Devstral Medium 1.0 to ustalony model tekstowy Mistral AI dla agentów inżynierii oprogramowania. Wydanie jest identyfikowane jako devstral-medium-2507 i skupia się na używaniu narzędzi do eksploracji baz kodu, edycji kilku powiązanych plików i kontynuowania zadania inżynierskiego w wielu krokach. Okno kontekstu wynosi 128K tokenów. Wejście stanowią tekstowe materiały zadania i projektu; wyjściem mogą być kod, wyjaśnienie lub argumenty funkcji udostępnionej przez aplikację.
Edycja Medium należy do tego samego kierunku agentów programistycznych co Devstral Small, zachowując własną tożsamość modelu. Producent przedstawia ją do zadań wymagających rozumienia repozytorium i skoordynowanej pracy w środowisku agenta. Ustalone wydanie 1.0 pozostaje odrębne od późniejszych generacji Devstral i rodziny Mistral Medium ogólnego przeznaczenia. Kontekst i specjalizacja wyłącznie tekstowa należą do tej edycji.
Obsługiwane funkcje aplikacyjne obejmują ustrukturyzowane wyjście, wywoływanie funkcji, pytania o dokumenty i kontynuację prefiksu. Ustrukturyzowane wyniki pozwalają agentowi przedstawić plan zmian z polami takimi jak objęte pliki, wymagane edycje, założenia i kroki walidacji. Przepływ pytań o dokumenty dostarcza wyodrębnioną treść techniczną do analizy, co przydaje się przy wymaganiach implementacyjnych rozproszonych po specyfikacjach. Prefiks może ustalić początek odpowiedzi, a asynchroniczne przepływy wsadowe mogą obsługiwać niezależne żądania analizy.
W zadaniu wspieranym narzędziami zdefiniuj dostępne funkcje i schematy argumentów. Model wybiera odpowiednie działanie i przygotowuje argumenty; aplikacja wykonuje działanie i zwraca wynik. Następnym krokiem może być kolejne wywołanie funkcji lub odpowiedź na podstawie zebranych informacji. Kolejne wywołania wspierają eksplorację, a następnie edycję i przegląd; niezależne wywołania można zamówić razem, gdy aplikacja pozwala na użycie równoległe. Dostęp do plików, wykonanie poleceń i stosowanie zmian pozostają funkcjami środowiska agenta.
Przy zmianie repozytorium dostarcz oczekiwane zachowanie, odpowiednie interfejsy i odtwarzalny przykład. Poproś agenta o prześledzenie istniejącej ścieżki kodu, wskazanie zależności i przygotowanie edycji spójnych między objętymi plikami. Przy błędzie dołącz obserwowany wynik i wynik wymagany specyfikacją. Przy refaktoryzacji wskaż publiczne zachowanie, które musi pozostać stabilne. Zwrócone wyniki wyszukiwania, zawartość plików i kontrole stają się częścią tekstowego kontekstu prowadzącego następną propozycję.
W przepływie Ailoot API określ końcowy materiał przed rozpoczęciem: poprawkę, plan implementacji, ustrukturyzowany przegląd lub wyjaśnienie techniczne. Poproś o wynik odróżniający proponowane zmiany od ich uzasadnienia oraz od kontroli rzeczywiście zwróconych przez środowisko. Model dostarcza następną decyzję i wyjście tekstowe, podczas gdy aplikacja dostarcza narzędzia i waliduje ich skutki. Dzięki temu ustalona edycja Medium 1.0 jest przydatna do pracy inżynierskiej łączącej pierwotne wymaganie, dowody z repozytorium i spójny zestaw proponowanych zmian.
", "aboutText": "Devstral Medium 1.0 to ustalony model tekstowy Mistral AI dla agentów inżynierii oprogramowania. Wydanie jest identyfikowane jako devstral-medium-2507 i skupia się na używaniu narzędzi do eksploracji baz kodu, edycji kilku powiązanych plików i kontynuowania zadania inżynierskiego w wielu krokach. Okno kontekstu wynosi 128K tokenów. Wejście stanowią tekstowe materiały zadania i projektu; wyjściem mogą być kod, wyjaśnienie lub argumenty funkcji udostępnionej przez aplikację.\n\nEdycja Medium należy do tego samego kierunku agentów programistycznych co Devstral Small, zachowując własną tożsamość modelu. Producent przedstawia ją do zadań wymagających rozumienia repozytorium i skoordynowanej pracy w środowisku agenta. Ustalone wydanie 1.0 pozostaje odrębne od późniejszych generacji Devstral i rodziny Mistral Medium ogólnego przeznaczenia. Kontekst i specjalizacja wyłącznie tekstowa należą do tej edycji.\n\nObsługiwane funkcje aplikacyjne obejmują ustrukturyzowane wyjście, wywoływanie funkcji, pytania o dokumenty i kontynuację prefiksu. Ustrukturyzowane wyniki pozwalają agentowi przedstawić plan zmian z polami takimi jak objęte pliki, wymagane edycje, założenia i kroki walidacji. Przepływ pytań o dokumenty dostarcza wyodrębnioną treść techniczną do analizy, co przydaje się przy wymaganiach implementacyjnych rozproszonych po specyfikacjach. Prefiks może ustalić początek odpowiedzi, a asynchroniczne przepływy wsadowe mogą obsługiwać niezależne żądania analizy.\n\nW zadaniu wspieranym narzędziami zdefiniuj dostępne funkcje i schematy argumentów. Model wybiera odpowiednie działanie i przygotowuje argumenty; aplikacja wykonuje działanie i zwraca wynik. Następnym krokiem może być kolejne wywołanie funkcji lub odpowiedź na podstawie zebranych informacji. Kolejne wywołania wspierają eksplorację, a następnie edycję i przegląd; niezależne wywołania można zamówić razem, gdy aplikacja pozwala na użycie równoległe. Dostęp do plików, wykonanie poleceń i stosowanie zmian pozostają funkcjami środowiska agenta.\n\nPrzy zmianie repozytorium dostarcz oczekiwane zachowanie, odpowiednie interfejsy i odtwarzalny przykład. Poproś agenta o prześledzenie istniejącej ścieżki kodu, wskazanie zależności i przygotowanie edycji spójnych między objętymi plikami. Przy błędzie dołącz obserwowany wynik i wynik wymagany specyfikacją. Przy refaktoryzacji wskaż publiczne zachowanie, które musi pozostać stabilne. Zwrócone wyniki wyszukiwania, zawartość plików i kontrole stają się częścią tekstowego kontekstu prowadzącego następną propozycję.\n\nW przepływie Ailoot API określ końcowy materiał przed rozpoczęciem: poprawkę, plan implementacji, ustrukturyzowany przegląd lub wyjaśnienie techniczne. Poproś o wynik odróżniający proponowane zmiany od ich uzasadnienia oraz od kontroli rzeczywiście zwróconych przez środowisko. Model dostarcza następną decyzję i wyjście tekstowe, podczas gdy aplikacja dostarcza narzędzia i waliduje ich skutki. Dzięki temu ustalona edycja Medium 1.0 jest przydatna do pracy inżynierskiej łączącej pierwotne wymaganie, dowody z repozytorium i spójny zestaw proponowanych zmian.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Coordinate a renamed export field\n\nPropose a patch plan across three files. serializer.py emits {'userName': user.name}; client.ts reads response.userName; schema.md documents userName. Requirement: new responses use display_name while the client temporarily accepts either field. Show the edits as small before/after snippets and give a compatibility test and a new-field test. Do not claim the files were edited.Three coordinated proposed edits plus tests for old and new responses during the compatibility period.The client accepts both spellings, while the producer and documentation agree on display_name.devstral-medium-2507Devstral Medium 1.0 to wydanie modelu Mistral AI o stałym oznaczeniu, obsługujące wyłącznie tekst i przeznaczone do eksploracji repozytorium, używania narzędzi i skoordynowanych zmian oprogramowania. Kontekst 128K mieści wymagania zadania, kod i zwrócone wyniki narzędzi dla agenta pracującego w powiązanych plikach.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Devstral Medium 1.0 to ustalony model tekstowy Mistral AI dla agentów inżynierii oprogramowania. Wydanie jest identyfikowane jako devstral-medium-2507 i skupia się na używaniu narzędzi do eksploracji baz kodu, edycji kilku powiązanych plików i kontynuowania zadania inżynierskiego w wielu krokach. Okno kontekstu wynosi 128K tokenów. Wejście stanowią tekstowe materiały zadania i projektu; wyjściem mogą być kod, wyjaśnienie lub argumenty funkcji udostępnionej przez aplikację.
Edycja Medium należy do tego samego kierunku agentów programistycznych co Devstral Small, zachowując własną tożsamość modelu. Producent przedstawia ją do zadań wymagających rozumienia repozytorium i skoordynowanej pracy w środowisku agenta. Ustalone wydanie 1.0 pozostaje odrębne od późniejszych generacji Devstral i rodziny Mistral Medium ogólnego przeznaczenia. Kontekst i specjalizacja wyłącznie tekstowa należą do tej edycji.
Obsługiwane funkcje aplikacyjne obejmują ustrukturyzowane wyjście, wywoływanie funkcji, pytania o dokumenty i kontynuację prefiksu. Ustrukturyzowane wyniki pozwalają agentowi przedstawić plan zmian z polami takimi jak objęte pliki, wymagane edycje, założenia i kroki walidacji. Przepływ pytań o dokumenty dostarcza wyodrębnioną treść techniczną do analizy, co przydaje się przy wymaganiach implementacyjnych rozproszonych po specyfikacjach. Prefiks może ustalić początek odpowiedzi, a asynchroniczne przepływy wsadowe mogą obsługiwać niezależne żądania analizy.
W zadaniu wspieranym narzędziami zdefiniuj dostępne funkcje i schematy argumentów. Model wybiera odpowiednie działanie i przygotowuje argumenty; aplikacja wykonuje działanie i zwraca wynik. Następnym krokiem może być kolejne wywołanie funkcji lub odpowiedź na podstawie zebranych informacji. Kolejne wywołania wspierają eksplorację, a następnie edycję i przegląd; niezależne wywołania można zamówić razem, gdy aplikacja pozwala na użycie równoległe. Dostęp do plików, wykonanie poleceń i stosowanie zmian pozostają funkcjami środowiska agenta.
Przy zmianie repozytorium dostarcz oczekiwane zachowanie, odpowiednie interfejsy i odtwarzalny przykład. Poproś agenta o prześledzenie istniejącej ścieżki kodu, wskazanie zależności i przygotowanie edycji spójnych między objętymi plikami. Przy błędzie dołącz obserwowany wynik i wynik wymagany specyfikacją. Przy refaktoryzacji wskaż publiczne zachowanie, które musi pozostać stabilne. Zwrócone wyniki wyszukiwania, zawartość plików i kontrole stają się częścią tekstowego kontekstu prowadzącego następną propozycję.
W przepływie Ailoot API określ końcowy materiał przed rozpoczęciem: poprawkę, plan implementacji, ustrukturyzowany przegląd lub wyjaśnienie techniczne. Poproś o wynik odróżniający proponowane zmiany od ich uzasadnienia oraz od kontroli rzeczywiście zwróconych przez środowisko. Model dostarcza następną decyzję i wyjście tekstowe, podczas gdy aplikacja dostarcza narzędzia i waliduje ich skutki. Dzięki temu ustalona edycja Medium 1.0 jest przydatna do pracy inżynierskiej łączącej pierwotne wymaganie, dowody z repozytorium i spójny zestaw proponowanych zmian.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity devstral-medium-2507 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00088 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0044 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-medium-2507", "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='devstral-medium-2507',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='devstral-medium-2507',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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra devstral-medium-2507
Użyj ścieżek metod podanych powyżej.
devstral-medium-2507Devstral Medium 1.0 to wydanie modelu Mistral AI o stałym oznaczeniu, obsługujące wyłącznie tekst i przeznaczone do eksploracji repozytorium, używania narzędzi i skoordynowanych zmian oprogramowania. Kontekst 128K mieści wymagania zadania, kod i zwrócone wyniki narzędzi dla agenta pracującego w powiązanych plikach.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Devstral Medium 1.0 to ustalony model tekstowy Mistral AI dla agentów inżynierii oprogramowania. Wydanie jest identyfikowane jako devstral-medium-2507 i skupia się na używaniu narzędzi do eksploracji baz kodu, edycji kilku powiązanych plików i kontynuowania zadania inżynierskiego w wielu krokach. Okno kontekstu wynosi 128K tokenów. Wejście stanowią tekstowe materiały zadania i projektu; wyjściem mogą być kod, wyjaśnienie lub argumenty funkcji udostępnionej przez aplikację.
Edycja Medium należy do tego samego kierunku agentów programistycznych co Devstral Small, zachowując własną tożsamość modelu. Producent przedstawia ją do zadań wymagających rozumienia repozytorium i skoordynowanej pracy w środowisku agenta. Ustalone wydanie 1.0 pozostaje odrębne od późniejszych generacji Devstral i rodziny Mistral Medium ogólnego przeznaczenia. Kontekst i specjalizacja wyłącznie tekstowa należą do tej edycji.
Obsługiwane funkcje aplikacyjne obejmują ustrukturyzowane wyjście, wywoływanie funkcji, pytania o dokumenty i kontynuację prefiksu. Ustrukturyzowane wyniki pozwalają agentowi przedstawić plan zmian z polami takimi jak objęte pliki, wymagane edycje, założenia i kroki walidacji. Przepływ pytań o dokumenty dostarcza wyodrębnioną treść techniczną do analizy, co przydaje się przy wymaganiach implementacyjnych rozproszonych po specyfikacjach. Prefiks może ustalić początek odpowiedzi, a asynchroniczne przepływy wsadowe mogą obsługiwać niezależne żądania analizy.
W zadaniu wspieranym narzędziami zdefiniuj dostępne funkcje i schematy argumentów. Model wybiera odpowiednie działanie i przygotowuje argumenty; aplikacja wykonuje działanie i zwraca wynik. Następnym krokiem może być kolejne wywołanie funkcji lub odpowiedź na podstawie zebranych informacji. Kolejne wywołania wspierają eksplorację, a następnie edycję i przegląd; niezależne wywołania można zamówić razem, gdy aplikacja pozwala na użycie równoległe. Dostęp do plików, wykonanie poleceń i stosowanie zmian pozostają funkcjami środowiska agenta.
Przy zmianie repozytorium dostarcz oczekiwane zachowanie, odpowiednie interfejsy i odtwarzalny przykład. Poproś agenta o prześledzenie istniejącej ścieżki kodu, wskazanie zależności i przygotowanie edycji spójnych między objętymi plikami. Przy błędzie dołącz obserwowany wynik i wynik wymagany specyfikacją. Przy refaktoryzacji wskaż publiczne zachowanie, które musi pozostać stabilne. Zwrócone wyniki wyszukiwania, zawartość plików i kontrole stają się częścią tekstowego kontekstu prowadzącego następną propozycję.
W przepływie Ailoot API określ końcowy materiał przed rozpoczęciem: poprawkę, plan implementacji, ustrukturyzowany przegląd lub wyjaśnienie techniczne. Poproś o wynik odróżniający proponowane zmiany od ich uzasadnienia oraz od kontroli rzeczywiście zwróconych przez środowisko. Model dostarcza następną decyzję i wyjście tekstowe, podczas gdy aplikacja dostarcza narzędzia i waliduje ich skutki. Dzięki temu ustalona edycja Medium 1.0 jest przydatna do pracy inżynierskiej łączącej pierwotne wymaganie, dowody z repozytorium i spójny zestaw proponowanych zmian.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity devstral-medium-2507 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00088 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0044 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "devstral-medium-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-medium-2507', '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': 'devstral-medium-2507', '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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra devstral-medium-2507
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Coordinate a renamed export field\n\nPropose a patch plan across three files. serializer.py emits {'userName': user.name}; client.ts reads response.userName; schema.md documents userName. Requirement: new responses use display_name while the client temporarily accepts either field. Show the edits as small before/after snippets and give a compatibility test and a new-field test. Do not claim the files were edited.Three coordinated proposed edits plus tests for old and new responses during the compatibility period.The client accepts both spellings, while the producer and documentation agree on display_name.