Ministral 3 3B Instruct 2512 is de kleinste op instructies afgestemde editie van de Ministral 3-familie van Mistral AI. De maker positioneert het model voor compacte toepassingen op basis van instructies, waaronder beeldbijschriften, tekstclassificatie, gegevensextractie, vertaling en korte content. Het uitgebrachte checkpoint gebruikt FP8-precisie en combineert tekstverwerking met een component voor visuele invoer.
Modelcomponenten en mogelijkheden
De modelkaart vermeldt een taalmodel met 3,4 miljard parameters en een visuele encoder met 0,4 miljard parameters. Er is een contextvenster van 256k gedocumenteerd, met in de gebruiksnotities een standaard ingestelde lengte van 262.144. Deze aantallen gelden voor de 3B-editie en niet voor de 8B- of 14B-modellen binnen de familie. Het model accepteert tekst en afbeeldingen en genereert tekst, waaronder records in JSON-formaat of voorgestelde functieaanroepen.
De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook benadrukt hij het volgen van systeemprompts. Geef de vereiste uitvoertaal op en de labels of termen die ongewijzigd moeten blijven. Zo blijft een vertaalde uitleg of een geëxtraheerd record aansluiten op het beoogde gebruik van de toepassing.
Gerichte classificatie en extractie
Geef voor een classificatietaak de toegestane labels, de regel die ze van elkaar onderscheidt en het te classificeren bericht. Vraag om één gekozen label en een korte toelichting die op het aangeleverde bericht berust. Zijn de labels ambigu, definieer dan welke informatie het onderscheid maakt in plaats van alleen op hun namen te vertrouwen. Dit levert een compact resultaat op dat consequent in een grotere workflow kan worden gebruikt.
Vermeld voor extractie de velden en hun typen en geef aan hoe ontbrekende informatie moet worden weergegeven. Een verzoek kan vragen om een artikelidentificatie, de expliciet beschreven toestand en de actie waar de gebruiker om vraagt. Vereis de oorspronkelijke formulering als de precieze woorden van belang zijn, of een genormaliseerde waarde als de toepassing de normalisatieregel aanlevert. JSON-uitvoer ordent het resultaat; het veldontwerp blijft onderdeel van de taak en is geen ingebouwd universeel schema.
De modelkaart noemt ook beeldbijschriften en het genereren van korte content. Bepaal voor een bijschrift welk aspect van de afbeelding moet worden beschreven en voor welk publiek. Geef voor een korte uitleg de feiten die behouden moeten blijven en de gewenste lengte. Een ondersteunend antwoord kan de oorspronkelijke vraag en aangeleverde richtlijnen gebruiken om een beknopte vervolgstap te geven, inclusief de voorwaarde waaronder die van toepassing is.
Visuele en meertalige voorbereiding
Combineer een afbeelding met een duidelijke tekstvraag. Bewaar bij een documentveld het label, de waarde en de omliggende context die nodig is om het veld te interpreteren. Geef bij een objectbeschrijving aan welk zichtbaar kenmerk belangrijk is. De maker beveelt beeldverhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af; snijd waar nodig bij zonder het bewijsmateriaal weg te nemen waarop de vraag berust.
Geef voor vertaling de oorspronkelijke tekst, de doeltaal en een eventuele terminologielijst. Vraag om de vertaalde passage afzonderlijk van een optionele toelichting. Een meertalige classificatietaak kan toepassingslabels ongewijzigd houden en het gekozen label uitleggen in de taal van de lezer. Dit zijn afgebakende resultaten, geen verzoek om losjes over een bericht of afbeelding te praten.
Tools en aanbevolen instellingen
Met native functieaanroepen kan een toepassing het gesprek verbinden met een beschreven bewerking. Het model stelt de functieargumenten op, de toepassing voert de functie uit en het resultaat dient als informatie voor het volgende antwoord. Een opzoekfunctie kan een ontbrekende waarde leveren, of een rekentool kan werken met waarden die uit een afbeelding zijn gehaald. Het tekstmodel voert de functie zelf niet uit door alleen de naam en argumenten te produceren.
De maker beveelt een systeeminstructie aan die de omgeving en het gebruiksdoel definieert, inclusief richtlijnen voor tools. Houd toolbeschrijvingen helder en beperk de set tot de minimaal benodigde relevante bewerkingen. Voor een gespecialiseerde assistent is een expliciete extractie- of opzoektaak vaak eenvoudiger te interpreteren dan een prompt met veel ongerelateerde functies zonder selectieregel.
De modelkaart geeft advies voor een lage temperatuur: lager dan 0.1 voor dagelijks gebruik en gebruik in productie, en in een afzonderlijke samplingnotitie een begintemperatuur van 0.1 voor de meeste toepassingen. Hogere waarden kunnen worden onderzocht voor creatieve content. Deze aanbevelingen hebben elk hun eigen toepassingsgebied; ze garanderen niet dat één samplinginstelling elke geëxtraheerde waarde of classificatie correct maakt.
Editie- en contextgrenzen
Ministral 3 heeft voor elke modelgrootte afzonderlijke Base-, Instruct- en Reasoning-releases. Deze vermelding betreft het Instruct 2512-checkpoint, niet een automatisch ingeschakelde redeneermodus of het vooraf getrainde basismodel. De maker noemt specialisatie en verdere afstemming als mogelijke toepassingen, terwijl ook de huidige instructietaak een duidelijk omschreven invoer, regels en uitvoer nodig heeft.
Houd relevant bronmateriaal en het gesprek binnen de ingestelde context en vraag om het compacte resultaat dat de volgende toepassingsstap nodig heeft. De gebruiksnotities staan toe de ingestelde contextlengte te verkleinen voor taken die niet het volledige venster vereisen. Een generatievoorbeeld van 512 tokens en een grote toegestane generatieomvang in een voorbeeld zijn geen afzonderlijk gedocumenteerde maximale uitvoercapaciteiten. Beeldgeneratie, audio-uitvoer en externe acties vereisen andere componenten naast dit model dat tekstresultaten levert.
", "aboutText": "Ministral 3 3B Instruct 2512 is de kleinste op instructies afgestemde editie van de Ministral 3-familie van Mistral AI. De maker positioneert het model voor compacte toepassingen op basis van instructies, waaronder beeldbijschriften, tekstclassificatie, gegevensextractie, vertaling en korte content. Het uitgebrachte checkpoint gebruikt FP8-precisie en combineert tekstverwerking met een component voor visuele invoer.\n\nModelcomponenten en mogelijkheden\n\nDe modelkaart vermeldt een taalmodel met 3,4 miljard parameters en een visuele encoder met 0,4 miljard parameters. Er is een contextvenster van 256k gedocumenteerd, met in de gebruiksnotities een standaard ingestelde lengte van 262.144. Deze aantallen gelden voor de 3B-editie en niet voor de 8B- of 14B-modellen binnen de familie. Het model accepteert tekst en afbeeldingen en genereert tekst, waaronder records in JSON-formaat of voorgestelde functieaanroepen.\n\nDe maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook benadrukt hij het volgen van systeemprompts. Geef de vereiste uitvoertaal op en de labels of termen die ongewijzigd moeten blijven. Zo blijft een vertaalde uitleg of een geëxtraheerd record aansluiten op het beoogde gebruik van de toepassing.\n\nGerichte classificatie en extractie\n\nGeef voor een classificatietaak de toegestane labels, de regel die ze van elkaar onderscheidt en het te classificeren bericht. Vraag om één gekozen label en een korte toelichting die op het aangeleverde bericht berust. Zijn de labels ambigu, definieer dan welke informatie het onderscheid maakt in plaats van alleen op hun namen te vertrouwen. Dit levert een compact resultaat op dat consequent in een grotere workflow kan worden gebruikt.\n\nVermeld voor extractie de velden en hun typen en geef aan hoe ontbrekende informatie moet worden weergegeven. Een verzoek kan vragen om een artikelidentificatie, de expliciet beschreven toestand en de actie waar de gebruiker om vraagt. Vereis de oorspronkelijke formulering als de precieze woorden van belang zijn, of een genormaliseerde waarde als de toepassing de normalisatieregel aanlevert. JSON-uitvoer ordent het resultaat; het veldontwerp blijft onderdeel van de taak en is geen ingebouwd universeel schema.\n\nDe modelkaart noemt ook beeldbijschriften en het genereren van korte content. Bepaal voor een bijschrift welk aspect van de afbeelding moet worden beschreven en voor welk publiek. Geef voor een korte uitleg de feiten die behouden moeten blijven en de gewenste lengte. Een ondersteunend antwoord kan de oorspronkelijke vraag en aangeleverde richtlijnen gebruiken om een beknopte vervolgstap te geven, inclusief de voorwaarde waaronder die van toepassing is.\n\nVisuele en meertalige voorbereiding\n\nCombineer een afbeelding met een duidelijke tekstvraag. Bewaar bij een documentveld het label, de waarde en de omliggende context die nodig is om het veld te interpreteren. Geef bij een objectbeschrijving aan welk zichtbaar kenmerk belangrijk is. De maker beveelt beeldverhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af; snijd waar nodig bij zonder het bewijsmateriaal weg te nemen waarop de vraag berust.\n\nGeef voor vertaling de oorspronkelijke tekst, de doeltaal en een eventuele terminologielijst. Vraag om de vertaalde passage afzonderlijk van een optionele toelichting. Een meertalige classificatietaak kan toepassingslabels ongewijzigd houden en het gekozen label uitleggen in de taal van de lezer. Dit zijn afgebakende resultaten, geen verzoek om losjes over een bericht of afbeelding te praten.\n\nTools en aanbevolen instellingen\n\nMet native functieaanroepen kan een toepassing het gesprek verbinden met een beschreven bewerking. Het model stelt de functieargumenten op, de toepassing voert de functie uit en het resultaat dient als informatie voor het volgende antwoord. Een opzoekfunctie kan een ontbrekende waarde leveren, of een rekentool kan werken met waarden die uit een afbeelding zijn gehaald. Het tekstmodel voert de functie zelf niet uit door alleen de naam en argumenten te produceren.\n\nDe maker beveelt een systeeminstructie aan die de omgeving en het gebruiksdoel definieert, inclusief richtlijnen voor tools. Houd toolbeschrijvingen helder en beperk de set tot de minimaal benodigde relevante bewerkingen. Voor een gespecialiseerde assistent is een expliciete extractie- of opzoektaak vaak eenvoudiger te interpreteren dan een prompt met veel ongerelateerde functies zonder selectieregel.\n\nDe modelkaart geeft advies voor een lage temperatuur: lager dan 0.1 voor dagelijks gebruik en gebruik in productie, en in een afzonderlijke samplingnotitie een begintemperatuur van 0.1 voor de meeste toepassingen. Hogere waarden kunnen worden onderzocht voor creatieve content. Deze aanbevelingen hebben elk hun eigen toepassingsgebied; ze garanderen niet dat één samplinginstelling elke geëxtraheerde waarde of classificatie correct maakt.\n\nEditie- en contextgrenzen\n\nMinistral 3 heeft voor elke modelgrootte afzonderlijke Base-, Instruct- en Reasoning-releases. Deze vermelding betreft het Instruct 2512-checkpoint, niet een automatisch ingeschakelde redeneermodus of het vooraf getrainde basismodel. De maker noemt specialisatie en verdere afstemming als mogelijke toepassingen, terwijl ook de huidige instructietaak een duidelijk omschreven invoer, regels en uitvoer nodig heeft.\n\nHoud relevant bronmateriaal en het gesprek binnen de ingestelde context en vraag om het compacte resultaat dat de volgende toepassingsstap nodig heeft. De gebruiksnotities staan toe de ingestelde contextlengte te verkleinen voor taken die niet het volledige venster vereisen. Een generatievoorbeeld van 512 tokens en een grote toegestane generatieomvang in een voorbeeld zijn geen afzonderlijk gedocumenteerde maximale uitvoercapaciteiten. Beeldgeneratie, audio-uitvoer en externe acties vereisen andere componenten naast dit model dat tekstresultaten levert.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 is een compact meertalig tekst- en beeldmodel voor classificatie, gegevensextractie, beeldbijschriften en korte content. De taalcomponent met 3,4 miljard parameters en de visuele encoder met 0,4 miljard parameters ondersteunen systeeminstructies, JSON, functieaanroepen en een door de maker opgegeven context van 256k.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Ministral 3 3B Instruct 2512 is de kleinste op instructies afgestemde editie van de Ministral 3-familie van Mistral AI. De maker positioneert het model voor compacte toepassingen op basis van instructies, waaronder beeldbijschriften, tekstclassificatie, gegevensextractie, vertaling en korte content. Het uitgebrachte checkpoint gebruikt FP8-precisie en combineert tekstverwerking met een component voor visuele invoer.
Modelcomponenten en mogelijkheden
De modelkaart vermeldt een taalmodel met 3,4 miljard parameters en een visuele encoder met 0,4 miljard parameters. Er is een contextvenster van 256k gedocumenteerd, met in de gebruiksnotities een standaard ingestelde lengte van 262.144. Deze aantallen gelden voor de 3B-editie en niet voor de 8B- of 14B-modellen binnen de familie. Het model accepteert tekst en afbeeldingen en genereert tekst, waaronder records in JSON-formaat of voorgestelde functieaanroepen.
De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook benadrukt hij het volgen van systeemprompts. Geef de vereiste uitvoertaal op en de labels of termen die ongewijzigd moeten blijven. Zo blijft een vertaalde uitleg of een geëxtraheerd record aansluiten op het beoogde gebruik van de toepassing.
Gerichte classificatie en extractie
Geef voor een classificatietaak de toegestane labels, de regel die ze van elkaar onderscheidt en het te classificeren bericht. Vraag om één gekozen label en een korte toelichting die op het aangeleverde bericht berust. Zijn de labels ambigu, definieer dan welke informatie het onderscheid maakt in plaats van alleen op hun namen te vertrouwen. Dit levert een compact resultaat op dat consequent in een grotere workflow kan worden gebruikt.
Vermeld voor extractie de velden en hun typen en geef aan hoe ontbrekende informatie moet worden weergegeven. Een verzoek kan vragen om een artikelidentificatie, de expliciet beschreven toestand en de actie waar de gebruiker om vraagt. Vereis de oorspronkelijke formulering als de precieze woorden van belang zijn, of een genormaliseerde waarde als de toepassing de normalisatieregel aanlevert. JSON-uitvoer ordent het resultaat; het veldontwerp blijft onderdeel van de taak en is geen ingebouwd universeel schema.
De modelkaart noemt ook beeldbijschriften en het genereren van korte content. Bepaal voor een bijschrift welk aspect van de afbeelding moet worden beschreven en voor welk publiek. Geef voor een korte uitleg de feiten die behouden moeten blijven en de gewenste lengte. Een ondersteunend antwoord kan de oorspronkelijke vraag en aangeleverde richtlijnen gebruiken om een beknopte vervolgstap te geven, inclusief de voorwaarde waaronder die van toepassing is.
Visuele en meertalige voorbereiding
Combineer een afbeelding met een duidelijke tekstvraag. Bewaar bij een documentveld het label, de waarde en de omliggende context die nodig is om het veld te interpreteren. Geef bij een objectbeschrijving aan welk zichtbaar kenmerk belangrijk is. De maker beveelt beeldverhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af; snijd waar nodig bij zonder het bewijsmateriaal weg te nemen waarop de vraag berust.
Geef voor vertaling de oorspronkelijke tekst, de doeltaal en een eventuele terminologielijst. Vraag om de vertaalde passage afzonderlijk van een optionele toelichting. Een meertalige classificatietaak kan toepassingslabels ongewijzigd houden en het gekozen label uitleggen in de taal van de lezer. Dit zijn afgebakende resultaten, geen verzoek om losjes over een bericht of afbeelding te praten.
Tools en aanbevolen instellingen
Met native functieaanroepen kan een toepassing het gesprek verbinden met een beschreven bewerking. Het model stelt de functieargumenten op, de toepassing voert de functie uit en het resultaat dient als informatie voor het volgende antwoord. Een opzoekfunctie kan een ontbrekende waarde leveren, of een rekentool kan werken met waarden die uit een afbeelding zijn gehaald. Het tekstmodel voert de functie zelf niet uit door alleen de naam en argumenten te produceren.
De maker beveelt een systeeminstructie aan die de omgeving en het gebruiksdoel definieert, inclusief richtlijnen voor tools. Houd toolbeschrijvingen helder en beperk de set tot de minimaal benodigde relevante bewerkingen. Voor een gespecialiseerde assistent is een expliciete extractie- of opzoektaak vaak eenvoudiger te interpreteren dan een prompt met veel ongerelateerde functies zonder selectieregel.
De modelkaart geeft advies voor een lage temperatuur: lager dan 0.1 voor dagelijks gebruik en gebruik in productie, en in een afzonderlijke samplingnotitie een begintemperatuur van 0.1 voor de meeste toepassingen. Hogere waarden kunnen worden onderzocht voor creatieve content. Deze aanbevelingen hebben elk hun eigen toepassingsgebied; ze garanderen niet dat één samplinginstelling elke geëxtraheerde waarde of classificatie correct maakt.
Editie- en contextgrenzen
Ministral 3 heeft voor elke modelgrootte afzonderlijke Base-, Instruct- en Reasoning-releases. Deze vermelding betreft het Instruct 2512-checkpoint, niet een automatisch ingeschakelde redeneermodus of het vooraf getrainde basismodel. De maker noemt specialisatie en verdere afstemming als mogelijke toepassingen, terwijl ook de huidige instructietaak een duidelijk omschreven invoer, regels en uitvoer nodig heeft.
Houd relevant bronmateriaal en het gesprek binnen de ingestelde context en vraag om het compacte resultaat dat de volgende toepassingsstap nodig heeft. De gebruiksnotities staan toe de ingestelde contextlengte te verkleinen voor taken die niet het volledige venster vereisen. Een generatievoorbeeld van 512 tokens en een grote toegestane generatieomvang in een voorbeeld zijn geen afzonderlijk gedocumenteerde maximale uitvoercapaciteiten. Beeldgeneratie, audio-uitvoer en externe acties vereisen andere componenten naast dit model dat tekstresultaten levert.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/ministral-3b-2512 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/ministral-3b-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra mistralai/ministral-3b-2512
Gebruik de hierboven getoonde methodepaden.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 is een compact meertalig tekst- en beeldmodel voor classificatie, gegevensextractie, beeldbijschriften en korte content. De taalcomponent met 3,4 miljard parameters en de visuele encoder met 0,4 miljard parameters ondersteunen systeeminstructies, JSON, functieaanroepen en een door de maker opgegeven context van 256k.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Ministral 3 3B Instruct 2512 is de kleinste op instructies afgestemde editie van de Ministral 3-familie van Mistral AI. De maker positioneert het model voor compacte toepassingen op basis van instructies, waaronder beeldbijschriften, tekstclassificatie, gegevensextractie, vertaling en korte content. Het uitgebrachte checkpoint gebruikt FP8-precisie en combineert tekstverwerking met een component voor visuele invoer.
Modelcomponenten en mogelijkheden
De modelkaart vermeldt een taalmodel met 3,4 miljard parameters en een visuele encoder met 0,4 miljard parameters. Er is een contextvenster van 256k gedocumenteerd, met in de gebruiksnotities een standaard ingestelde lengte van 262.144. Deze aantallen gelden voor de 3B-editie en niet voor de 8B- of 14B-modellen binnen de familie. Het model accepteert tekst en afbeeldingen en genereert tekst, waaronder records in JSON-formaat of voorgestelde functieaanroepen.
De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook benadrukt hij het volgen van systeemprompts. Geef de vereiste uitvoertaal op en de labels of termen die ongewijzigd moeten blijven. Zo blijft een vertaalde uitleg of een geëxtraheerd record aansluiten op het beoogde gebruik van de toepassing.
Gerichte classificatie en extractie
Geef voor een classificatietaak de toegestane labels, de regel die ze van elkaar onderscheidt en het te classificeren bericht. Vraag om één gekozen label en een korte toelichting die op het aangeleverde bericht berust. Zijn de labels ambigu, definieer dan welke informatie het onderscheid maakt in plaats van alleen op hun namen te vertrouwen. Dit levert een compact resultaat op dat consequent in een grotere workflow kan worden gebruikt.
Vermeld voor extractie de velden en hun typen en geef aan hoe ontbrekende informatie moet worden weergegeven. Een verzoek kan vragen om een artikelidentificatie, de expliciet beschreven toestand en de actie waar de gebruiker om vraagt. Vereis de oorspronkelijke formulering als de precieze woorden van belang zijn, of een genormaliseerde waarde als de toepassing de normalisatieregel aanlevert. JSON-uitvoer ordent het resultaat; het veldontwerp blijft onderdeel van de taak en is geen ingebouwd universeel schema.
De modelkaart noemt ook beeldbijschriften en het genereren van korte content. Bepaal voor een bijschrift welk aspect van de afbeelding moet worden beschreven en voor welk publiek. Geef voor een korte uitleg de feiten die behouden moeten blijven en de gewenste lengte. Een ondersteunend antwoord kan de oorspronkelijke vraag en aangeleverde richtlijnen gebruiken om een beknopte vervolgstap te geven, inclusief de voorwaarde waaronder die van toepassing is.
Visuele en meertalige voorbereiding
Combineer een afbeelding met een duidelijke tekstvraag. Bewaar bij een documentveld het label, de waarde en de omliggende context die nodig is om het veld te interpreteren. Geef bij een objectbeschrijving aan welk zichtbaar kenmerk belangrijk is. De maker beveelt beeldverhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af; snijd waar nodig bij zonder het bewijsmateriaal weg te nemen waarop de vraag berust.
Geef voor vertaling de oorspronkelijke tekst, de doeltaal en een eventuele terminologielijst. Vraag om de vertaalde passage afzonderlijk van een optionele toelichting. Een meertalige classificatietaak kan toepassingslabels ongewijzigd houden en het gekozen label uitleggen in de taal van de lezer. Dit zijn afgebakende resultaten, geen verzoek om losjes over een bericht of afbeelding te praten.
Tools en aanbevolen instellingen
Met native functieaanroepen kan een toepassing het gesprek verbinden met een beschreven bewerking. Het model stelt de functieargumenten op, de toepassing voert de functie uit en het resultaat dient als informatie voor het volgende antwoord. Een opzoekfunctie kan een ontbrekende waarde leveren, of een rekentool kan werken met waarden die uit een afbeelding zijn gehaald. Het tekstmodel voert de functie zelf niet uit door alleen de naam en argumenten te produceren.
De maker beveelt een systeeminstructie aan die de omgeving en het gebruiksdoel definieert, inclusief richtlijnen voor tools. Houd toolbeschrijvingen helder en beperk de set tot de minimaal benodigde relevante bewerkingen. Voor een gespecialiseerde assistent is een expliciete extractie- of opzoektaak vaak eenvoudiger te interpreteren dan een prompt met veel ongerelateerde functies zonder selectieregel.
De modelkaart geeft advies voor een lage temperatuur: lager dan 0.1 voor dagelijks gebruik en gebruik in productie, en in een afzonderlijke samplingnotitie een begintemperatuur van 0.1 voor de meeste toepassingen. Hogere waarden kunnen worden onderzocht voor creatieve content. Deze aanbevelingen hebben elk hun eigen toepassingsgebied; ze garanderen niet dat één samplinginstelling elke geëxtraheerde waarde of classificatie correct maakt.
Editie- en contextgrenzen
Ministral 3 heeft voor elke modelgrootte afzonderlijke Base-, Instruct- en Reasoning-releases. Deze vermelding betreft het Instruct 2512-checkpoint, niet een automatisch ingeschakelde redeneermodus of het vooraf getrainde basismodel. De maker noemt specialisatie en verdere afstemming als mogelijke toepassingen, terwijl ook de huidige instructietaak een duidelijk omschreven invoer, regels en uitvoer nodig heeft.
Houd relevant bronmateriaal en het gesprek binnen de ingestelde context en vraag om het compacte resultaat dat de volgende toepassingsstap nodig heeft. De gebruiksnotities staan toe de ingestelde contextlengte te verkleinen voor taken die niet het volledige venster vereisen. Een generatievoorbeeld van 512 tokens en een grote toegestane generatieomvang in een voorbeeld zijn geen afzonderlijk gedocumenteerde maximale uitvoercapaciteiten. Beeldgeneratie, audio-uitvoer en externe acties vereisen andere componenten naast dit model dat tekstresultaten levert.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/ministral-3b-2512 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00066 / 1K tokens Uitvoer · Uitvoertokens $0.00066 / 1K tokens Invoer · Cache lezen $0.00002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra mistralai/ministral-3b-2512
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.