Mistral Saba to wyspecjalizowany regionalny model tekstowy firmy Mistral AI, utworzony przez dostrojenie modelu z rodziny Small na starannie dobranych materiałach z Bliskiego Wschodu i Azji Południowej. Producent opisuje model o 24 mld parametrów, przeznaczony do odzwierciedlania regionalnego języka, kontekstu kulturowego i lokalnych form wypowiedzi. Otrzymuje pisemne zadanie i materiał źródłowy oraz zwraca tekst.
Regionalny język i kontekst
Opis wydania wyraźnie wskazuje arabski i wiele języków pochodzących z Indii, ze szczególną siłą w językach południowoindyjskich, takich jak tamilski. Jego ukierunkowanie jest bardziej szczegółowe niż samo zmienienie języka końcowego ogólnej odpowiedzi: materiały treningowe są wybierane dla regionalnego kontekstu językowego i kulturowego, w którym odpowiedź będzie używana.
Określ odbiorców, region, język i pożądany rejestr przed prośbą o wynik. Formalne wyjaśnienie, wiadomość dla klienta i fragment edukacyjny mogą wymagać różnej terminologii i form zwracania się do odbiorcy. Dostarcz słowniczek nazw produktów lub terminów specjalistycznych, które muszą pozostać spójne, i określ, czy wynik powinien zachować brzmienie źródła, czy dostosować wyjaśnienie do czytelnika.
Strona producenta podaje okno kontekstowe o wielkości 32 tys. tokenów i identyfikuje edycję jako mistral-saba-2502. Wykorzystuj kontekst na istotne fragmenty źródłowe, rozmowę i instrukcje razem. Odpowiedź dostosowana regionalnie nadal wymaga dostarczenia rzeczywistych warunków produktu, procedury lub treści dokumentu jako dowodów; znajomość kultury nie dostarcza prywatnych informacji firmy.
Pomoc w rozmowie
Producent wyróżnia arabskich asystentów konwersacyjnych jako główne zastosowanie. Praktyczne żądanie pomocy może dostarczać wiadomość użytkownika i zatwierdzone materiały referencyjne, a następnie prosić o odpowiedź w nazwanym rejestrze. Zażądaj kolejnego działania, warunku jego zastosowania i szczegółów, które użytkownik nadal musi podać. Utrzymuje to odpowiedź przy konkretnym problemie, zamiast tworzyć ogólne regionalne powitanie.
Dla wyjaśnienia dwujęzycznego wskaż język źródła i język końcowej wiadomości. Zachowaj nazwy, kwoty lub jednostki podane w materiale i opisz odbiorców, którzy mają zrozumieć odpowiedź. Pytanie uzupełniające może dotyczyć krótszej wersji lub wyjaśnienia jednego terminu przy zachowaniu tych samych warunków.
Dostosowanie dziedzinowe
Zapowiedź opisuje dostrajanie Saba do konkretnych dziedzin, w tym energetyki i innych regionalnych kontekstów zawodowych. Jest to proces adaptacji, a nie stwierdzenie, że każdy wyspecjalizowany zbiór danych należy już do domyślnego modelu. Dla dziedzinowego zadania tekstowego dostarcz terminologię, dokumenty źródłowe i reguły odpowiedzi istotne dla rzeczywistej aplikacji.
Wyjaśnienie techniczne może prosić model o przedstawienie procedury przy użyciu regionalnej terminologii czytelnika z zachowaniem oryginalnych kroków i warunków. Pytanie o dokument może wskazywać klauzulę do wyjaśnienia i żądać zwięzłej odpowiedzi z potwierdzającym fragmentem. Rozróżniaj fakt źródłowy, wyjaśnienie i nierozstrzygnięty termin podczas przygotowywania wyniku.
Tworzenie treści kulturowych
Producent opisuje też pisanie istotne kulturowo i zasoby edukacyjne. Podaj temat, docelowych odbiorców, język i fakty lub przykłady, które powinny się pojawić. Dla fragmentu edukacyjnego określ, co uczeń powinien rozumieć na końcu, i poproś o wyjaśnienie, a następnie praktyczny przykład. Dla wiadomości organizacyjnej podaj cel i informacje, na podstawie których czytelnik ma działać.
Gdy lokalne idiomy lub odniesienia kulturowe należą do zadania, określ kontekst ich użycia. Poproś o alternatywne sformułowanie, gdy formalna lub bardziej neutralna wersja posłuży innym odbiorcom. Są to praktyczne sposoby zastosowania regionalnej specjalizacji modelu przy zachowaniu jawnej treści i zamierzonego użycia.
Zakres edycji i wyniku
Udokumentowana specjalizacja Saba to tekstowa praca z językami regionalnymi z kontekstem o wielkości 32 tys. tokenów. Nie należy przypisywać mu wejścia obrazowego, mechanizmów kontroli hybrydowego rozumowania ani funkcji formatowania narzędzi z późniejszych modeli Small lub Medium tylko dlatego, że jest dostrojonym modelem rodziny Small. Przeczytane źródła nie podają osobnej maksymalnej pojemności tokenów wyjściowych dla tej edycji.
Przygotuj kompletne pisemne zadanie, istotne fakty źródłowe i pożądany artefakt: odpowiedź pomocy, wyjaśnienie, dostosowany fragment lub krótki tekst edukacyjny. Wyraźnie zachowaj wskazaną edycję Saba oraz język i rejestr odbiorców, aby powstały tekst odpowiadał na rzeczywistą potrzebę komunikacji regionalnej.
", "aboutText": "Mistral Saba to wyspecjalizowany regionalny model tekstowy firmy Mistral AI, utworzony przez dostrojenie modelu z rodziny Small na starannie dobranych materiałach z Bliskiego Wschodu i Azji Południowej. Producent opisuje model o 24 mld parametrów, przeznaczony do odzwierciedlania regionalnego języka, kontekstu kulturowego i lokalnych form wypowiedzi. Otrzymuje pisemne zadanie i materiał źródłowy oraz zwraca tekst.\n\nRegionalny język i kontekst\n\nOpis wydania wyraźnie wskazuje arabski i wiele języków pochodzących z Indii, ze szczególną siłą w językach południowoindyjskich, takich jak tamilski. Jego ukierunkowanie jest bardziej szczegółowe niż samo zmienienie języka końcowego ogólnej odpowiedzi: materiały treningowe są wybierane dla regionalnego kontekstu językowego i kulturowego, w którym odpowiedź będzie używana.\n\nOkreśl odbiorców, region, język i pożądany rejestr przed prośbą o wynik. Formalne wyjaśnienie, wiadomość dla klienta i fragment edukacyjny mogą wymagać różnej terminologii i form zwracania się do odbiorcy. Dostarcz słowniczek nazw produktów lub terminów specjalistycznych, które muszą pozostać spójne, i określ, czy wynik powinien zachować brzmienie źródła, czy dostosować wyjaśnienie do czytelnika.\n\nStrona producenta podaje okno kontekstowe o wielkości 32 tys. tokenów i identyfikuje edycję jako mistral-saba-2502. Wykorzystuj kontekst na istotne fragmenty źródłowe, rozmowę i instrukcje razem. Odpowiedź dostosowana regionalnie nadal wymaga dostarczenia rzeczywistych warunków produktu, procedury lub treści dokumentu jako dowodów; znajomość kultury nie dostarcza prywatnych informacji firmy.\n\nPomoc w rozmowie\n\nProducent wyróżnia arabskich asystentów konwersacyjnych jako główne zastosowanie. Praktyczne żądanie pomocy może dostarczać wiadomość użytkownika i zatwierdzone materiały referencyjne, a następnie prosić o odpowiedź w nazwanym rejestrze. Zażądaj kolejnego działania, warunku jego zastosowania i szczegółów, które użytkownik nadal musi podać. Utrzymuje to odpowiedź przy konkretnym problemie, zamiast tworzyć ogólne regionalne powitanie.\n\nDla wyjaśnienia dwujęzycznego wskaż język źródła i język końcowej wiadomości. Zachowaj nazwy, kwoty lub jednostki podane w materiale i opisz odbiorców, którzy mają zrozumieć odpowiedź. Pytanie uzupełniające może dotyczyć krótszej wersji lub wyjaśnienia jednego terminu przy zachowaniu tych samych warunków.\n\nDostosowanie dziedzinowe\n\nZapowiedź opisuje dostrajanie Saba do konkretnych dziedzin, w tym energetyki i innych regionalnych kontekstów zawodowych. Jest to proces adaptacji, a nie stwierdzenie, że każdy wyspecjalizowany zbiór danych należy już do domyślnego modelu. Dla dziedzinowego zadania tekstowego dostarcz terminologię, dokumenty źródłowe i reguły odpowiedzi istotne dla rzeczywistej aplikacji.\n\nWyjaśnienie techniczne może prosić model o przedstawienie procedury przy użyciu regionalnej terminologii czytelnika z zachowaniem oryginalnych kroków i warunków. Pytanie o dokument może wskazywać klauzulę do wyjaśnienia i żądać zwięzłej odpowiedzi z potwierdzającym fragmentem. Rozróżniaj fakt źródłowy, wyjaśnienie i nierozstrzygnięty termin podczas przygotowywania wyniku.\n\nTworzenie treści kulturowych\n\nProducent opisuje też pisanie istotne kulturowo i zasoby edukacyjne. Podaj temat, docelowych odbiorców, język i fakty lub przykłady, które powinny się pojawić. Dla fragmentu edukacyjnego określ, co uczeń powinien rozumieć na końcu, i poproś o wyjaśnienie, a następnie praktyczny przykład. Dla wiadomości organizacyjnej podaj cel i informacje, na podstawie których czytelnik ma działać.\n\nGdy lokalne idiomy lub odniesienia kulturowe należą do zadania, określ kontekst ich użycia. Poproś o alternatywne sformułowanie, gdy formalna lub bardziej neutralna wersja posłuży innym odbiorcom. Są to praktyczne sposoby zastosowania regionalnej specjalizacji modelu przy zachowaniu jawnej treści i zamierzonego użycia.\n\nZakres edycji i wyniku\n\nUdokumentowana specjalizacja Saba to tekstowa praca z językami regionalnymi z kontekstem o wielkości 32 tys. tokenów. Nie należy przypisywać mu wejścia obrazowego, mechanizmów kontroli hybrydowego rozumowania ani funkcji formatowania narzędzi z późniejszych modeli Small lub Medium tylko dlatego, że jest dostrojonym modelem rodziny Small. Przeczytane źródła nie podają osobnej maksymalnej pojemności tokenów wyjściowych dla tej edycji.\n\nPrzygotuj kompletne pisemne zadanie, istotne fakty źródłowe i pożądany artefakt: odpowiedź pomocy, wyjaśnienie, dostosowany fragment lub krótki tekst edukacyjny. Wyraźnie zachowaj wskazaną edycję Saba oraz język i rejestr odbiorców, aby powstały tekst odpowiadał na rzeczywistą potrzebę komunikacji regionalnej.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.mistralai/mistral-sabaMistral Saba to model tekstowy o 24 mld parametrów wytrenowany na starannie dobranych materiałach z Bliskiego Wschodu i Azji Południowej. Skupia się na regionalnym kontekście językowym i kulturowym, w tym arabskim i językach pochodzących z Indii, takich jak tamilski, z kontekstem producenta o wielkości 32 tys. tokenów do zadań pisemnych.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Saba to wyspecjalizowany regionalny model tekstowy firmy Mistral AI, utworzony przez dostrojenie modelu z rodziny Small na starannie dobranych materiałach z Bliskiego Wschodu i Azji Południowej. Producent opisuje model o 24 mld parametrów, przeznaczony do odzwierciedlania regionalnego języka, kontekstu kulturowego i lokalnych form wypowiedzi. Otrzymuje pisemne zadanie i materiał źródłowy oraz zwraca tekst.
Regionalny język i kontekst
Opis wydania wyraźnie wskazuje arabski i wiele języków pochodzących z Indii, ze szczególną siłą w językach południowoindyjskich, takich jak tamilski. Jego ukierunkowanie jest bardziej szczegółowe niż samo zmienienie języka końcowego ogólnej odpowiedzi: materiały treningowe są wybierane dla regionalnego kontekstu językowego i kulturowego, w którym odpowiedź będzie używana.
Określ odbiorców, region, język i pożądany rejestr przed prośbą o wynik. Formalne wyjaśnienie, wiadomość dla klienta i fragment edukacyjny mogą wymagać różnej terminologii i form zwracania się do odbiorcy. Dostarcz słowniczek nazw produktów lub terminów specjalistycznych, które muszą pozostać spójne, i określ, czy wynik powinien zachować brzmienie źródła, czy dostosować wyjaśnienie do czytelnika.
Strona producenta podaje okno kontekstowe o wielkości 32 tys. tokenów i identyfikuje edycję jako mistral-saba-2502. Wykorzystuj kontekst na istotne fragmenty źródłowe, rozmowę i instrukcje razem. Odpowiedź dostosowana regionalnie nadal wymaga dostarczenia rzeczywistych warunków produktu, procedury lub treści dokumentu jako dowodów; znajomość kultury nie dostarcza prywatnych informacji firmy.
Pomoc w rozmowie
Producent wyróżnia arabskich asystentów konwersacyjnych jako główne zastosowanie. Praktyczne żądanie pomocy może dostarczać wiadomość użytkownika i zatwierdzone materiały referencyjne, a następnie prosić o odpowiedź w nazwanym rejestrze. Zażądaj kolejnego działania, warunku jego zastosowania i szczegółów, które użytkownik nadal musi podać. Utrzymuje to odpowiedź przy konkretnym problemie, zamiast tworzyć ogólne regionalne powitanie.
Dla wyjaśnienia dwujęzycznego wskaż język źródła i język końcowej wiadomości. Zachowaj nazwy, kwoty lub jednostki podane w materiale i opisz odbiorców, którzy mają zrozumieć odpowiedź. Pytanie uzupełniające może dotyczyć krótszej wersji lub wyjaśnienia jednego terminu przy zachowaniu tych samych warunków.
Dostosowanie dziedzinowe
Zapowiedź opisuje dostrajanie Saba do konkretnych dziedzin, w tym energetyki i innych regionalnych kontekstów zawodowych. Jest to proces adaptacji, a nie stwierdzenie, że każdy wyspecjalizowany zbiór danych należy już do domyślnego modelu. Dla dziedzinowego zadania tekstowego dostarcz terminologię, dokumenty źródłowe i reguły odpowiedzi istotne dla rzeczywistej aplikacji.
Wyjaśnienie techniczne może prosić model o przedstawienie procedury przy użyciu regionalnej terminologii czytelnika z zachowaniem oryginalnych kroków i warunków. Pytanie o dokument może wskazywać klauzulę do wyjaśnienia i żądać zwięzłej odpowiedzi z potwierdzającym fragmentem. Rozróżniaj fakt źródłowy, wyjaśnienie i nierozstrzygnięty termin podczas przygotowywania wyniku.
Tworzenie treści kulturowych
Producent opisuje też pisanie istotne kulturowo i zasoby edukacyjne. Podaj temat, docelowych odbiorców, język i fakty lub przykłady, które powinny się pojawić. Dla fragmentu edukacyjnego określ, co uczeń powinien rozumieć na końcu, i poproś o wyjaśnienie, a następnie praktyczny przykład. Dla wiadomości organizacyjnej podaj cel i informacje, na podstawie których czytelnik ma działać.
Gdy lokalne idiomy lub odniesienia kulturowe należą do zadania, określ kontekst ich użycia. Poproś o alternatywne sformułowanie, gdy formalna lub bardziej neutralna wersja posłuży innym odbiorcom. Są to praktyczne sposoby zastosowania regionalnej specjalizacji modelu przy zachowaniu jawnej treści i zamierzonego użycia.
Zakres edycji i wyniku
Udokumentowana specjalizacja Saba to tekstowa praca z językami regionalnymi z kontekstem o wielkości 32 tys. tokenów. Nie należy przypisywać mu wejścia obrazowego, mechanizmów kontroli hybrydowego rozumowania ani funkcji formatowania narzędzi z późniejszych modeli Small lub Medium tylko dlatego, że jest dostrojonym modelem rodziny Small. Przeczytane źródła nie podają osobnej maksymalnej pojemności tokenów wyjściowych dla tej edycji.
Przygotuj kompletne pisemne zadanie, istotne fakty źródłowe i pożądany artefakt: odpowiedź pomocy, wyjaśnienie, dostosowany fragment lub krótki tekst edukacyjny. Wyraźnie zachowaj wskazaną edycję Saba oraz język i rejestr odbiorców, aby powstały tekst odpowiadał na rzeczywistą potrzebę komunikacji regionalnej.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-saba | 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 $0.0004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0012 / 1K tokenów Wejście · Odczyt cache $0.00004 / 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 $0.0004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0012 / 1K tokenów Wejście · Odczyt cache $0.00004 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-saba", "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-saba',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-saba',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-saba
Użyj ścieżek metod podanych powyżej.
mistralai/mistral-sabaMistral Saba to model tekstowy o 24 mld parametrów wytrenowany na starannie dobranych materiałach z Bliskiego Wschodu i Azji Południowej. Skupia się na regionalnym kontekście językowym i kulturowym, w tym arabskim i językach pochodzących z Indii, takich jak tamilski, z kontekstem producenta o wielkości 32 tys. tokenów do zadań pisemnych.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Saba to wyspecjalizowany regionalny model tekstowy firmy Mistral AI, utworzony przez dostrojenie modelu z rodziny Small na starannie dobranych materiałach z Bliskiego Wschodu i Azji Południowej. Producent opisuje model o 24 mld parametrów, przeznaczony do odzwierciedlania regionalnego języka, kontekstu kulturowego i lokalnych form wypowiedzi. Otrzymuje pisemne zadanie i materiał źródłowy oraz zwraca tekst.
Regionalny język i kontekst
Opis wydania wyraźnie wskazuje arabski i wiele języków pochodzących z Indii, ze szczególną siłą w językach południowoindyjskich, takich jak tamilski. Jego ukierunkowanie jest bardziej szczegółowe niż samo zmienienie języka końcowego ogólnej odpowiedzi: materiały treningowe są wybierane dla regionalnego kontekstu językowego i kulturowego, w którym odpowiedź będzie używana.
Określ odbiorców, region, język i pożądany rejestr przed prośbą o wynik. Formalne wyjaśnienie, wiadomość dla klienta i fragment edukacyjny mogą wymagać różnej terminologii i form zwracania się do odbiorcy. Dostarcz słowniczek nazw produktów lub terminów specjalistycznych, które muszą pozostać spójne, i określ, czy wynik powinien zachować brzmienie źródła, czy dostosować wyjaśnienie do czytelnika.
Strona producenta podaje okno kontekstowe o wielkości 32 tys. tokenów i identyfikuje edycję jako mistral-saba-2502. Wykorzystuj kontekst na istotne fragmenty źródłowe, rozmowę i instrukcje razem. Odpowiedź dostosowana regionalnie nadal wymaga dostarczenia rzeczywistych warunków produktu, procedury lub treści dokumentu jako dowodów; znajomość kultury nie dostarcza prywatnych informacji firmy.
Pomoc w rozmowie
Producent wyróżnia arabskich asystentów konwersacyjnych jako główne zastosowanie. Praktyczne żądanie pomocy może dostarczać wiadomość użytkownika i zatwierdzone materiały referencyjne, a następnie prosić o odpowiedź w nazwanym rejestrze. Zażądaj kolejnego działania, warunku jego zastosowania i szczegółów, które użytkownik nadal musi podać. Utrzymuje to odpowiedź przy konkretnym problemie, zamiast tworzyć ogólne regionalne powitanie.
Dla wyjaśnienia dwujęzycznego wskaż język źródła i język końcowej wiadomości. Zachowaj nazwy, kwoty lub jednostki podane w materiale i opisz odbiorców, którzy mają zrozumieć odpowiedź. Pytanie uzupełniające może dotyczyć krótszej wersji lub wyjaśnienia jednego terminu przy zachowaniu tych samych warunków.
Dostosowanie dziedzinowe
Zapowiedź opisuje dostrajanie Saba do konkretnych dziedzin, w tym energetyki i innych regionalnych kontekstów zawodowych. Jest to proces adaptacji, a nie stwierdzenie, że każdy wyspecjalizowany zbiór danych należy już do domyślnego modelu. Dla dziedzinowego zadania tekstowego dostarcz terminologię, dokumenty źródłowe i reguły odpowiedzi istotne dla rzeczywistej aplikacji.
Wyjaśnienie techniczne może prosić model o przedstawienie procedury przy użyciu regionalnej terminologii czytelnika z zachowaniem oryginalnych kroków i warunków. Pytanie o dokument może wskazywać klauzulę do wyjaśnienia i żądać zwięzłej odpowiedzi z potwierdzającym fragmentem. Rozróżniaj fakt źródłowy, wyjaśnienie i nierozstrzygnięty termin podczas przygotowywania wyniku.
Tworzenie treści kulturowych
Producent opisuje też pisanie istotne kulturowo i zasoby edukacyjne. Podaj temat, docelowych odbiorców, język i fakty lub przykłady, które powinny się pojawić. Dla fragmentu edukacyjnego określ, co uczeń powinien rozumieć na końcu, i poproś o wyjaśnienie, a następnie praktyczny przykład. Dla wiadomości organizacyjnej podaj cel i informacje, na podstawie których czytelnik ma działać.
Gdy lokalne idiomy lub odniesienia kulturowe należą do zadania, określ kontekst ich użycia. Poproś o alternatywne sformułowanie, gdy formalna lub bardziej neutralna wersja posłuży innym odbiorcom. Są to praktyczne sposoby zastosowania regionalnej specjalizacji modelu przy zachowaniu jawnej treści i zamierzonego użycia.
Zakres edycji i wyniku
Udokumentowana specjalizacja Saba to tekstowa praca z językami regionalnymi z kontekstem o wielkości 32 tys. tokenów. Nie należy przypisywać mu wejścia obrazowego, mechanizmów kontroli hybrydowego rozumowania ani funkcji formatowania narzędzi z późniejszych modeli Small lub Medium tylko dlatego, że jest dostrojonym modelem rodziny Small. Przeczytane źródła nie podają osobnej maksymalnej pojemności tokenów wyjściowych dla tej edycji.
Przygotuj kompletne pisemne zadanie, istotne fakty źródłowe i pożądany artefakt: odpowiedź pomocy, wyjaśnienie, dostosowany fragment lub krótki tekst edukacyjny. Wyraźnie zachowaj wskazaną edycję Saba oraz język i rejestr odbiorców, aby powstały tekst odpowiadał na rzeczywistą potrzebę komunikacji regionalnej.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-saba | 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 $0.0004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0012 / 1K tokenów Wejście · Odczyt cache $0.00004 / 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 $0.0004 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0012 / 1K tokenów Wejście · Odczyt cache $0.00004 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/mistral-saba",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-saba', '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-saba', '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-saba
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.