieten. Small 4 combineert instructievolging, redeneren en programmeren met agents in één multimodaal model. Het accepteert tekst en afbeeldingen en produceert tekst, zodat dezelfde taak een schriftelijke vereiste en visueel bewijs kan bevatten, zoals een documentpagina of schermafbeelding van een interface.
Small 4 gebruikt een mixture-of-experts-architectuur met in totaal 119 miljard parameters en 128 experts, waarvan er per token vier worden geselecteerd. Het contextvenster is 256K tokens. De voorgaande Small 3.2-editie heeft een contextvenster van 128K. Dit zijn versiegebonden eigenschappen: een familiekeuze volgt een bijgewerkte editie, terwijl een vaste modelnaam een bepaalde release aanduidt.
Small 4 biedt twee instellingen voor redeneerinspanning. De instelling voor directe antwoorden gebruikt minimaal denkwerk en retourneert het antwoord zonder afzonderlijk redeneergedeelte. De instelling met hoge inspanning voegt uitgebreidere redeneringen toe vóór het uiteindelijke antwoord en is bedoeld voor moeilijkere problemen. Zo worden dagelijkse chat, wiskundige analyse, onderzoek en codetaken samengebracht. In een redenerend gesprek bewaart het behouden van het volledige eerdere assistentbericht de context die voor volgende beurten nodig is.
De toepassingsfuncties van het model omvatten functieaanroepen, gestructureerde uitvoer, documentvragen en gecontroleerd voortzetten van een antwoord. Functieaanroepen beginnen met beschrijvingen van de beschikbare tools en hun verwachte argumenten. Het model kan een geschikte functie kiezen, ontbrekende informatie vaststellen en de argumenten genereren; de toepassing voert de functie uit en retourneert het resultaat voor het volgende antwoord. De toolworkflow kan automatische selectie toestaan, een tool verplichten, toolgebruik uitschakelen of meerdere parallelle aanroepen toestaan. Deze instellingen behoren tot de omringende toepassingsworkflow.
Gestructureerde uitvoer ondersteunt zowel JSON als een aangepast schema. JSON-gerichte taken moeten het verwachte formaat expliciet beschrijven, terwijl een schema de velden en typen definieert die voor verdere verwerking nodig zijn. Documentvragen combineren het extraheren van tekst en opmaak met taalmodelanalyse: vraag naar een specifieke voorwaarde, vergelijk secties of verzamel een afgebakende set velden. Ondersteuning voor voorspelde uitvoer is nuttig bij het herzien van tekst of code waarvan een groot deel van het resultaat al bekend is. Prefixvoortzetting levert een gekozen begin voor een antwoord; batchverwerking verwerkt verzamelingen onafhankelijke verzoeken asynchroon.
Definieer voor een Ailoot API-assistent één bruikbaar resultaat en het ondersteunende materiaal. Een ondersteuningstaak kan een vraag en schermafbeelding combineren tot een antwoord met geëxtraheerde waarnemingen. Een documenttaak kan een veldentabel en onopgeloste vragen opleveren. Een programmeertaak kan de relevante bestanden verkennen, samenhangende wijzigingen voorstellen en controles van de toepassing gebruiken om ze te verfijnen. Small 4 is uitgebracht met Apache 2.0-gewichten voor aanpassing; de familienaam behoudt de algemene modelkeuze, terwijl concrete modi en limieten bij de geselecteerde editie horen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistral-small-latest | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0011 / 1K tokens Uitvoer · Uitvoertokens $0.0011 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistral-small-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-small-latest', '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': 'mistral-small-latest', '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 mistral-small-latest
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.