Ministral 3 3B Instruct 2512 to najmniejsza edycja rodziny Ministral 3 firmy Mistral AI dostrojona do wykonywania instrukcji. Producent pozycjonuje ją do kompaktowych aplikacji opartych na instrukcjach, w tym tworzenia podpisów obrazów, klasyfikacji tekstu, ekstrakcji danych, tłumaczenia i krótkich treści. Udostępniony checkpoint wykorzystuje precyzję FP8 i łączy przetwarzanie tekstu z komponentem wejścia wizualnego.
Komponenty i możliwości modelu
Karta wymienia model językowy o 3,4 mld parametrów oraz enkoder wizyjny o 0,4 mld parametrów. Dokumentuje okno kontekstowe o wielkości 256 tys. tokenów, z domyślną skonfigurowaną długością 262 144 podaną w uwagach dotyczących użycia. Liczby parametrów komponentów dotyczą edycji 3B, a nie wariantów rodziny 8B lub 14B. Model przyjmuje tekst i obrazy oraz generuje tekst, w tym rekordy w formacie JSON lub proponowane wywołania funkcji.
Producent opisuje obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, hiszpańskiego, niemieckiego, włoskiego, portugalskiego, niderlandzkiego, chińskiego, japońskiego, koreańskiego i arabskiego. Podkreśla również przestrzeganie promptów systemowych. Określ wymagany język wyniku oraz etykiety lub terminy, które muszą pozostać niezmienione. Dzięki temu przetłumaczone wyjaśnienie lub wyodrębniony rekord pozostaną zgodne z zamierzonym zastosowaniem aplikacji.
Ukierunkowana klasyfikacja i ekstrakcja
W zadaniu klasyfikacyjnym podaj dozwolone etykiety, regułę ich rozróżniania oraz wiadomość do sklasyfikowania. Poproś o jedną wybraną etykietę i krótkie wyjaśnienie oparte na dostarczonej wiadomości. Jeśli etykiety są niejednoznaczne, zdefiniuj informacje, które pozwolą je rozróżnić, zamiast polegać wyłącznie na ich nazwach. Powstanie zwięzły wynik, który można spójnie wykorzystywać w większym przepływie pracy.
W przypadku ekstrakcji wymień pola i ich typy oraz wskaż sposób przedstawiania brakujących informacji. Żądanie może dotyczyć identyfikatora elementu, wyraźnie opisanego stanu i działania, o które prosi użytkownik. Wymagaj brzmienia źródłowego, gdy istotne jest dokładne sformułowanie, albo wartości znormalizowanej, gdy aplikacja dostarcza regułę normalizacji. Wynik JSON porządkuje rezultat; projekt pól pozostaje częścią zadania, a nie wbudowanym uniwersalnym schematem.
Karta wymienia również tworzenie podpisów obrazów i generowanie krótkich treści. Dla podpisu określ aspekt obrazu do opisania oraz odbiorców. Dla krótkiego wyjaśnienia podaj fakty do zachowania i pożądaną długość. Odpowiedź w stylu obsługi klienta może wykorzystać oryginalne pytanie i dostarczone wskazówki, aby przedstawić zwięzły kolejny krok wraz z warunkiem jego zastosowania.
Przygotowanie materiałów wizualnych i wielojęzycznych
Dołącz do obrazu jasne pytanie tekstowe. W przypadku pola dokumentu zachowaj etykietę, wartość i otaczający kontekst potrzebny do interpretacji. W przypadku opisu obiektu określ, która widoczna cecha ma znaczenie. Producent zaleca proporcje obrazu zbliżone do 1:1 i unikanie bardzo wąskich lub szerokich materiałów; w razie potrzeby przytnij obraz bez usuwania dowodów, na których opiera się pytanie.
W przypadku tłumaczenia podaj tekst oryginalny, język docelowy i ewentualną listę terminów. Poproś o przetłumaczony fragment oddzielnie od opcjonalnego wyjaśnienia. Wielojęzyczne zadanie klasyfikacyjne może zachować etykiety aplikacji bez zmian, wyjaśniając wybór etykiety w języku czytelnika. Są to zdefiniowane wyniki, a nie prośba o luźne omówienie wiadomości lub obrazu.
Narzędzia i zalecane ustawienia
Natywne wywoływanie funkcji umożliwia aplikacji powiązanie rozmowy z opisaną operacją. Model przygotowuje argumenty funkcji, aplikacja ją wykonuje, a jej wynik staje się informacją dla kolejnej odpowiedzi. Wyszukiwanie może dostarczyć brakującą wartość, a narzędzie obliczeniowe może operować na wartościach rozpoznanych na obrazie. Sam model tekstowy nie wykonuje funkcji jedynie przez wygenerowanie jej nazwy i argumentów.
Producent zaleca instrukcję systemową definiującą środowisko i zastosowanie, w tym wskazówki dotyczące narzędzi. Opisy narzędzi powinny być jasne, a ich zestaw ograniczony do minimum istotnych operacji. Dla wyspecjalizowanego asystenta jawne zadanie ekstrakcji lub wyszukiwania może być łatwiejsze do zinterpretowania niż prompt zawierający wiele niepowiązanych funkcji bez reguły wyboru.
Karta podaje wskazówki dotyczące niskiej temperatury: poniżej 0.1 do codziennych zastosowań i pracy produkcyjnej oraz temperaturę początkową 0.1 dla większości zastosowań w osobnej uwadze dotyczącej próbkowania. Wyższe wartości można badać przy treściach kreatywnych. Zalecenia te mają różne określone zakresy; nie gwarantują, że jedno ustawienie próbkowania zapewni poprawność każdej wyodrębnionej wartości lub klasyfikacji.
Zakres edycji i kontekstu
Ministral 3 oferuje osobne wydania Base, Instruct i Reasoning dla każdego rozmiaru modelu. Ten wpis wskazuje checkpoint Instruct 2512, a nie automatycznie włączony tryb rozumowania ani bazę po wstępnym treningu. Producent wymienia specjalizację i dostrajanie jako możliwe zastosowania, natomiast bieżące zadanie oparte na instrukcji nadal wymaga jasno określonych danych wejściowych, reguł i wyniku.
Utrzymuj istotne materiały źródłowe i rozmowę w obrębie skonfigurowanego kontekstu oraz żądaj zwięzłego wyniku potrzebnego w kolejnym kroku aplikacji. Uwagi dotyczące użycia pozwalają zmniejszyć skonfigurowaną długość kontekstu dla zadań, które nie potrzebują całego okna. Przykład generowania 512 tokenów i duży przykładowy limit generacji nie stanowią osobno udokumentowanych maksymalnych długości odpowiedzi. Generowanie obrazów, wyjście audio i działania zewnętrzne wymagają innych komponentów poza tym modelem zwracającym tekst.
", "aboutText": "Ministral 3 3B Instruct 2512 to najmniejsza edycja rodziny Ministral 3 firmy Mistral AI dostrojona do wykonywania instrukcji. Producent pozycjonuje ją do kompaktowych aplikacji opartych na instrukcjach, w tym tworzenia podpisów obrazów, klasyfikacji tekstu, ekstrakcji danych, tłumaczenia i krótkich treści. Udostępniony checkpoint wykorzystuje precyzję FP8 i łączy przetwarzanie tekstu z komponentem wejścia wizualnego.\n\nKomponenty i możliwości modelu\n\nKarta wymienia model językowy o 3,4 mld parametrów oraz enkoder wizyjny o 0,4 mld parametrów. Dokumentuje okno kontekstowe o wielkości 256 tys. tokenów, z domyślną skonfigurowaną długością 262 144 podaną w uwagach dotyczących użycia. Liczby parametrów komponentów dotyczą edycji 3B, a nie wariantów rodziny 8B lub 14B. Model przyjmuje tekst i obrazy oraz generuje tekst, w tym rekordy w formacie JSON lub proponowane wywołania funkcji.\n\nProducent opisuje obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, hiszpańskiego, niemieckiego, włoskiego, portugalskiego, niderlandzkiego, chińskiego, japońskiego, koreańskiego i arabskiego. Podkreśla również przestrzeganie promptów systemowych. Określ wymagany język wyniku oraz etykiety lub terminy, które muszą pozostać niezmienione. Dzięki temu przetłumaczone wyjaśnienie lub wyodrębniony rekord pozostaną zgodne z zamierzonym zastosowaniem aplikacji.\n\nUkierunkowana klasyfikacja i ekstrakcja\n\nW zadaniu klasyfikacyjnym podaj dozwolone etykiety, regułę ich rozróżniania oraz wiadomość do sklasyfikowania. Poproś o jedną wybraną etykietę i krótkie wyjaśnienie oparte na dostarczonej wiadomości. Jeśli etykiety są niejednoznaczne, zdefiniuj informacje, które pozwolą je rozróżnić, zamiast polegać wyłącznie na ich nazwach. Powstanie zwięzły wynik, który można spójnie wykorzystywać w większym przepływie pracy.\n\nW przypadku ekstrakcji wymień pola i ich typy oraz wskaż sposób przedstawiania brakujących informacji. Żądanie może dotyczyć identyfikatora elementu, wyraźnie opisanego stanu i działania, o które prosi użytkownik. Wymagaj brzmienia źródłowego, gdy istotne jest dokładne sformułowanie, albo wartości znormalizowanej, gdy aplikacja dostarcza regułę normalizacji. Wynik JSON porządkuje rezultat; projekt pól pozostaje częścią zadania, a nie wbudowanym uniwersalnym schematem.\n\nKarta wymienia również tworzenie podpisów obrazów i generowanie krótkich treści. Dla podpisu określ aspekt obrazu do opisania oraz odbiorców. Dla krótkiego wyjaśnienia podaj fakty do zachowania i pożądaną długość. Odpowiedź w stylu obsługi klienta może wykorzystać oryginalne pytanie i dostarczone wskazówki, aby przedstawić zwięzły kolejny krok wraz z warunkiem jego zastosowania.\n\nPrzygotowanie materiałów wizualnych i wielojęzycznych\n\nDołącz do obrazu jasne pytanie tekstowe. W przypadku pola dokumentu zachowaj etykietę, wartość i otaczający kontekst potrzebny do interpretacji. W przypadku opisu obiektu określ, która widoczna cecha ma znaczenie. Producent zaleca proporcje obrazu zbliżone do 1:1 i unikanie bardzo wąskich lub szerokich materiałów; w razie potrzeby przytnij obraz bez usuwania dowodów, na których opiera się pytanie.\n\nW przypadku tłumaczenia podaj tekst oryginalny, język docelowy i ewentualną listę terminów. Poproś o przetłumaczony fragment oddzielnie od opcjonalnego wyjaśnienia. Wielojęzyczne zadanie klasyfikacyjne może zachować etykiety aplikacji bez zmian, wyjaśniając wybór etykiety w języku czytelnika. Są to zdefiniowane wyniki, a nie prośba o luźne omówienie wiadomości lub obrazu.\n\nNarzędzia i zalecane ustawienia\n\nNatywne wywoływanie funkcji umożliwia aplikacji powiązanie rozmowy z opisaną operacją. Model przygotowuje argumenty funkcji, aplikacja ją wykonuje, a jej wynik staje się informacją dla kolejnej odpowiedzi. Wyszukiwanie może dostarczyć brakującą wartość, a narzędzie obliczeniowe może operować na wartościach rozpoznanych na obrazie. Sam model tekstowy nie wykonuje funkcji jedynie przez wygenerowanie jej nazwy i argumentów.\n\nProducent zaleca instrukcję systemową definiującą środowisko i zastosowanie, w tym wskazówki dotyczące narzędzi. Opisy narzędzi powinny być jasne, a ich zestaw ograniczony do minimum istotnych operacji. Dla wyspecjalizowanego asystenta jawne zadanie ekstrakcji lub wyszukiwania może być łatwiejsze do zinterpretowania niż prompt zawierający wiele niepowiązanych funkcji bez reguły wyboru.\n\nKarta podaje wskazówki dotyczące niskiej temperatury: poniżej 0.1 do codziennych zastosowań i pracy produkcyjnej oraz temperaturę początkową 0.1 dla większości zastosowań w osobnej uwadze dotyczącej próbkowania. Wyższe wartości można badać przy treściach kreatywnych. Zalecenia te mają różne określone zakresy; nie gwarantują, że jedno ustawienie próbkowania zapewni poprawność każdej wyodrębnionej wartości lub klasyfikacji.\n\nZakres edycji i kontekstu\n\nMinistral 3 oferuje osobne wydania Base, Instruct i Reasoning dla każdego rozmiaru modelu. Ten wpis wskazuje checkpoint Instruct 2512, a nie automatycznie włączony tryb rozumowania ani bazę po wstępnym treningu. Producent wymienia specjalizację i dostrajanie jako możliwe zastosowania, natomiast bieżące zadanie oparte na instrukcji nadal wymaga jasno określonych danych wejściowych, reguł i wyniku.\n\nUtrzymuj istotne materiały źródłowe i rozmowę w obrębie skonfigurowanego kontekstu oraz żądaj zwięzłego wyniku potrzebnego w kolejnym kroku aplikacji. Uwagi dotyczące użycia pozwalają zmniejszyć skonfigurowaną długość kontekstu dla zadań, które nie potrzebują całego okna. Przykład generowania 512 tokenów i duży przykładowy limit generacji nie stanowią osobno udokumentowanych maksymalnych długości odpowiedzi. Generowanie obrazów, wyjście audio i działania zewnętrzne wymagają innych komponentów poza tym modelem zwracającym tekst.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 to kompaktowy, wielojęzyczny model przyjmujący tekst i obrazy, przeznaczony do klasyfikacji, ekstrakcji, podpisów obrazów i krótkich treści. Jego komponent językowy o 3,4 mld parametrów i enkoder wizyjny o 0,4 mld parametrów obsługują instrukcje systemowe, JSON, wywołania funkcji oraz kontekst producenta wynoszący 256 tys. tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Ministral 3 3B Instruct 2512 to najmniejsza edycja rodziny Ministral 3 firmy Mistral AI dostrojona do wykonywania instrukcji. Producent pozycjonuje ją do kompaktowych aplikacji opartych na instrukcjach, w tym tworzenia podpisów obrazów, klasyfikacji tekstu, ekstrakcji danych, tłumaczenia i krótkich treści. Udostępniony checkpoint wykorzystuje precyzję FP8 i łączy przetwarzanie tekstu z komponentem wejścia wizualnego.
Komponenty i możliwości modelu
Karta wymienia model językowy o 3,4 mld parametrów oraz enkoder wizyjny o 0,4 mld parametrów. Dokumentuje okno kontekstowe o wielkości 256 tys. tokenów, z domyślną skonfigurowaną długością 262 144 podaną w uwagach dotyczących użycia. Liczby parametrów komponentów dotyczą edycji 3B, a nie wariantów rodziny 8B lub 14B. Model przyjmuje tekst i obrazy oraz generuje tekst, w tym rekordy w formacie JSON lub proponowane wywołania funkcji.
Producent opisuje obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, hiszpańskiego, niemieckiego, włoskiego, portugalskiego, niderlandzkiego, chińskiego, japońskiego, koreańskiego i arabskiego. Podkreśla również przestrzeganie promptów systemowych. Określ wymagany język wyniku oraz etykiety lub terminy, które muszą pozostać niezmienione. Dzięki temu przetłumaczone wyjaśnienie lub wyodrębniony rekord pozostaną zgodne z zamierzonym zastosowaniem aplikacji.
Ukierunkowana klasyfikacja i ekstrakcja
W zadaniu klasyfikacyjnym podaj dozwolone etykiety, regułę ich rozróżniania oraz wiadomość do sklasyfikowania. Poproś o jedną wybraną etykietę i krótkie wyjaśnienie oparte na dostarczonej wiadomości. Jeśli etykiety są niejednoznaczne, zdefiniuj informacje, które pozwolą je rozróżnić, zamiast polegać wyłącznie na ich nazwach. Powstanie zwięzły wynik, który można spójnie wykorzystywać w większym przepływie pracy.
W przypadku ekstrakcji wymień pola i ich typy oraz wskaż sposób przedstawiania brakujących informacji. Żądanie może dotyczyć identyfikatora elementu, wyraźnie opisanego stanu i działania, o które prosi użytkownik. Wymagaj brzmienia źródłowego, gdy istotne jest dokładne sformułowanie, albo wartości znormalizowanej, gdy aplikacja dostarcza regułę normalizacji. Wynik JSON porządkuje rezultat; projekt pól pozostaje częścią zadania, a nie wbudowanym uniwersalnym schematem.
Karta wymienia również tworzenie podpisów obrazów i generowanie krótkich treści. Dla podpisu określ aspekt obrazu do opisania oraz odbiorców. Dla krótkiego wyjaśnienia podaj fakty do zachowania i pożądaną długość. Odpowiedź w stylu obsługi klienta może wykorzystać oryginalne pytanie i dostarczone wskazówki, aby przedstawić zwięzły kolejny krok wraz z warunkiem jego zastosowania.
Przygotowanie materiałów wizualnych i wielojęzycznych
Dołącz do obrazu jasne pytanie tekstowe. W przypadku pola dokumentu zachowaj etykietę, wartość i otaczający kontekst potrzebny do interpretacji. W przypadku opisu obiektu określ, która widoczna cecha ma znaczenie. Producent zaleca proporcje obrazu zbliżone do 1:1 i unikanie bardzo wąskich lub szerokich materiałów; w razie potrzeby przytnij obraz bez usuwania dowodów, na których opiera się pytanie.
W przypadku tłumaczenia podaj tekst oryginalny, język docelowy i ewentualną listę terminów. Poproś o przetłumaczony fragment oddzielnie od opcjonalnego wyjaśnienia. Wielojęzyczne zadanie klasyfikacyjne może zachować etykiety aplikacji bez zmian, wyjaśniając wybór etykiety w języku czytelnika. Są to zdefiniowane wyniki, a nie prośba o luźne omówienie wiadomości lub obrazu.
Narzędzia i zalecane ustawienia
Natywne wywoływanie funkcji umożliwia aplikacji powiązanie rozmowy z opisaną operacją. Model przygotowuje argumenty funkcji, aplikacja ją wykonuje, a jej wynik staje się informacją dla kolejnej odpowiedzi. Wyszukiwanie może dostarczyć brakującą wartość, a narzędzie obliczeniowe może operować na wartościach rozpoznanych na obrazie. Sam model tekstowy nie wykonuje funkcji jedynie przez wygenerowanie jej nazwy i argumentów.
Producent zaleca instrukcję systemową definiującą środowisko i zastosowanie, w tym wskazówki dotyczące narzędzi. Opisy narzędzi powinny być jasne, a ich zestaw ograniczony do minimum istotnych operacji. Dla wyspecjalizowanego asystenta jawne zadanie ekstrakcji lub wyszukiwania może być łatwiejsze do zinterpretowania niż prompt zawierający wiele niepowiązanych funkcji bez reguły wyboru.
Karta podaje wskazówki dotyczące niskiej temperatury: poniżej 0.1 do codziennych zastosowań i pracy produkcyjnej oraz temperaturę początkową 0.1 dla większości zastosowań w osobnej uwadze dotyczącej próbkowania. Wyższe wartości można badać przy treściach kreatywnych. Zalecenia te mają różne określone zakresy; nie gwarantują, że jedno ustawienie próbkowania zapewni poprawność każdej wyodrębnionej wartości lub klasyfikacji.
Zakres edycji i kontekstu
Ministral 3 oferuje osobne wydania Base, Instruct i Reasoning dla każdego rozmiaru modelu. Ten wpis wskazuje checkpoint Instruct 2512, a nie automatycznie włączony tryb rozumowania ani bazę po wstępnym treningu. Producent wymienia specjalizację i dostrajanie jako możliwe zastosowania, natomiast bieżące zadanie oparte na instrukcji nadal wymaga jasno określonych danych wejściowych, reguł i wyniku.
Utrzymuj istotne materiały źródłowe i rozmowę w obrębie skonfigurowanego kontekstu oraz żądaj zwięzłego wyniku potrzebnego w kolejnym kroku aplikacji. Uwagi dotyczące użycia pozwalają zmniejszyć skonfigurowaną długość kontekstu dla zadań, które nie potrzebują całego okna. Przykład generowania 512 tokenów i duży przykładowy limit generacji nie stanowią osobno udokumentowanych maksymalnych długości odpowiedzi. Generowanie obrazów, wyjście audio i działania zewnętrzne wymagają innych komponentów poza tym modelem zwracającym tekst.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/ministral-3b-2512 | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00066 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00066 / 1K tokenów Wejście · Odczyt cache $0.00002 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00066 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00066 / 1K tokenów Wejście · Odczyt cache $0.00002 / 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": "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 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 mistralai/ministral-3b-2512
Użyj ścieżek metod podanych powyżej.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 to kompaktowy, wielojęzyczny model przyjmujący tekst i obrazy, przeznaczony do klasyfikacji, ekstrakcji, podpisów obrazów i krótkich treści. Jego komponent językowy o 3,4 mld parametrów i enkoder wizyjny o 0,4 mld parametrów obsługują instrukcje systemowe, JSON, wywołania funkcji oraz kontekst producenta wynoszący 256 tys. tokenów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Ministral 3 3B Instruct 2512 to najmniejsza edycja rodziny Ministral 3 firmy Mistral AI dostrojona do wykonywania instrukcji. Producent pozycjonuje ją do kompaktowych aplikacji opartych na instrukcjach, w tym tworzenia podpisów obrazów, klasyfikacji tekstu, ekstrakcji danych, tłumaczenia i krótkich treści. Udostępniony checkpoint wykorzystuje precyzję FP8 i łączy przetwarzanie tekstu z komponentem wejścia wizualnego.
Komponenty i możliwości modelu
Karta wymienia model językowy o 3,4 mld parametrów oraz enkoder wizyjny o 0,4 mld parametrów. Dokumentuje okno kontekstowe o wielkości 256 tys. tokenów, z domyślną skonfigurowaną długością 262 144 podaną w uwagach dotyczących użycia. Liczby parametrów komponentów dotyczą edycji 3B, a nie wariantów rodziny 8B lub 14B. Model przyjmuje tekst i obrazy oraz generuje tekst, w tym rekordy w formacie JSON lub proponowane wywołania funkcji.
Producent opisuje obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, hiszpańskiego, niemieckiego, włoskiego, portugalskiego, niderlandzkiego, chińskiego, japońskiego, koreańskiego i arabskiego. Podkreśla również przestrzeganie promptów systemowych. Określ wymagany język wyniku oraz etykiety lub terminy, które muszą pozostać niezmienione. Dzięki temu przetłumaczone wyjaśnienie lub wyodrębniony rekord pozostaną zgodne z zamierzonym zastosowaniem aplikacji.
Ukierunkowana klasyfikacja i ekstrakcja
W zadaniu klasyfikacyjnym podaj dozwolone etykiety, regułę ich rozróżniania oraz wiadomość do sklasyfikowania. Poproś o jedną wybraną etykietę i krótkie wyjaśnienie oparte na dostarczonej wiadomości. Jeśli etykiety są niejednoznaczne, zdefiniuj informacje, które pozwolą je rozróżnić, zamiast polegać wyłącznie na ich nazwach. Powstanie zwięzły wynik, który można spójnie wykorzystywać w większym przepływie pracy.
W przypadku ekstrakcji wymień pola i ich typy oraz wskaż sposób przedstawiania brakujących informacji. Żądanie może dotyczyć identyfikatora elementu, wyraźnie opisanego stanu i działania, o które prosi użytkownik. Wymagaj brzmienia źródłowego, gdy istotne jest dokładne sformułowanie, albo wartości znormalizowanej, gdy aplikacja dostarcza regułę normalizacji. Wynik JSON porządkuje rezultat; projekt pól pozostaje częścią zadania, a nie wbudowanym uniwersalnym schematem.
Karta wymienia również tworzenie podpisów obrazów i generowanie krótkich treści. Dla podpisu określ aspekt obrazu do opisania oraz odbiorców. Dla krótkiego wyjaśnienia podaj fakty do zachowania i pożądaną długość. Odpowiedź w stylu obsługi klienta może wykorzystać oryginalne pytanie i dostarczone wskazówki, aby przedstawić zwięzły kolejny krok wraz z warunkiem jego zastosowania.
Przygotowanie materiałów wizualnych i wielojęzycznych
Dołącz do obrazu jasne pytanie tekstowe. W przypadku pola dokumentu zachowaj etykietę, wartość i otaczający kontekst potrzebny do interpretacji. W przypadku opisu obiektu określ, która widoczna cecha ma znaczenie. Producent zaleca proporcje obrazu zbliżone do 1:1 i unikanie bardzo wąskich lub szerokich materiałów; w razie potrzeby przytnij obraz bez usuwania dowodów, na których opiera się pytanie.
W przypadku tłumaczenia podaj tekst oryginalny, język docelowy i ewentualną listę terminów. Poproś o przetłumaczony fragment oddzielnie od opcjonalnego wyjaśnienia. Wielojęzyczne zadanie klasyfikacyjne może zachować etykiety aplikacji bez zmian, wyjaśniając wybór etykiety w języku czytelnika. Są to zdefiniowane wyniki, a nie prośba o luźne omówienie wiadomości lub obrazu.
Narzędzia i zalecane ustawienia
Natywne wywoływanie funkcji umożliwia aplikacji powiązanie rozmowy z opisaną operacją. Model przygotowuje argumenty funkcji, aplikacja ją wykonuje, a jej wynik staje się informacją dla kolejnej odpowiedzi. Wyszukiwanie może dostarczyć brakującą wartość, a narzędzie obliczeniowe może operować na wartościach rozpoznanych na obrazie. Sam model tekstowy nie wykonuje funkcji jedynie przez wygenerowanie jej nazwy i argumentów.
Producent zaleca instrukcję systemową definiującą środowisko i zastosowanie, w tym wskazówki dotyczące narzędzi. Opisy narzędzi powinny być jasne, a ich zestaw ograniczony do minimum istotnych operacji. Dla wyspecjalizowanego asystenta jawne zadanie ekstrakcji lub wyszukiwania może być łatwiejsze do zinterpretowania niż prompt zawierający wiele niepowiązanych funkcji bez reguły wyboru.
Karta podaje wskazówki dotyczące niskiej temperatury: poniżej 0.1 do codziennych zastosowań i pracy produkcyjnej oraz temperaturę początkową 0.1 dla większości zastosowań w osobnej uwadze dotyczącej próbkowania. Wyższe wartości można badać przy treściach kreatywnych. Zalecenia te mają różne określone zakresy; nie gwarantują, że jedno ustawienie próbkowania zapewni poprawność każdej wyodrębnionej wartości lub klasyfikacji.
Zakres edycji i kontekstu
Ministral 3 oferuje osobne wydania Base, Instruct i Reasoning dla każdego rozmiaru modelu. Ten wpis wskazuje checkpoint Instruct 2512, a nie automatycznie włączony tryb rozumowania ani bazę po wstępnym treningu. Producent wymienia specjalizację i dostrajanie jako możliwe zastosowania, natomiast bieżące zadanie oparte na instrukcji nadal wymaga jasno określonych danych wejściowych, reguł i wyniku.
Utrzymuj istotne materiały źródłowe i rozmowę w obrębie skonfigurowanego kontekstu oraz żądaj zwięzłego wyniku potrzebnego w kolejnym kroku aplikacji. Uwagi dotyczące użycia pozwalają zmniejszyć skonfigurowaną długość kontekstu dla zadań, które nie potrzebują całego okna. Przykład generowania 512 tokenów i duży przykładowy limit generacji nie stanowią osobno udokumentowanych maksymalnych długości odpowiedzi. Generowanie obrazów, wyjście audio i działania zewnętrzne wymagają innych komponentów poza tym modelem zwracającym tekst.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/ministral-3b-2512 | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00066 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00066 / 1K tokenów Wejście · Odczyt cache $0.00002 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00066 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00066 / 1K tokenów Wejście · Odczyt cache $0.00002 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 mistralai/ministral-3b-2512
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.