Ministral 3 8B Instruct 2512 to średniej wielkości model dostrojony do wykonywania instrukcji w rodzinie Ministral 3 firmy Mistral AI. Opublikowany checkpoint przeszedł trening uzupełniający do czatu i zadań instrukcyjnych w precyzji FP8. Łączy komponent językowy z enkoderem wizyjnym, przyjmując tekst i obrazy oraz zwracając tekst zamiast artefaktu obrazowego lub dźwiękowego.
Architektura i główne funkcje
Producent wymienia model językowy o 8,4 mld parametrów i enkoder wizyjny o 0,4 mld parametrów. Okno kontekstowe opisano jako 256 tys. tokenów, a opublikowane uwagi dotyczące użycia stosują domyślną skonfigurowaną długość 262 144. Opisuje to tę edycję rozmiaru 8B; mniejsze warianty 3B i większe 14B zachowują własne rozmiary komponentów i konfiguracje.
Wizja rozszerza wejście modelu poza pisemną rozmowę. Obraz dokumentu można połączyć z pytaniem o wybrane pole, akapit lub widoczną relację. Zrzut ekranu można połączyć z celem użytkownika i prośbą o wskazanie właściwego elementu sterującego. Poproś o obserwację potwierdzającą każdy wniosek, gdy odpowiedź zależy od szczegółu wizualnego, oraz zachowaj nagłówki, etykiety i jednostki potrzebne do interpretacji wycinka.
Karta opisuje pracę wielojęzyczną w kilkudziesięciu językach, w tym angielskim, francuskim, hiszpańskim, niemieckim, włoskim, portugalskim, niderlandzkim, chińskim, japońskim, koreańskim i arabskim. Wskazuje też przestrzeganie instrukcji systemowych, natywne wywoływanie funkcji i wynik JSON. Jawnie zdefiniuj język końcowy, rolę i wymagania wyniku, zamiast pozostawiać modelowi wywnioskowanie zamierzonego artefaktu z dużego wejścia.
Zadania dokumentowe, rozmowy i agenci
Zastosowania producenta obejmują interfejsy czatu, codziennych asystentów, opisy obrazów i dokumentów, tłumaczenie, generowanie treści i wyspecjalizowanych agentów. Dla asystenta dokumentowego dostarcz stronę i określ informacje do zwrócenia. Żądanie ekstrakcji może wskazywać etykiety pól, oczekiwane typy i sposób traktowania brakujących wartości. Przydatna odpowiedź może zawierać identyfikator dokumentu, wyodrębnioną wartość i krótkie wyjaśnienie powiązane z widocznym źródłem.
W trwającej rozmowie zachowaj istotną wcześniejszą odpowiedź i zadaj ukierunkowane pytanie uzupełniające. Użytkownik może najpierw poprosić o podsumowanie dokumentu, a następnie zapytać, które stwierdzenie potwierdza jeden wniosek. Zmienia to wymagany wynik z ogólnego przeglądu na wyjaśnienie powiązane ze źródłem, przy zachowaniu oryginalnego materiału i celu dialogu.
Dla edycji wielojęzycznej podaj oryginalny fragment, docelowego czytelnika i listę terminów. Poproś o zmienioną wersję zachowującą nazwy, warunki i jednostki, a następnie, jeśli jest to przydatne, o krótkie wyjaśnienie zmian. Przy generowaniu treści określ odbiorców i fakty, które powinny się pojawić, zanim poprosisz o krótki projekt tekstu lub alternatywne sformułowanie.
W zadaniu agentowym aplikacja dostarcza narzędzia i ich parametry. Model może wybrać funkcję i przygotować argumenty, a aplikacja ją wykonuje i zwraca wynik. Przykład funkcji w karcie łączy pytanie o obraz z narzędziem obliczeniowym. Zachowaj wynik narzędzia oddzielnie od proponowanego wywołania, aby późniejsza odpowiedź pisemna wykorzystywała informacje rzeczywiście zwrócone przez operację.
Zalecane przygotowanie i ustawienia
Producent zaleca instrukcję systemową opisującą środowisko, zastosowanie i sposób używania narzędzi. Zestaw narzędzi powinien być dobrze zdefiniowany i ograniczony do minimum potrzebnego w zadaniu. Niewielki przepływ wyszukiwania może oferować funkcje istotne dla bieżącego pytania, z jasno nazwanymi wymaganymi argumentami, zamiast prezentować dużą kolekcję niepowiązanych operacji.
Do codziennych zastosowań i pracy produkcyjnej karta zaleca temperaturę poniżej 0.1, z wyższymi temperaturami dostępnymi do twórczych eksperymentów. Traktuj to jako zalecenie dla przepływu instrukcyjnego, a nie osobny mechanizm kontroli trybu rozumowania. Rodzina ma odrębne checkpointy Base, Instruct i Reasoning; ten wpis dotyczy edycji Instruct 2512, a nie osobnego wydania Reasoning tego samego rozmiaru.
Dla obrazów producent zaleca proporcje bliskie 1:1 i unikanie bardzo wąskich lub bardzo szerokich materiałów. Przycinaj w razie potrzeby, zachowując etykiety i kontekst wymagane przez pytanie. Jeśli strona zawiera kilka niepowiązanych obszarów, wskaż część do zbadania i wynik do zwrócenia. Czytelny, ukierunkowany obraz jest bardziej przydatny niż prośba, by model zgadł, który drobny szczegół na szerokiej stronie ma znaczenie.
Zakres kontekstu i edycji
Planuj tekst, obrazy, rozmowę i pożądaną odpowiedź w obrębie skonfigurowanego kontekstu. Uwagi dotyczące użycia wyraźnie dopuszczają zmniejszenie skonfigurowanej długości modelu, gdy potrzebny jest krótszy kontekst, więc pełne okno nie jest instrukcją zapełniania każdego żądania wszystkimi dostępnymi materiałami. Przykład generowania 512 tokenów w karcie jest tylko przykładowym ustawieniem, a przeczytane źródła nie ustalają osobnej sztywnej maksymalnej długości odpowiedzi.
Checkpoint FP8 Instruct, wstępnie wytrenowane wydanie Base i wydanie Reasoning to odrębne edycje. Producent opisuje też specjalizację i dostrajanie jako zastosowania. Zachowaj wskazany checkpoint i jego tokenizer podczas przygotowywania rozmowy oraz odróżniaj generowanie tekstu od dostępu do repozytorium, wykonywania funkcji lub innych działań zapewnianych przez otaczającą aplikację.
", "aboutText": "Ministral 3 8B Instruct 2512 to średniej wielkości model dostrojony do wykonywania instrukcji w rodzinie Ministral 3 firmy Mistral AI. Opublikowany checkpoint przeszedł trening uzupełniający do czatu i zadań instrukcyjnych w precyzji FP8. Łączy komponent językowy z enkoderem wizyjnym, przyjmując tekst i obrazy oraz zwracając tekst zamiast artefaktu obrazowego lub dźwiękowego.\n\nArchitektura i główne funkcje\n\nProducent wymienia model językowy o 8,4 mld parametrów i enkoder wizyjny o 0,4 mld parametrów. Okno kontekstowe opisano jako 256 tys. tokenów, a opublikowane uwagi dotyczące użycia stosują domyślną skonfigurowaną długość 262 144. Opisuje to tę edycję rozmiaru 8B; mniejsze warianty 3B i większe 14B zachowują własne rozmiary komponentów i konfiguracje.\n\nWizja rozszerza wejście modelu poza pisemną rozmowę. Obraz dokumentu można połączyć z pytaniem o wybrane pole, akapit lub widoczną relację. Zrzut ekranu można połączyć z celem użytkownika i prośbą o wskazanie właściwego elementu sterującego. Poproś o obserwację potwierdzającą każdy wniosek, gdy odpowiedź zależy od szczegółu wizualnego, oraz zachowaj nagłówki, etykiety i jednostki potrzebne do interpretacji wycinka.\n\nKarta opisuje pracę wielojęzyczną w kilkudziesięciu językach, w tym angielskim, francuskim, hiszpańskim, niemieckim, włoskim, portugalskim, niderlandzkim, chińskim, japońskim, koreańskim i arabskim. Wskazuje też przestrzeganie instrukcji systemowych, natywne wywoływanie funkcji i wynik JSON. Jawnie zdefiniuj język końcowy, rolę i wymagania wyniku, zamiast pozostawiać modelowi wywnioskowanie zamierzonego artefaktu z dużego wejścia.\n\nZadania dokumentowe, rozmowy i agenci\n\nZastosowania producenta obejmują interfejsy czatu, codziennych asystentów, opisy obrazów i dokumentów, tłumaczenie, generowanie treści i wyspecjalizowanych agentów. Dla asystenta dokumentowego dostarcz stronę i określ informacje do zwrócenia. Żądanie ekstrakcji może wskazywać etykiety pól, oczekiwane typy i sposób traktowania brakujących wartości. Przydatna odpowiedź może zawierać identyfikator dokumentu, wyodrębnioną wartość i krótkie wyjaśnienie powiązane z widocznym źródłem.\n\nW trwającej rozmowie zachowaj istotną wcześniejszą odpowiedź i zadaj ukierunkowane pytanie uzupełniające. Użytkownik może najpierw poprosić o podsumowanie dokumentu, a następnie zapytać, które stwierdzenie potwierdza jeden wniosek. Zmienia to wymagany wynik z ogólnego przeglądu na wyjaśnienie powiązane ze źródłem, przy zachowaniu oryginalnego materiału i celu dialogu.\n\nDla edycji wielojęzycznej podaj oryginalny fragment, docelowego czytelnika i listę terminów. Poproś o zmienioną wersję zachowującą nazwy, warunki i jednostki, a następnie, jeśli jest to przydatne, o krótkie wyjaśnienie zmian. Przy generowaniu treści określ odbiorców i fakty, które powinny się pojawić, zanim poprosisz o krótki projekt tekstu lub alternatywne sformułowanie.\n\nW zadaniu agentowym aplikacja dostarcza narzędzia i ich parametry. Model może wybrać funkcję i przygotować argumenty, a aplikacja ją wykonuje i zwraca wynik. Przykład funkcji w karcie łączy pytanie o obraz z narzędziem obliczeniowym. Zachowaj wynik narzędzia oddzielnie od proponowanego wywołania, aby późniejsza odpowiedź pisemna wykorzystywała informacje rzeczywiście zwrócone przez operację.\n\nZalecane przygotowanie i ustawienia\n\nProducent zaleca instrukcję systemową opisującą środowisko, zastosowanie i sposób używania narzędzi. Zestaw narzędzi powinien być dobrze zdefiniowany i ograniczony do minimum potrzebnego w zadaniu. Niewielki przepływ wyszukiwania może oferować funkcje istotne dla bieżącego pytania, z jasno nazwanymi wymaganymi argumentami, zamiast prezentować dużą kolekcję niepowiązanych operacji.\n\nDo codziennych zastosowań i pracy produkcyjnej karta zaleca temperaturę poniżej 0.1, z wyższymi temperaturami dostępnymi do twórczych eksperymentów. Traktuj to jako zalecenie dla przepływu instrukcyjnego, a nie osobny mechanizm kontroli trybu rozumowania. Rodzina ma odrębne checkpointy Base, Instruct i Reasoning; ten wpis dotyczy edycji Instruct 2512, a nie osobnego wydania Reasoning tego samego rozmiaru.\n\nDla obrazów producent zaleca proporcje bliskie 1:1 i unikanie bardzo wąskich lub bardzo szerokich materiałów. Przycinaj w razie potrzeby, zachowując etykiety i kontekst wymagane przez pytanie. Jeśli strona zawiera kilka niepowiązanych obszarów, wskaż część do zbadania i wynik do zwrócenia. Czytelny, ukierunkowany obraz jest bardziej przydatny niż prośba, by model zgadł, który drobny szczegół na szerokiej stronie ma znaczenie.\n\nZakres kontekstu i edycji\n\nPlanuj tekst, obrazy, rozmowę i pożądaną odpowiedź w obrębie skonfigurowanego kontekstu. Uwagi dotyczące użycia wyraźnie dopuszczają zmniejszenie skonfigurowanej długości modelu, gdy potrzebny jest krótszy kontekst, więc pełne okno nie jest instrukcją zapełniania każdego żądania wszystkimi dostępnymi materiałami. Przykład generowania 512 tokenów w karcie jest tylko przykładowym ustawieniem, a przeczytane źródła nie ustalają osobnej sztywnej maksymalnej długości odpowiedzi.\n\nCheckpoint FP8 Instruct, wstępnie wytrenowane wydanie Base i wydanie Reasoning to odrębne edycje. Producent opisuje też specjalizację i dostrajanie jako zastosowania. Zachowaj wskazany checkpoint i jego tokenizer podczas przygotowywania rozmowy oraz odróżniaj generowanie tekstu od dostępu do repozytorium, wykonywania funkcji lub innych działań zapewnianych przez otaczającą aplikację.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 to wielojęzyczny model instrukcyjny przyjmujący tekst i obrazy, z komponentem językowym o 8,4 mld parametrów i enkoderem wizyjnym o 0,4 mld parametrów. Obsługuje kontekst producenta o wielkości 256 tys. tokenów, instrukcje systemowe, JSON i natywne wywoływanie funkcji dla asystentów i pracy z dokumentami.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Ministral 3 8B Instruct 2512 to średniej wielkości model dostrojony do wykonywania instrukcji w rodzinie Ministral 3 firmy Mistral AI. Opublikowany checkpoint przeszedł trening uzupełniający do czatu i zadań instrukcyjnych w precyzji FP8. Łączy komponent językowy z enkoderem wizyjnym, przyjmując tekst i obrazy oraz zwracając tekst zamiast artefaktu obrazowego lub dźwiękowego.
Architektura i główne funkcje
Producent wymienia model językowy o 8,4 mld parametrów i enkoder wizyjny o 0,4 mld parametrów. Okno kontekstowe opisano jako 256 tys. tokenów, a opublikowane uwagi dotyczące użycia stosują domyślną skonfigurowaną długość 262 144. Opisuje to tę edycję rozmiaru 8B; mniejsze warianty 3B i większe 14B zachowują własne rozmiary komponentów i konfiguracje.
Wizja rozszerza wejście modelu poza pisemną rozmowę. Obraz dokumentu można połączyć z pytaniem o wybrane pole, akapit lub widoczną relację. Zrzut ekranu można połączyć z celem użytkownika i prośbą o wskazanie właściwego elementu sterującego. Poproś o obserwację potwierdzającą każdy wniosek, gdy odpowiedź zależy od szczegółu wizualnego, oraz zachowaj nagłówki, etykiety i jednostki potrzebne do interpretacji wycinka.
Karta opisuje pracę wielojęzyczną w kilkudziesięciu językach, w tym angielskim, francuskim, hiszpańskim, niemieckim, włoskim, portugalskim, niderlandzkim, chińskim, japońskim, koreańskim i arabskim. Wskazuje też przestrzeganie instrukcji systemowych, natywne wywoływanie funkcji i wynik JSON. Jawnie zdefiniuj język końcowy, rolę i wymagania wyniku, zamiast pozostawiać modelowi wywnioskowanie zamierzonego artefaktu z dużego wejścia.
Zadania dokumentowe, rozmowy i agenci
Zastosowania producenta obejmują interfejsy czatu, codziennych asystentów, opisy obrazów i dokumentów, tłumaczenie, generowanie treści i wyspecjalizowanych agentów. Dla asystenta dokumentowego dostarcz stronę i określ informacje do zwrócenia. Żądanie ekstrakcji może wskazywać etykiety pól, oczekiwane typy i sposób traktowania brakujących wartości. Przydatna odpowiedź może zawierać identyfikator dokumentu, wyodrębnioną wartość i krótkie wyjaśnienie powiązane z widocznym źródłem.
W trwającej rozmowie zachowaj istotną wcześniejszą odpowiedź i zadaj ukierunkowane pytanie uzupełniające. Użytkownik może najpierw poprosić o podsumowanie dokumentu, a następnie zapytać, które stwierdzenie potwierdza jeden wniosek. Zmienia to wymagany wynik z ogólnego przeglądu na wyjaśnienie powiązane ze źródłem, przy zachowaniu oryginalnego materiału i celu dialogu.
Dla edycji wielojęzycznej podaj oryginalny fragment, docelowego czytelnika i listę terminów. Poproś o zmienioną wersję zachowującą nazwy, warunki i jednostki, a następnie, jeśli jest to przydatne, o krótkie wyjaśnienie zmian. Przy generowaniu treści określ odbiorców i fakty, które powinny się pojawić, zanim poprosisz o krótki projekt tekstu lub alternatywne sformułowanie.
W zadaniu agentowym aplikacja dostarcza narzędzia i ich parametry. Model może wybrać funkcję i przygotować argumenty, a aplikacja ją wykonuje i zwraca wynik. Przykład funkcji w karcie łączy pytanie o obraz z narzędziem obliczeniowym. Zachowaj wynik narzędzia oddzielnie od proponowanego wywołania, aby późniejsza odpowiedź pisemna wykorzystywała informacje rzeczywiście zwrócone przez operację.
Zalecane przygotowanie i ustawienia
Producent zaleca instrukcję systemową opisującą środowisko, zastosowanie i sposób używania narzędzi. Zestaw narzędzi powinien być dobrze zdefiniowany i ograniczony do minimum potrzebnego w zadaniu. Niewielki przepływ wyszukiwania może oferować funkcje istotne dla bieżącego pytania, z jasno nazwanymi wymaganymi argumentami, zamiast prezentować dużą kolekcję niepowiązanych operacji.
Do codziennych zastosowań i pracy produkcyjnej karta zaleca temperaturę poniżej 0.1, z wyższymi temperaturami dostępnymi do twórczych eksperymentów. Traktuj to jako zalecenie dla przepływu instrukcyjnego, a nie osobny mechanizm kontroli trybu rozumowania. Rodzina ma odrębne checkpointy Base, Instruct i Reasoning; ten wpis dotyczy edycji Instruct 2512, a nie osobnego wydania Reasoning tego samego rozmiaru.
Dla obrazów producent zaleca proporcje bliskie 1:1 i unikanie bardzo wąskich lub bardzo szerokich materiałów. Przycinaj w razie potrzeby, zachowując etykiety i kontekst wymagane przez pytanie. Jeśli strona zawiera kilka niepowiązanych obszarów, wskaż część do zbadania i wynik do zwrócenia. Czytelny, ukierunkowany obraz jest bardziej przydatny niż prośba, by model zgadł, który drobny szczegół na szerokiej stronie ma znaczenie.
Zakres kontekstu i edycji
Planuj tekst, obrazy, rozmowę i pożądaną odpowiedź w obrębie skonfigurowanego kontekstu. Uwagi dotyczące użycia wyraźnie dopuszczają zmniejszenie skonfigurowanej długości modelu, gdy potrzebny jest krótszy kontekst, więc pełne okno nie jest instrukcją zapełniania każdego żądania wszystkimi dostępnymi materiałami. Przykład generowania 512 tokenów w karcie jest tylko przykładowym ustawieniem, a przeczytane źródła nie ustalają osobnej sztywnej maksymalnej długości odpowiedzi.
Checkpoint FP8 Instruct, wstępnie wytrenowane wydanie Base i wydanie Reasoning to odrębne edycje. Producent opisuje też specjalizację i dostrajanie jako zastosowania. Zachowaj wskazany checkpoint i jego tokenizer podczas przygotowywania rozmowy oraz odróżniaj generowanie tekstu od dostępu do repozytorium, wykonywania funkcji lub innych działań zapewnianych przez otaczającą aplikację.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-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 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-8b-2512
Użyj ścieżek metod podanych powyżej.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 to wielojęzyczny model instrukcyjny przyjmujący tekst i obrazy, z komponentem językowym o 8,4 mld parametrów i enkoderem wizyjnym o 0,4 mld parametrów. Obsługuje kontekst producenta o wielkości 256 tys. tokenów, instrukcje systemowe, JSON i natywne wywoływanie funkcji dla asystentów i pracy z dokumentami.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Ministral 3 8B Instruct 2512 to średniej wielkości model dostrojony do wykonywania instrukcji w rodzinie Ministral 3 firmy Mistral AI. Opublikowany checkpoint przeszedł trening uzupełniający do czatu i zadań instrukcyjnych w precyzji FP8. Łączy komponent językowy z enkoderem wizyjnym, przyjmując tekst i obrazy oraz zwracając tekst zamiast artefaktu obrazowego lub dźwiękowego.
Architektura i główne funkcje
Producent wymienia model językowy o 8,4 mld parametrów i enkoder wizyjny o 0,4 mld parametrów. Okno kontekstowe opisano jako 256 tys. tokenów, a opublikowane uwagi dotyczące użycia stosują domyślną skonfigurowaną długość 262 144. Opisuje to tę edycję rozmiaru 8B; mniejsze warianty 3B i większe 14B zachowują własne rozmiary komponentów i konfiguracje.
Wizja rozszerza wejście modelu poza pisemną rozmowę. Obraz dokumentu można połączyć z pytaniem o wybrane pole, akapit lub widoczną relację. Zrzut ekranu można połączyć z celem użytkownika i prośbą o wskazanie właściwego elementu sterującego. Poproś o obserwację potwierdzającą każdy wniosek, gdy odpowiedź zależy od szczegółu wizualnego, oraz zachowaj nagłówki, etykiety i jednostki potrzebne do interpretacji wycinka.
Karta opisuje pracę wielojęzyczną w kilkudziesięciu językach, w tym angielskim, francuskim, hiszpańskim, niemieckim, włoskim, portugalskim, niderlandzkim, chińskim, japońskim, koreańskim i arabskim. Wskazuje też przestrzeganie instrukcji systemowych, natywne wywoływanie funkcji i wynik JSON. Jawnie zdefiniuj język końcowy, rolę i wymagania wyniku, zamiast pozostawiać modelowi wywnioskowanie zamierzonego artefaktu z dużego wejścia.
Zadania dokumentowe, rozmowy i agenci
Zastosowania producenta obejmują interfejsy czatu, codziennych asystentów, opisy obrazów i dokumentów, tłumaczenie, generowanie treści i wyspecjalizowanych agentów. Dla asystenta dokumentowego dostarcz stronę i określ informacje do zwrócenia. Żądanie ekstrakcji może wskazywać etykiety pól, oczekiwane typy i sposób traktowania brakujących wartości. Przydatna odpowiedź może zawierać identyfikator dokumentu, wyodrębnioną wartość i krótkie wyjaśnienie powiązane z widocznym źródłem.
W trwającej rozmowie zachowaj istotną wcześniejszą odpowiedź i zadaj ukierunkowane pytanie uzupełniające. Użytkownik może najpierw poprosić o podsumowanie dokumentu, a następnie zapytać, które stwierdzenie potwierdza jeden wniosek. Zmienia to wymagany wynik z ogólnego przeglądu na wyjaśnienie powiązane ze źródłem, przy zachowaniu oryginalnego materiału i celu dialogu.
Dla edycji wielojęzycznej podaj oryginalny fragment, docelowego czytelnika i listę terminów. Poproś o zmienioną wersję zachowującą nazwy, warunki i jednostki, a następnie, jeśli jest to przydatne, o krótkie wyjaśnienie zmian. Przy generowaniu treści określ odbiorców i fakty, które powinny się pojawić, zanim poprosisz o krótki projekt tekstu lub alternatywne sformułowanie.
W zadaniu agentowym aplikacja dostarcza narzędzia i ich parametry. Model może wybrać funkcję i przygotować argumenty, a aplikacja ją wykonuje i zwraca wynik. Przykład funkcji w karcie łączy pytanie o obraz z narzędziem obliczeniowym. Zachowaj wynik narzędzia oddzielnie od proponowanego wywołania, aby późniejsza odpowiedź pisemna wykorzystywała informacje rzeczywiście zwrócone przez operację.
Zalecane przygotowanie i ustawienia
Producent zaleca instrukcję systemową opisującą środowisko, zastosowanie i sposób używania narzędzi. Zestaw narzędzi powinien być dobrze zdefiniowany i ograniczony do minimum potrzebnego w zadaniu. Niewielki przepływ wyszukiwania może oferować funkcje istotne dla bieżącego pytania, z jasno nazwanymi wymaganymi argumentami, zamiast prezentować dużą kolekcję niepowiązanych operacji.
Do codziennych zastosowań i pracy produkcyjnej karta zaleca temperaturę poniżej 0.1, z wyższymi temperaturami dostępnymi do twórczych eksperymentów. Traktuj to jako zalecenie dla przepływu instrukcyjnego, a nie osobny mechanizm kontroli trybu rozumowania. Rodzina ma odrębne checkpointy Base, Instruct i Reasoning; ten wpis dotyczy edycji Instruct 2512, a nie osobnego wydania Reasoning tego samego rozmiaru.
Dla obrazów producent zaleca proporcje bliskie 1:1 i unikanie bardzo wąskich lub bardzo szerokich materiałów. Przycinaj w razie potrzeby, zachowując etykiety i kontekst wymagane przez pytanie. Jeśli strona zawiera kilka niepowiązanych obszarów, wskaż część do zbadania i wynik do zwrócenia. Czytelny, ukierunkowany obraz jest bardziej przydatny niż prośba, by model zgadł, który drobny szczegół na szerokiej stronie ma znaczenie.
Zakres kontekstu i edycji
Planuj tekst, obrazy, rozmowę i pożądaną odpowiedź w obrębie skonfigurowanego kontekstu. Uwagi dotyczące użycia wyraźnie dopuszczają zmniejszenie skonfigurowanej długości modelu, gdy potrzebny jest krótszy kontekst, więc pełne okno nie jest instrukcją zapełniania każdego żądania wszystkimi dostępnymi materiałami. Przykład generowania 512 tokenów w karcie jest tylko przykładowym ustawieniem, a przeczytane źródła nie ustalają osobnej sztywnej maksymalnej długości odpowiedzi.
Checkpoint FP8 Instruct, wstępnie wytrenowane wydanie Base i wydanie Reasoning to odrębne edycje. Producent opisuje też specjalizację i dostrajanie jako zastosowania. Zachowaj wskazany checkpoint i jego tokenizer podczas przygotowywania rozmowy oraz odróżniaj generowanie tekstu od dostępu do repozytorium, wykonywania funkcji lub innych działań zapewnianych przez otaczającą aplikację.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-8b-2512
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.