Ministral 3 8B Instruct 2512 is het middelgrote op instructies afgestemde model in de Ministral 3-familie van Mistral AI. Het uitgebrachte checkpoint is nagetraind voor chat- en instructietaken met FP8-precisie. Het combineert een taalcomponent met een visuele encoder, accepteert tekst en afbeeldingen en retourneert tekst in plaats van een beeld- of audioartefact.
Architectuur en belangrijkste functies
De maker vermeldt een taalmodel met 8,4 miljard parameters en een visuele encoder met 0,4 miljard parameters. Het contextvenster wordt beschreven als 256k, en de gepubliceerde gebruiksnotities hanteren een standaard ingestelde lengte van 262.144. Deze beschrijven deze 8B-editie; de kleinere 3B- en grotere 14B-modellen binnen de familie behouden hun eigen componentgroottes en configuraties.
Beeldbegrip breidt de modelinvoer uit tot meer dan een schriftelijk gesprek. Een documentafbeelding kan worden gecombineerd met een vraag over een geselecteerd veld, een alinea of een zichtbare relatie. Een schermafbeelding kan worden gecombineerd met het doel van de gebruiker en een verzoek om het relevante bedieningselement aan te wijzen. Vraag om de waarneming achter elke conclusie wanneer het antwoord afhangt van visuele details, en behoud koppen, labels en eenheden die nodig zijn om een uitsnede te interpreteren.
De modelkaart beschrijft meertalig werk in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook noemt zij het volgen van systeeminstructies, native functieaanroepen en JSON-uitvoer. Definieer de doeltaal, rol en uitvoervereisten expliciet in plaats van het model het bedoelde artefact uit een grote invoer te laten afleiden.
Document-, gespreks- en agenttaken
De toepassingen van de maker omvatten chatinterfaces, dagelijkse assistenten, beeld- en documentbeschrijving, vertaling, contentgeneratie en gespecialiseerde agents. Lever voor een documentassistent de pagina aan en geef op welke informatie moet worden geretourneerd. Een extractieverzoek kan de veldlabels, verwachte typen en omgang met ontbrekende waarden benoemen. Een bruikbaar antwoord kan de documentidentificatie, de geëxtraheerde waarde en een korte uitleg op basis van de zichtbare bron bevatten.
Bewaar voor een doorlopend gesprek het relevante eerdere antwoord en stel een gerichte vervolgvraag. Een gebruiker kan eerst om een documentsamenvatting vragen en daarna welke uitspraak één conclusie ondersteunt. Dit verandert de vereiste uitvoer van een algemeen overzicht naar een brongebonden uitleg, met behoud van het oorspronkelijke materiaal en het doel van de dialoog.
Lever voor meertalige redactie de oorspronkelijke passage, de beoogde lezer en een terminologielijst aan. Vraag om een herziene versie die namen, voorwaarden en eenheden behoudt, zo nodig gevolgd door een korte uitleg van de wijzigingen. Geef voor contentgeneratie het publiek en de feiten die moeten voorkomen op voordat u om een kort concept of een alternatieve formulering vraagt.
Bij een agenttaak levert de toepassing de tools en hun parameters. Het model kan een functie kiezen en argumenten opstellen, terwijl de toepassing deze uitvoert en het resultaat retourneert. Het functievoorbeeld op de modelkaart combineert een beeldvraag met een rekentool. Houd het toolresultaat gescheiden van de voorgestelde aanroep, zodat het volgende schriftelijke antwoord de daadwerkelijk door de bewerking geretourneerde informatie gebruikt.
Aanbevolen voorbereiding en instellingen
De maker beveelt een systeeminstructie aan die de omgeving, het gebruiksdoel en het toolgebruik beschrijft. Houd de toolset goed gedefinieerd en beperkt tot het minimum dat voor de taak nodig is. Een kleine opzoekworkflow kan de voor de huidige vraag relevante functies aanbieden, met duidelijk benoemde vereiste argumenten, in plaats van een grote verzameling ongerelateerde bewerkingen te tonen.
Voor dagelijks gebruik en gebruik in productie beveelt de modelkaart een temperatuur lager dan 0.1 aan; hogere temperaturen zijn beschikbaar voor creatieve verkenning. Behandel dit als een aanbeveling voor de instructieworkflow, niet als een afzonderlijke instelling voor een redeneermodus. De familie heeft aparte Base-, Instruct- en Reasoning-checkpoints; deze vermelding betreft de Instruct 2512-editie en niet de afzonderlijke Reasoning-release van dezelfde grootte.
Voor afbeeldingen beveelt de maker verhoudingen dicht bij 1:1 aan en raadt hij zeer smalle of brede invoer af. Snijd zo nodig bij met behoud van labels en context die de vraag vereist. Als een pagina meerdere ongerelateerde gebieden bevat, benoem dan het te onderzoeken deel en het te retourneren resultaat. Een leesbare, gerichte afbeelding is nuttiger dan het model te laten raden welk klein detail op een brede pagina belangrijk is.
Context- en editiegrenzen
Plan tekst, afbeeldingen, gesprek en gewenst antwoord rond de ingestelde context. De gebruiksnotities staan expliciet toe de ingestelde modellengte te verkleinen wanneer minder context nodig is; het volledige venster is dus geen instructie om elk verzoek met al het beschikbare materiaal te vullen. Het generatievoorbeeld van 512 tokens op de kaart is slechts een voorbeeldinstelling, en de geraadpleegde bronnen stellen geen afzonderlijke harde maximale antwoordlengte vast.
Het FP8 Instruct-checkpoint, de vooraf getrainde Base-release en de Reasoning-release zijn afzonderlijke edities. De maker beschrijft ook specialisatie en verdere afstemming als toepassingen. Behoud het benoemde checkpoint en de tokenizer bij het voorbereiden van het gesprek en houd tekstgeneratie gescheiden van repositorytoegang, functie-uitvoering of andere acties die de omringende toepassing levert.
", "aboutText": "Ministral 3 8B Instruct 2512 is het middelgrote op instructies afgestemde model in de Ministral 3-familie van Mistral AI. Het uitgebrachte checkpoint is nagetraind voor chat- en instructietaken met FP8-precisie. Het combineert een taalcomponent met een visuele encoder, accepteert tekst en afbeeldingen en retourneert tekst in plaats van een beeld- of audioartefact.\n\nArchitectuur en belangrijkste functies\n\nDe maker vermeldt een taalmodel met 8,4 miljard parameters en een visuele encoder met 0,4 miljard parameters. Het contextvenster wordt beschreven als 256k, en de gepubliceerde gebruiksnotities hanteren een standaard ingestelde lengte van 262.144. Deze beschrijven deze 8B-editie; de kleinere 3B- en grotere 14B-modellen binnen de familie behouden hun eigen componentgroottes en configuraties.\n\nBeeldbegrip breidt de modelinvoer uit tot meer dan een schriftelijk gesprek. Een documentafbeelding kan worden gecombineerd met een vraag over een geselecteerd veld, een alinea of een zichtbare relatie. Een schermafbeelding kan worden gecombineerd met het doel van de gebruiker en een verzoek om het relevante bedieningselement aan te wijzen. Vraag om de waarneming achter elke conclusie wanneer het antwoord afhangt van visuele details, en behoud koppen, labels en eenheden die nodig zijn om een uitsnede te interpreteren.\n\nDe modelkaart beschrijft meertalig werk in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook noemt zij het volgen van systeeminstructies, native functieaanroepen en JSON-uitvoer. Definieer de doeltaal, rol en uitvoervereisten expliciet in plaats van het model het bedoelde artefact uit een grote invoer te laten afleiden.\n\nDocument-, gespreks- en agenttaken\n\nDe toepassingen van de maker omvatten chatinterfaces, dagelijkse assistenten, beeld- en documentbeschrijving, vertaling, contentgeneratie en gespecialiseerde agents. Lever voor een documentassistent de pagina aan en geef op welke informatie moet worden geretourneerd. Een extractieverzoek kan de veldlabels, verwachte typen en omgang met ontbrekende waarden benoemen. Een bruikbaar antwoord kan de documentidentificatie, de geëxtraheerde waarde en een korte uitleg op basis van de zichtbare bron bevatten.\n\nBewaar voor een doorlopend gesprek het relevante eerdere antwoord en stel een gerichte vervolgvraag. Een gebruiker kan eerst om een documentsamenvatting vragen en daarna welke uitspraak één conclusie ondersteunt. Dit verandert de vereiste uitvoer van een algemeen overzicht naar een brongebonden uitleg, met behoud van het oorspronkelijke materiaal en het doel van de dialoog.\n\nLever voor meertalige redactie de oorspronkelijke passage, de beoogde lezer en een terminologielijst aan. Vraag om een herziene versie die namen, voorwaarden en eenheden behoudt, zo nodig gevolgd door een korte uitleg van de wijzigingen. Geef voor contentgeneratie het publiek en de feiten die moeten voorkomen op voordat u om een kort concept of een alternatieve formulering vraagt.\n\nBij een agenttaak levert de toepassing de tools en hun parameters. Het model kan een functie kiezen en argumenten opstellen, terwijl de toepassing deze uitvoert en het resultaat retourneert. Het functievoorbeeld op de modelkaart combineert een beeldvraag met een rekentool. Houd het toolresultaat gescheiden van de voorgestelde aanroep, zodat het volgende schriftelijke antwoord de daadwerkelijk door de bewerking geretourneerde informatie gebruikt.\n\nAanbevolen voorbereiding en instellingen\n\nDe maker beveelt een systeeminstructie aan die de omgeving, het gebruiksdoel en het toolgebruik beschrijft. Houd de toolset goed gedefinieerd en beperkt tot het minimum dat voor de taak nodig is. Een kleine opzoekworkflow kan de voor de huidige vraag relevante functies aanbieden, met duidelijk benoemde vereiste argumenten, in plaats van een grote verzameling ongerelateerde bewerkingen te tonen.\n\nVoor dagelijks gebruik en gebruik in productie beveelt de modelkaart een temperatuur lager dan 0.1 aan; hogere temperaturen zijn beschikbaar voor creatieve verkenning. Behandel dit als een aanbeveling voor de instructieworkflow, niet als een afzonderlijke instelling voor een redeneermodus. De familie heeft aparte Base-, Instruct- en Reasoning-checkpoints; deze vermelding betreft de Instruct 2512-editie en niet de afzonderlijke Reasoning-release van dezelfde grootte.\n\nVoor afbeeldingen beveelt de maker verhoudingen dicht bij 1:1 aan en raadt hij zeer smalle of brede invoer af. Snijd zo nodig bij met behoud van labels en context die de vraag vereist. Als een pagina meerdere ongerelateerde gebieden bevat, benoem dan het te onderzoeken deel en het te retourneren resultaat. Een leesbare, gerichte afbeelding is nuttiger dan het model te laten raden welk klein detail op een brede pagina belangrijk is.\n\nContext- en editiegrenzen\n\nPlan tekst, afbeeldingen, gesprek en gewenst antwoord rond de ingestelde context. De gebruiksnotities staan expliciet toe de ingestelde modellengte te verkleinen wanneer minder context nodig is; het volledige venster is dus geen instructie om elk verzoek met al het beschikbare materiaal te vullen. Het generatievoorbeeld van 512 tokens op de kaart is slechts een voorbeeldinstelling, en de geraadpleegde bronnen stellen geen afzonderlijke harde maximale antwoordlengte vast.\n\nHet FP8 Instruct-checkpoint, de vooraf getrainde Base-release en de Reasoning-release zijn afzonderlijke edities. De maker beschrijft ook specialisatie en verdere afstemming als toepassingen. Behoud het benoemde checkpoint en de tokenizer bij het voorbereiden van het gesprek en houd tekstgeneratie gescheiden van repositorytoegang, functie-uitvoering of andere acties die de omringende toepassing levert.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 is een meertalig tekst- en beeldinstructiemodel met een taalcomponent van 8,4 miljard parameters en een visuele encoder van 0,4 miljard parameters. Het ondersteunt een door de maker opgegeven context van 256k, systeeminstructies, JSON en native functieaanroepen voor assistenten en documentworkflows.
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 8B Instruct 2512 is het middelgrote op instructies afgestemde model in de Ministral 3-familie van Mistral AI. Het uitgebrachte checkpoint is nagetraind voor chat- en instructietaken met FP8-precisie. Het combineert een taalcomponent met een visuele encoder, accepteert tekst en afbeeldingen en retourneert tekst in plaats van een beeld- of audioartefact.
Architectuur en belangrijkste functies
De maker vermeldt een taalmodel met 8,4 miljard parameters en een visuele encoder met 0,4 miljard parameters. Het contextvenster wordt beschreven als 256k, en de gepubliceerde gebruiksnotities hanteren een standaard ingestelde lengte van 262.144. Deze beschrijven deze 8B-editie; de kleinere 3B- en grotere 14B-modellen binnen de familie behouden hun eigen componentgroottes en configuraties.
Beeldbegrip breidt de modelinvoer uit tot meer dan een schriftelijk gesprek. Een documentafbeelding kan worden gecombineerd met een vraag over een geselecteerd veld, een alinea of een zichtbare relatie. Een schermafbeelding kan worden gecombineerd met het doel van de gebruiker en een verzoek om het relevante bedieningselement aan te wijzen. Vraag om de waarneming achter elke conclusie wanneer het antwoord afhangt van visuele details, en behoud koppen, labels en eenheden die nodig zijn om een uitsnede te interpreteren.
De modelkaart beschrijft meertalig werk in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook noemt zij het volgen van systeeminstructies, native functieaanroepen en JSON-uitvoer. Definieer de doeltaal, rol en uitvoervereisten expliciet in plaats van het model het bedoelde artefact uit een grote invoer te laten afleiden.
Document-, gespreks- en agenttaken
De toepassingen van de maker omvatten chatinterfaces, dagelijkse assistenten, beeld- en documentbeschrijving, vertaling, contentgeneratie en gespecialiseerde agents. Lever voor een documentassistent de pagina aan en geef op welke informatie moet worden geretourneerd. Een extractieverzoek kan de veldlabels, verwachte typen en omgang met ontbrekende waarden benoemen. Een bruikbaar antwoord kan de documentidentificatie, de geëxtraheerde waarde en een korte uitleg op basis van de zichtbare bron bevatten.
Bewaar voor een doorlopend gesprek het relevante eerdere antwoord en stel een gerichte vervolgvraag. Een gebruiker kan eerst om een documentsamenvatting vragen en daarna welke uitspraak één conclusie ondersteunt. Dit verandert de vereiste uitvoer van een algemeen overzicht naar een brongebonden uitleg, met behoud van het oorspronkelijke materiaal en het doel van de dialoog.
Lever voor meertalige redactie de oorspronkelijke passage, de beoogde lezer en een terminologielijst aan. Vraag om een herziene versie die namen, voorwaarden en eenheden behoudt, zo nodig gevolgd door een korte uitleg van de wijzigingen. Geef voor contentgeneratie het publiek en de feiten die moeten voorkomen op voordat u om een kort concept of een alternatieve formulering vraagt.
Bij een agenttaak levert de toepassing de tools en hun parameters. Het model kan een functie kiezen en argumenten opstellen, terwijl de toepassing deze uitvoert en het resultaat retourneert. Het functievoorbeeld op de modelkaart combineert een beeldvraag met een rekentool. Houd het toolresultaat gescheiden van de voorgestelde aanroep, zodat het volgende schriftelijke antwoord de daadwerkelijk door de bewerking geretourneerde informatie gebruikt.
Aanbevolen voorbereiding en instellingen
De maker beveelt een systeeminstructie aan die de omgeving, het gebruiksdoel en het toolgebruik beschrijft. Houd de toolset goed gedefinieerd en beperkt tot het minimum dat voor de taak nodig is. Een kleine opzoekworkflow kan de voor de huidige vraag relevante functies aanbieden, met duidelijk benoemde vereiste argumenten, in plaats van een grote verzameling ongerelateerde bewerkingen te tonen.
Voor dagelijks gebruik en gebruik in productie beveelt de modelkaart een temperatuur lager dan 0.1 aan; hogere temperaturen zijn beschikbaar voor creatieve verkenning. Behandel dit als een aanbeveling voor de instructieworkflow, niet als een afzonderlijke instelling voor een redeneermodus. De familie heeft aparte Base-, Instruct- en Reasoning-checkpoints; deze vermelding betreft de Instruct 2512-editie en niet de afzonderlijke Reasoning-release van dezelfde grootte.
Voor afbeeldingen beveelt de maker verhoudingen dicht bij 1:1 aan en raadt hij zeer smalle of brede invoer af. Snijd zo nodig bij met behoud van labels en context die de vraag vereist. Als een pagina meerdere ongerelateerde gebieden bevat, benoem dan het te onderzoeken deel en het te retourneren resultaat. Een leesbare, gerichte afbeelding is nuttiger dan het model te laten raden welk klein detail op een brede pagina belangrijk is.
Context- en editiegrenzen
Plan tekst, afbeeldingen, gesprek en gewenst antwoord rond de ingestelde context. De gebruiksnotities staan expliciet toe de ingestelde modellengte te verkleinen wanneer minder context nodig is; het volledige venster is dus geen instructie om elk verzoek met al het beschikbare materiaal te vullen. Het generatievoorbeeld van 512 tokens op de kaart is slechts een voorbeeldinstelling, en de geraadpleegde bronnen stellen geen afzonderlijke harde maximale antwoordlengte vast.
Het FP8 Instruct-checkpoint, de vooraf getrainde Base-release en de Reasoning-release zijn afzonderlijke edities. De maker beschrijft ook specialisatie en verdere afstemming als toepassingen. Behoud het benoemde checkpoint en de tokenizer bij het voorbereiden van het gesprek en houd tekstgeneratie gescheiden van repositorytoegang, functie-uitvoering of andere acties die de omringende toepassing levert.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-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-8b-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-8b-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-8b-2512
Gebruik de hierboven getoonde methodepaden.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 is een meertalig tekst- en beeldinstructiemodel met een taalcomponent van 8,4 miljard parameters en een visuele encoder van 0,4 miljard parameters. Het ondersteunt een door de maker opgegeven context van 256k, systeeminstructies, JSON en native functieaanroepen voor assistenten en documentworkflows.
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 8B Instruct 2512 is het middelgrote op instructies afgestemde model in de Ministral 3-familie van Mistral AI. Het uitgebrachte checkpoint is nagetraind voor chat- en instructietaken met FP8-precisie. Het combineert een taalcomponent met een visuele encoder, accepteert tekst en afbeeldingen en retourneert tekst in plaats van een beeld- of audioartefact.
Architectuur en belangrijkste functies
De maker vermeldt een taalmodel met 8,4 miljard parameters en een visuele encoder met 0,4 miljard parameters. Het contextvenster wordt beschreven als 256k, en de gepubliceerde gebruiksnotities hanteren een standaard ingestelde lengte van 262.144. Deze beschrijven deze 8B-editie; de kleinere 3B- en grotere 14B-modellen binnen de familie behouden hun eigen componentgroottes en configuraties.
Beeldbegrip breidt de modelinvoer uit tot meer dan een schriftelijk gesprek. Een documentafbeelding kan worden gecombineerd met een vraag over een geselecteerd veld, een alinea of een zichtbare relatie. Een schermafbeelding kan worden gecombineerd met het doel van de gebruiker en een verzoek om het relevante bedieningselement aan te wijzen. Vraag om de waarneming achter elke conclusie wanneer het antwoord afhangt van visuele details, en behoud koppen, labels en eenheden die nodig zijn om een uitsnede te interpreteren.
De modelkaart beschrijft meertalig werk in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook noemt zij het volgen van systeeminstructies, native functieaanroepen en JSON-uitvoer. Definieer de doeltaal, rol en uitvoervereisten expliciet in plaats van het model het bedoelde artefact uit een grote invoer te laten afleiden.
Document-, gespreks- en agenttaken
De toepassingen van de maker omvatten chatinterfaces, dagelijkse assistenten, beeld- en documentbeschrijving, vertaling, contentgeneratie en gespecialiseerde agents. Lever voor een documentassistent de pagina aan en geef op welke informatie moet worden geretourneerd. Een extractieverzoek kan de veldlabels, verwachte typen en omgang met ontbrekende waarden benoemen. Een bruikbaar antwoord kan de documentidentificatie, de geëxtraheerde waarde en een korte uitleg op basis van de zichtbare bron bevatten.
Bewaar voor een doorlopend gesprek het relevante eerdere antwoord en stel een gerichte vervolgvraag. Een gebruiker kan eerst om een documentsamenvatting vragen en daarna welke uitspraak één conclusie ondersteunt. Dit verandert de vereiste uitvoer van een algemeen overzicht naar een brongebonden uitleg, met behoud van het oorspronkelijke materiaal en het doel van de dialoog.
Lever voor meertalige redactie de oorspronkelijke passage, de beoogde lezer en een terminologielijst aan. Vraag om een herziene versie die namen, voorwaarden en eenheden behoudt, zo nodig gevolgd door een korte uitleg van de wijzigingen. Geef voor contentgeneratie het publiek en de feiten die moeten voorkomen op voordat u om een kort concept of een alternatieve formulering vraagt.
Bij een agenttaak levert de toepassing de tools en hun parameters. Het model kan een functie kiezen en argumenten opstellen, terwijl de toepassing deze uitvoert en het resultaat retourneert. Het functievoorbeeld op de modelkaart combineert een beeldvraag met een rekentool. Houd het toolresultaat gescheiden van de voorgestelde aanroep, zodat het volgende schriftelijke antwoord de daadwerkelijk door de bewerking geretourneerde informatie gebruikt.
Aanbevolen voorbereiding en instellingen
De maker beveelt een systeeminstructie aan die de omgeving, het gebruiksdoel en het toolgebruik beschrijft. Houd de toolset goed gedefinieerd en beperkt tot het minimum dat voor de taak nodig is. Een kleine opzoekworkflow kan de voor de huidige vraag relevante functies aanbieden, met duidelijk benoemde vereiste argumenten, in plaats van een grote verzameling ongerelateerde bewerkingen te tonen.
Voor dagelijks gebruik en gebruik in productie beveelt de modelkaart een temperatuur lager dan 0.1 aan; hogere temperaturen zijn beschikbaar voor creatieve verkenning. Behandel dit als een aanbeveling voor de instructieworkflow, niet als een afzonderlijke instelling voor een redeneermodus. De familie heeft aparte Base-, Instruct- en Reasoning-checkpoints; deze vermelding betreft de Instruct 2512-editie en niet de afzonderlijke Reasoning-release van dezelfde grootte.
Voor afbeeldingen beveelt de maker verhoudingen dicht bij 1:1 aan en raadt hij zeer smalle of brede invoer af. Snijd zo nodig bij met behoud van labels en context die de vraag vereist. Als een pagina meerdere ongerelateerde gebieden bevat, benoem dan het te onderzoeken deel en het te retourneren resultaat. Een leesbare, gerichte afbeelding is nuttiger dan het model te laten raden welk klein detail op een brede pagina belangrijk is.
Context- en editiegrenzen
Plan tekst, afbeeldingen, gesprek en gewenst antwoord rond de ingestelde context. De gebruiksnotities staan expliciet toe de ingestelde modellengte te verkleinen wanneer minder context nodig is; het volledige venster is dus geen instructie om elk verzoek met al het beschikbare materiaal te vullen. Het generatievoorbeeld van 512 tokens op de kaart is slechts een voorbeeldinstelling, en de geraadpleegde bronnen stellen geen afzonderlijke harde maximale antwoordlengte vast.
Het FP8 Instruct-checkpoint, de vooraf getrainde Base-release en de Reasoning-release zijn afzonderlijke edities. De maker beschrijft ook specialisatie en verdere afstemming als toepassingen. Behoud het benoemde checkpoint en de tokenizer bij het voorbereiden van het gesprek en houd tekstgeneratie gescheiden van repositorytoegang, functie-uitvoering of andere acties die de omringende toepassing levert.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-2512
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.