Mistral Nemo Instruct 2407 to dostrojone do instrukcji wydanie modelu językowego Mistral Nemo o rozmiarze 12B. Dostrojono je na podstawie osobno nazwanego punktu kontrolnego Nemo Base 2407. Producent opisuje trening z dużym udziałem materiału wielojęzycznego i kodu oraz okno kontekstu 128k tokenów, wspierające pisemne instrukcje, rozmowę i zadania programistyczne.
Najważniejsze cechy i architektura
Wydanie udostępnia odrębne wersje po treningu wstępnym i dostrojone do instrukcji. Ten wpis dotyczy punktu kontrolnego Instruct: żądanie tekstowe może prosić o wyjaśnienie, poprawiony dokument, kod programu lub propozycję wywołania funkcji. Dostrajanie do instrukcji opisano jako poprawiające precyzyjne wykonywanie poleceń, rozumowanie, dialog wieloturowy i generowanie kodu względem wcześniejszej linii Mistral 7B.
Model ma 40 warstw Transformer i szerokość 5120. Korzysta z SwiGLU, 32 głów uwagi i 8 głów kluczy/wartości w uwadze grouped-query, wymiaru głowy 128 i wymiaru ukrytego 14 336. Osadzenia rotacyjne używają ustawienia theta równego milionowi. Opublikowany słownik ma 2 do potęgi 17 wpisów, czyli 131 072; rozmiar słownika jest odrębny od oznaczenia kontekstu zadania 128k.
Ogłoszenie producenta opisuje również trening uwzględniający kwantyzację i wnioskowanie FP8. To cechy wydania i precyzji, a nie dodatkowe modalności treści. Zachowuj dokładny punkt kontrolny i odpowiedni tokenizer, zamiast traktować inny model 12B lub model rodziny Mistral jako to samo wydanie.
Tekst wielojęzyczny i Tekken
Wydanie kładzie nacisk na angielski, francuski, niemiecki, hiszpański, włoski, portugalski, chiński, japoński, koreański, arabski i hindi, a rosyjski figuruje w metadanych językowych karty modelu. Przed żądaniem wyniku ustal język końcowy, odbiorców i terminologię. W zadaniu z wielojęzycznym dokumentem zachowuj nazwy, identyfikatory i jednostki, dostosowując otaczającą prozę.
Nemo używa tokenizera Tekken, trenowanego na ponad 100 językach i projektowanego do wydajnego reprezentowania języka naturalnego oraz kodu źródłowego. Tokenizer wpływa na zajętość kontekstu przez materiał, dlatego liczba znaków nie jest sama w sobie liczbą tokenów. Używaj odpowiedniego tokenizera i zachowuj razem istotny materiał zadania, zamiast szacować kontekst wyłącznie na podstawie widocznej długości fragmentu.
Przygotowanie instrukcji i kodu
Przy wyjaśnianiu dokumentu dostarcz fragment źródłowy i wskaż warunek lub termin do objaśnienia. Poproś o wyjaśnienie w języku czytelnika, zachowujące oryginalne nazwy i źródłowe stwierdzenie wspierające odpowiedź. Przy redakcji określ, jakie znaczenie i warunki muszą przetrwać zmianę oraz czy wynikiem ma być sam poprawiony fragment, czy fragment z wyjaśnieniem.
Przy zadaniu programistycznym określ język, typy wejścia, oczekiwane wyjście i istniejący interfejs. Dołącz funkcję lub deklaracje wyznaczające zmianę. Użyteczny wynik może zawierać implementację, jej założenia i przykładowe wejścia z oczekiwanymi wyjściami. Osobne pytanie może prosić o prześledzenie jednego wejścia przez dostarczony kod, tak aby wyjaśnienie dotyczyło konkretnej ścieżki, a nie nieokreślonego programu.
W rozmowie wieloturowej zachowaj istotną wcześniejszą odpowiedź i zadaj konkretne pytanie uzupełniające lub dostarcz nowy materiał zmieniający zadanie. Określ, czy kolejna odpowiedź ma poprawić wcześniejszy rezultat, wyjaśnić jedną decyzję czy inaczej przedstawić te same fakty źródłowe. Dzięki temu kontynuacja rozmowy jest jasno określona.
Wywoływanie funkcji i próbkowanie
Producent dokumentuje wywoływanie funkcji z użyciem odpowiedniego formatu rozmowy. Model generuje proponowaną operację i argumenty, a aplikacja wykonuje funkcję i dodaje wynik do rozmowy przed kolejnym generowaniem. Karta wyraźnie zaznacza, że skrócony przykład kodu nie pokazuje pełnego cyklu, więc brakujące etapy wykonania i zwrócenia wyniku pozostają niezbędną częścią aplikacji korzystającej z narzędzi.
W tym opublikowanym formacie narzędzi identyfikatory wywołań i odpowiadających im wyników mają dokładnie dziewięć znaków alfanumerycznych. Zachowuj powiązanie operacji z wynikiem przy przygotowywaniu rozmowy w formacie natywnym. Interfejs pośredniczący może przedstawiać rozmowę inaczej; wymaganie wydania dotyczy formatu modelu producenta, a nie wymyślonego uniwersalnego identyfikatora klienta.
Producent zaleca temperature 0.3 i zauważa, że Nemo używa niższych temperatur niż wcześniejsze modele Mistral. Ustawienia 64, 128, 256 i 1000 tokenów pokazywane w przykładach są wyborami generowania dla tych demonstracji, a nie niezależnie opublikowanymi maksymalnymi pojemnościami odpowiedzi.
Istotne ograniczenia
Karta Instruct opisuje ten punkt kontrolny jako demonstrację dostrajania bazy i wyraźnie stwierdza, że nie zawiera on mechanizmu moderacji. Aplikacje potrzebujące moderowanego zachowania muszą zapewnić je w otaczającym systemie. To właściwość opublikowanego punktu kontrolnego, a nie twierdzenie o każdej usłudze hostującej model Nemo.
Udokumentowanym zadaniem Nemo jest tutaj generowanie tekstu, z własnym kontekstem 128k i formatem rozmowy. Nie należy przypisywać temu wydaniu rozumienia obrazów, transkrypcji mowy ani hybrydowych ustawień rozumowania z późniejszych rodzin Mistral. Dostarcz pełny pisemny warunek, istotny materiał źródłowy i wymagany końcowy rezultat, aby wynik był użyteczny jako wyjaśnienie, poprawiony tekst lub proponowana implementacja.
", "aboutText": "Mistral Nemo Instruct 2407 to dostrojone do instrukcji wydanie modelu językowego Mistral Nemo o rozmiarze 12B. Dostrojono je na podstawie osobno nazwanego punktu kontrolnego Nemo Base 2407. Producent opisuje trening z dużym udziałem materiału wielojęzycznego i kodu oraz okno kontekstu 128k tokenów, wspierające pisemne instrukcje, rozmowę i zadania programistyczne.\n\nNajważniejsze cechy i architektura\n\nWydanie udostępnia odrębne wersje po treningu wstępnym i dostrojone do instrukcji. Ten wpis dotyczy punktu kontrolnego Instruct: żądanie tekstowe może prosić o wyjaśnienie, poprawiony dokument, kod programu lub propozycję wywołania funkcji. Dostrajanie do instrukcji opisano jako poprawiające precyzyjne wykonywanie poleceń, rozumowanie, dialog wieloturowy i generowanie kodu względem wcześniejszej linii Mistral 7B.\n\nModel ma 40 warstw Transformer i szerokość 5120. Korzysta z SwiGLU, 32 głów uwagi i 8 głów kluczy/wartości w uwadze grouped-query, wymiaru głowy 128 i wymiaru ukrytego 14 336. Osadzenia rotacyjne używają ustawienia theta równego milionowi. Opublikowany słownik ma 2 do potęgi 17 wpisów, czyli 131 072; rozmiar słownika jest odrębny od oznaczenia kontekstu zadania 128k.\n\nOgłoszenie producenta opisuje również trening uwzględniający kwantyzację i wnioskowanie FP8. To cechy wydania i precyzji, a nie dodatkowe modalności treści. Zachowuj dokładny punkt kontrolny i odpowiedni tokenizer, zamiast traktować inny model 12B lub model rodziny Mistral jako to samo wydanie.\n\nTekst wielojęzyczny i Tekken\n\nWydanie kładzie nacisk na angielski, francuski, niemiecki, hiszpański, włoski, portugalski, chiński, japoński, koreański, arabski i hindi, a rosyjski figuruje w metadanych językowych karty modelu. Przed żądaniem wyniku ustal język końcowy, odbiorców i terminologię. W zadaniu z wielojęzycznym dokumentem zachowuj nazwy, identyfikatory i jednostki, dostosowując otaczającą prozę.\n\nNemo używa tokenizera Tekken, trenowanego na ponad 100 językach i projektowanego do wydajnego reprezentowania języka naturalnego oraz kodu źródłowego. Tokenizer wpływa na zajętość kontekstu przez materiał, dlatego liczba znaków nie jest sama w sobie liczbą tokenów. Używaj odpowiedniego tokenizera i zachowuj razem istotny materiał zadania, zamiast szacować kontekst wyłącznie na podstawie widocznej długości fragmentu.\n\nPrzygotowanie instrukcji i kodu\n\nPrzy wyjaśnianiu dokumentu dostarcz fragment źródłowy i wskaż warunek lub termin do objaśnienia. Poproś o wyjaśnienie w języku czytelnika, zachowujące oryginalne nazwy i źródłowe stwierdzenie wspierające odpowiedź. Przy redakcji określ, jakie znaczenie i warunki muszą przetrwać zmianę oraz czy wynikiem ma być sam poprawiony fragment, czy fragment z wyjaśnieniem.\n\nPrzy zadaniu programistycznym określ język, typy wejścia, oczekiwane wyjście i istniejący interfejs. Dołącz funkcję lub deklaracje wyznaczające zmianę. Użyteczny wynik może zawierać implementację, jej założenia i przykładowe wejścia z oczekiwanymi wyjściami. Osobne pytanie może prosić o prześledzenie jednego wejścia przez dostarczony kod, tak aby wyjaśnienie dotyczyło konkretnej ścieżki, a nie nieokreślonego programu.\n\nW rozmowie wieloturowej zachowaj istotną wcześniejszą odpowiedź i zadaj konkretne pytanie uzupełniające lub dostarcz nowy materiał zmieniający zadanie. Określ, czy kolejna odpowiedź ma poprawić wcześniejszy rezultat, wyjaśnić jedną decyzję czy inaczej przedstawić te same fakty źródłowe. Dzięki temu kontynuacja rozmowy jest jasno określona.\n\nWywoływanie funkcji i próbkowanie\n\nProducent dokumentuje wywoływanie funkcji z użyciem odpowiedniego formatu rozmowy. Model generuje proponowaną operację i argumenty, a aplikacja wykonuje funkcję i dodaje wynik do rozmowy przed kolejnym generowaniem. Karta wyraźnie zaznacza, że skrócony przykład kodu nie pokazuje pełnego cyklu, więc brakujące etapy wykonania i zwrócenia wyniku pozostają niezbędną częścią aplikacji korzystającej z narzędzi.\n\nW tym opublikowanym formacie narzędzi identyfikatory wywołań i odpowiadających im wyników mają dokładnie dziewięć znaków alfanumerycznych. Zachowuj powiązanie operacji z wynikiem przy przygotowywaniu rozmowy w formacie natywnym. Interfejs pośredniczący może przedstawiać rozmowę inaczej; wymaganie wydania dotyczy formatu modelu producenta, a nie wymyślonego uniwersalnego identyfikatora klienta.\n\nProducent zaleca temperature 0.3 i zauważa, że Nemo używa niższych temperatur niż wcześniejsze modele Mistral. Ustawienia 64, 128, 256 i 1000 tokenów pokazywane w przykładach są wyborami generowania dla tych demonstracji, a nie niezależnie opublikowanymi maksymalnymi pojemnościami odpowiedzi.\n\nIstotne ograniczenia\n\nKarta Instruct opisuje ten punkt kontrolny jako demonstrację dostrajania bazy i wyraźnie stwierdza, że nie zawiera on mechanizmu moderacji. Aplikacje potrzebujące moderowanego zachowania muszą zapewnić je w otaczającym systemie. To właściwość opublikowanego punktu kontrolnego, a nie twierdzenie o każdej usłudze hostującej model Nemo.\n\nUdokumentowanym zadaniem Nemo jest tutaj generowanie tekstu, z własnym kontekstem 128k i formatem rozmowy. Nie należy przypisywać temu wydaniu rozumienia obrazów, transkrypcji mowy ani hybrydowych ustawień rozumowania z późniejszych rodzin Mistral. Dostarcz pełny pisemny warunek, istotny materiał źródłowy i wymagany końcowy rezultat, aby wynik był użyteczny jako wyjaśnienie, poprawiony tekst lub proponowana implementacja.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.mistralai/mistral-nemoMistral Nemo Instruct 2407 to wielojęzyczny model tekstowy o 12 mld parametrów do precyzyjnych instrukcji, rozmów wieloturowych i kodu. Ma kontekst producenta o wielkości 128 tys. tokenów, tokenizer Tekken, udokumentowane wywoływanie funkcji i odrębny checkpoint dostrojony do wykonywania instrukcji, z własnymi zaleceniami próbkowania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Nemo Instruct 2407 to dostrojone do instrukcji wydanie modelu językowego Mistral Nemo o rozmiarze 12B. Dostrojono je na podstawie osobno nazwanego punktu kontrolnego Nemo Base 2407. Producent opisuje trening z dużym udziałem materiału wielojęzycznego i kodu oraz okno kontekstu 128k tokenów, wspierające pisemne instrukcje, rozmowę i zadania programistyczne.
Najważniejsze cechy i architektura
Wydanie udostępnia odrębne wersje po treningu wstępnym i dostrojone do instrukcji. Ten wpis dotyczy punktu kontrolnego Instruct: żądanie tekstowe może prosić o wyjaśnienie, poprawiony dokument, kod programu lub propozycję wywołania funkcji. Dostrajanie do instrukcji opisano jako poprawiające precyzyjne wykonywanie poleceń, rozumowanie, dialog wieloturowy i generowanie kodu względem wcześniejszej linii Mistral 7B.
Model ma 40 warstw Transformer i szerokość 5120. Korzysta z SwiGLU, 32 głów uwagi i 8 głów kluczy/wartości w uwadze grouped-query, wymiaru głowy 128 i wymiaru ukrytego 14 336. Osadzenia rotacyjne używają ustawienia theta równego milionowi. Opublikowany słownik ma 2 do potęgi 17 wpisów, czyli 131 072; rozmiar słownika jest odrębny od oznaczenia kontekstu zadania 128k.
Ogłoszenie producenta opisuje również trening uwzględniający kwantyzację i wnioskowanie FP8. To cechy wydania i precyzji, a nie dodatkowe modalności treści. Zachowuj dokładny punkt kontrolny i odpowiedni tokenizer, zamiast traktować inny model 12B lub model rodziny Mistral jako to samo wydanie.
Tekst wielojęzyczny i Tekken
Wydanie kładzie nacisk na angielski, francuski, niemiecki, hiszpański, włoski, portugalski, chiński, japoński, koreański, arabski i hindi, a rosyjski figuruje w metadanych językowych karty modelu. Przed żądaniem wyniku ustal język końcowy, odbiorców i terminologię. W zadaniu z wielojęzycznym dokumentem zachowuj nazwy, identyfikatory i jednostki, dostosowując otaczającą prozę.
Nemo używa tokenizera Tekken, trenowanego na ponad 100 językach i projektowanego do wydajnego reprezentowania języka naturalnego oraz kodu źródłowego. Tokenizer wpływa na zajętość kontekstu przez materiał, dlatego liczba znaków nie jest sama w sobie liczbą tokenów. Używaj odpowiedniego tokenizera i zachowuj razem istotny materiał zadania, zamiast szacować kontekst wyłącznie na podstawie widocznej długości fragmentu.
Przygotowanie instrukcji i kodu
Przy wyjaśnianiu dokumentu dostarcz fragment źródłowy i wskaż warunek lub termin do objaśnienia. Poproś o wyjaśnienie w języku czytelnika, zachowujące oryginalne nazwy i źródłowe stwierdzenie wspierające odpowiedź. Przy redakcji określ, jakie znaczenie i warunki muszą przetrwać zmianę oraz czy wynikiem ma być sam poprawiony fragment, czy fragment z wyjaśnieniem.
Przy zadaniu programistycznym określ język, typy wejścia, oczekiwane wyjście i istniejący interfejs. Dołącz funkcję lub deklaracje wyznaczające zmianę. Użyteczny wynik może zawierać implementację, jej założenia i przykładowe wejścia z oczekiwanymi wyjściami. Osobne pytanie może prosić o prześledzenie jednego wejścia przez dostarczony kod, tak aby wyjaśnienie dotyczyło konkretnej ścieżki, a nie nieokreślonego programu.
W rozmowie wieloturowej zachowaj istotną wcześniejszą odpowiedź i zadaj konkretne pytanie uzupełniające lub dostarcz nowy materiał zmieniający zadanie. Określ, czy kolejna odpowiedź ma poprawić wcześniejszy rezultat, wyjaśnić jedną decyzję czy inaczej przedstawić te same fakty źródłowe. Dzięki temu kontynuacja rozmowy jest jasno określona.
Wywoływanie funkcji i próbkowanie
Producent dokumentuje wywoływanie funkcji z użyciem odpowiedniego formatu rozmowy. Model generuje proponowaną operację i argumenty, a aplikacja wykonuje funkcję i dodaje wynik do rozmowy przed kolejnym generowaniem. Karta wyraźnie zaznacza, że skrócony przykład kodu nie pokazuje pełnego cyklu, więc brakujące etapy wykonania i zwrócenia wyniku pozostają niezbędną częścią aplikacji korzystającej z narzędzi.
W tym opublikowanym formacie narzędzi identyfikatory wywołań i odpowiadających im wyników mają dokładnie dziewięć znaków alfanumerycznych. Zachowuj powiązanie operacji z wynikiem przy przygotowywaniu rozmowy w formacie natywnym. Interfejs pośredniczący może przedstawiać rozmowę inaczej; wymaganie wydania dotyczy formatu modelu producenta, a nie wymyślonego uniwersalnego identyfikatora klienta.
Producent zaleca temperature 0.3 i zauważa, że Nemo używa niższych temperatur niż wcześniejsze modele Mistral. Ustawienia 64, 128, 256 i 1000 tokenów pokazywane w przykładach są wyborami generowania dla tych demonstracji, a nie niezależnie opublikowanymi maksymalnymi pojemnościami odpowiedzi.
Istotne ograniczenia
Karta Instruct opisuje ten punkt kontrolny jako demonstrację dostrajania bazy i wyraźnie stwierdza, że nie zawiera on mechanizmu moderacji. Aplikacje potrzebujące moderowanego zachowania muszą zapewnić je w otaczającym systemie. To właściwość opublikowanego punktu kontrolnego, a nie twierdzenie o każdej usłudze hostującej model Nemo.
Udokumentowanym zadaniem Nemo jest tutaj generowanie tekstu, z własnym kontekstem 128k i formatem rozmowy. Nie należy przypisywać temu wydaniu rozumienia obrazów, transkrypcji mowy ani hybrydowych ustawień rozumowania z późniejszych rodzin Mistral. Dostarcz pełny pisemny warunek, istotny materiał źródłowy i wymagany końcowy rezultat, aby wynik był użyteczny jako wyjaśnienie, poprawiony tekst lub proponowana implementacja.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-nemo | 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0003 / 1K tokenów Wejście · Odczyt cache $0.00003 / 1K tokenów Wejście · Zapis do cache — / 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0003 / 1K tokenów Wejście · Odczyt cache $0.00003 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-nemo", "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/mistral-nemo',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/mistral-nemo',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/mistral-nemo
Użyj ścieżek metod podanych powyżej.
mistralai/mistral-nemoMistral Nemo Instruct 2407 to wielojęzyczny model tekstowy o 12 mld parametrów do precyzyjnych instrukcji, rozmów wieloturowych i kodu. Ma kontekst producenta o wielkości 128 tys. tokenów, tokenizer Tekken, udokumentowane wywoływanie funkcji i odrębny checkpoint dostrojony do wykonywania instrukcji, z własnymi zaleceniami próbkowania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Nemo Instruct 2407 to dostrojone do instrukcji wydanie modelu językowego Mistral Nemo o rozmiarze 12B. Dostrojono je na podstawie osobno nazwanego punktu kontrolnego Nemo Base 2407. Producent opisuje trening z dużym udziałem materiału wielojęzycznego i kodu oraz okno kontekstu 128k tokenów, wspierające pisemne instrukcje, rozmowę i zadania programistyczne.
Najważniejsze cechy i architektura
Wydanie udostępnia odrębne wersje po treningu wstępnym i dostrojone do instrukcji. Ten wpis dotyczy punktu kontrolnego Instruct: żądanie tekstowe może prosić o wyjaśnienie, poprawiony dokument, kod programu lub propozycję wywołania funkcji. Dostrajanie do instrukcji opisano jako poprawiające precyzyjne wykonywanie poleceń, rozumowanie, dialog wieloturowy i generowanie kodu względem wcześniejszej linii Mistral 7B.
Model ma 40 warstw Transformer i szerokość 5120. Korzysta z SwiGLU, 32 głów uwagi i 8 głów kluczy/wartości w uwadze grouped-query, wymiaru głowy 128 i wymiaru ukrytego 14 336. Osadzenia rotacyjne używają ustawienia theta równego milionowi. Opublikowany słownik ma 2 do potęgi 17 wpisów, czyli 131 072; rozmiar słownika jest odrębny od oznaczenia kontekstu zadania 128k.
Ogłoszenie producenta opisuje również trening uwzględniający kwantyzację i wnioskowanie FP8. To cechy wydania i precyzji, a nie dodatkowe modalności treści. Zachowuj dokładny punkt kontrolny i odpowiedni tokenizer, zamiast traktować inny model 12B lub model rodziny Mistral jako to samo wydanie.
Tekst wielojęzyczny i Tekken
Wydanie kładzie nacisk na angielski, francuski, niemiecki, hiszpański, włoski, portugalski, chiński, japoński, koreański, arabski i hindi, a rosyjski figuruje w metadanych językowych karty modelu. Przed żądaniem wyniku ustal język końcowy, odbiorców i terminologię. W zadaniu z wielojęzycznym dokumentem zachowuj nazwy, identyfikatory i jednostki, dostosowując otaczającą prozę.
Nemo używa tokenizera Tekken, trenowanego na ponad 100 językach i projektowanego do wydajnego reprezentowania języka naturalnego oraz kodu źródłowego. Tokenizer wpływa na zajętość kontekstu przez materiał, dlatego liczba znaków nie jest sama w sobie liczbą tokenów. Używaj odpowiedniego tokenizera i zachowuj razem istotny materiał zadania, zamiast szacować kontekst wyłącznie na podstawie widocznej długości fragmentu.
Przygotowanie instrukcji i kodu
Przy wyjaśnianiu dokumentu dostarcz fragment źródłowy i wskaż warunek lub termin do objaśnienia. Poproś o wyjaśnienie w języku czytelnika, zachowujące oryginalne nazwy i źródłowe stwierdzenie wspierające odpowiedź. Przy redakcji określ, jakie znaczenie i warunki muszą przetrwać zmianę oraz czy wynikiem ma być sam poprawiony fragment, czy fragment z wyjaśnieniem.
Przy zadaniu programistycznym określ język, typy wejścia, oczekiwane wyjście i istniejący interfejs. Dołącz funkcję lub deklaracje wyznaczające zmianę. Użyteczny wynik może zawierać implementację, jej założenia i przykładowe wejścia z oczekiwanymi wyjściami. Osobne pytanie może prosić o prześledzenie jednego wejścia przez dostarczony kod, tak aby wyjaśnienie dotyczyło konkretnej ścieżki, a nie nieokreślonego programu.
W rozmowie wieloturowej zachowaj istotną wcześniejszą odpowiedź i zadaj konkretne pytanie uzupełniające lub dostarcz nowy materiał zmieniający zadanie. Określ, czy kolejna odpowiedź ma poprawić wcześniejszy rezultat, wyjaśnić jedną decyzję czy inaczej przedstawić te same fakty źródłowe. Dzięki temu kontynuacja rozmowy jest jasno określona.
Wywoływanie funkcji i próbkowanie
Producent dokumentuje wywoływanie funkcji z użyciem odpowiedniego formatu rozmowy. Model generuje proponowaną operację i argumenty, a aplikacja wykonuje funkcję i dodaje wynik do rozmowy przed kolejnym generowaniem. Karta wyraźnie zaznacza, że skrócony przykład kodu nie pokazuje pełnego cyklu, więc brakujące etapy wykonania i zwrócenia wyniku pozostają niezbędną częścią aplikacji korzystającej z narzędzi.
W tym opublikowanym formacie narzędzi identyfikatory wywołań i odpowiadających im wyników mają dokładnie dziewięć znaków alfanumerycznych. Zachowuj powiązanie operacji z wynikiem przy przygotowywaniu rozmowy w formacie natywnym. Interfejs pośredniczący może przedstawiać rozmowę inaczej; wymaganie wydania dotyczy formatu modelu producenta, a nie wymyślonego uniwersalnego identyfikatora klienta.
Producent zaleca temperature 0.3 i zauważa, że Nemo używa niższych temperatur niż wcześniejsze modele Mistral. Ustawienia 64, 128, 256 i 1000 tokenów pokazywane w przykładach są wyborami generowania dla tych demonstracji, a nie niezależnie opublikowanymi maksymalnymi pojemnościami odpowiedzi.
Istotne ograniczenia
Karta Instruct opisuje ten punkt kontrolny jako demonstrację dostrajania bazy i wyraźnie stwierdza, że nie zawiera on mechanizmu moderacji. Aplikacje potrzebujące moderowanego zachowania muszą zapewnić je w otaczającym systemie. To właściwość opublikowanego punktu kontrolnego, a nie twierdzenie o każdej usłudze hostującej model Nemo.
Udokumentowanym zadaniem Nemo jest tutaj generowanie tekstu, z własnym kontekstem 128k i formatem rozmowy. Nie należy przypisywać temu wydaniu rozumienia obrazów, transkrypcji mowy ani hybrydowych ustawień rozumowania z późniejszych rodzin Mistral. Dostarcz pełny pisemny warunek, istotny materiał źródłowy i wymagany końcowy rezultat, aby wynik był użyteczny jako wyjaśnienie, poprawiony tekst lub proponowana implementacja.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-nemo | 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0003 / 1K tokenów Wejście · Odczyt cache $0.00003 / 1K tokenów Wejście · Zapis do cache — / 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 $0.0003 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0003 / 1K tokenów Wejście · Odczyt cache $0.00003 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/mistral-nemo",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/mistral-nemo', '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/mistral-nemo', '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/mistral-nemo
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Trace and repair a loop boundary\n\nTrace this Python function for n=3, then correct it to sum integers from 1 through n inclusively: def total(n): return sum(range(1, n)). Inputs are nonnegative integers. Preserve the total(n) interface. Return the corrected function and examples for n=0, n=1 and n=3, with expected outputs.A concise trace, a corrected function and three input/output examples.Check that n=0 remains zero and that the upper endpoint n is included for positive inputs.