Mistral Small 4 łączy ogólne wykonywanie instrukcji, rozumowanie i programowanie w jednym modelu multimodalnym. Producent opisuje go jako połączenie rodzin Instruct, rozumowania Magistral i programowania Devstral. Przyjmuje tekst i obrazy oraz zwraca tekst, z wywołaniami funkcji i wynikiem JSON dostępnymi dla aplikacji wspomaganych narzędziami.
Architektura i główne funkcje
Wydanie ma 119 mld parametrów łącznie i aktywuje 6,5 mld na token. Jego architektura mixture-of-experts zawiera 128 ekspertów, z 4 aktywnymi, a producent dokumentuje okno kontekstowe o wielkości 256 tys. tokenów. Liczba aktywnych parametrów i ekspertów opisuje organizację modelu; różni się od ilości treści tekstowej lub obrazowej zawartej w jednym zadaniu.
Model zapewnia funkcje instrukcyjne i rozumowania w tym samym checkpoincie. Producent wskazuje też wizję, przestrzeganie promptu systemowego i obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, hiszpańskiego, niemieckiego, włoskiego, portugalskiego, niderlandzkiego, chińskiego, japońskiego, koreańskiego i arabskiego. Instrukcja tekstowa może więc pytać o obraz lub łączyć pisemne wymaganie z widocznymi dowodami, a odpowiedź zostanie zwrócona jako tekst.
Zadanie wizualne może dostarczać stronę dokumentu i pytać o wartości istotne dla nazwanego warunku. Zachowaj czytelność etykiet i jednostek oraz określ, czy wynik powinien zachować oryginalne brzmienie, podsumować je czy porównać z innym źródłem. Zadanie interfejsowe może połączyć zrzut ekranu z celem użytkownika i żądać właściwego widocznego elementu sterującego oraz dowodów potwierdzających proponowany kolejny krok.
Wybór trybu instrukcyjnego lub rozumowania
Opublikowana karta dokumentuje intensywność rozumowania none dla natychmiastowej odpowiedzi w stylu instrukcyjnym i high dla rozumowania, z high zalecanym do złożonych promptów. Wybór dokonywany jest dla każdego żądania w obrębie tego samego modelu Small 4. Zwykła klasyfikacja lub krótkie przeredagowanie mogą mieć inny kontrakt odpowiedzi niż problem matematyczny, wizualny lub programistyczny wymagający rozwiniętego wyjaśnienia.
Producent zaleca temperaturę 0.7 dla wysokiej intensywności rozumowania. Dla none określa temperatury między 0.0 a 0.7 zależnie od zadania. Ustawienia te opisują udokumentowane tryby i nie zmieniają intensywności rozumowania w gwarancję poprawnego wyniku. Zdefiniuj założenia, postać wyniku i istotny materiał źródłowy przed wyborem, ile rozumowania wymaga zadanie.
Dla problemu do rozwiązania podaj pełny warunek i poproś o istotne uzasadnione kroki, a następnie wyrażenie końcowe. Dla zadania programistycznego podaj wymaganie, dotkniętą funkcję i konkretne dane wejściowe; zażądaj proponowanej implementacji oddzielnie od wyjaśnienia i przykładów. Demonstracje użycia producenta obejmują wykonywanie instrukcji, narzędzie obliczeniowe zastosowane do obrazu i rozumowanie wizualne, pokazując, jak dowody tekstowe i wizualne mogą wchodzić do tych różnych zadań.
Kod, dokumenty i narzędzia
Model jest pozycjonowany do eksploracji kodu i agentów inżynierii oprogramowania, ogólnych asystentów, rozumienia dokumentów i badań. Żądanie agenta programistycznego może wskazywać moduł do zmiany, interfejs do zachowania i zachowanie, które powinno nastąpić. Dostarcz istotne źródła i dowody błędu. Model może proponować kolejną operację lub zmianę kodu, a aplikacja zapewnia dostęp do repozytorium, wykonywanie i informację zwrotną.
Dla ekstrakcji z dokumentów wskaż wymagane pola i sposób przedstawiania brakujących informacji. Przydatny rekord może rozdzielać identyfikator dokumentu, stwierdzenie źródłowe, zinterpretowane wymaganie i nierozstrzygnięte pytanie. Karta usługi producenta wymienia niestandardowe uporządkowane wyniki i odpowiadanie na pytania o dokumenty; to drugie wykorzystuje przetwarzanie dokumentu i OCR do przygotowania tekstu oraz struktury przed analizą modelu językowego. Bezpośrednie pytanie o obraz i przepływ dokumentowy wspomagany OCR powinny zachować własne sposoby przygotowania wejścia.
Wywoływanie funkcji wymaga jasno opisanych narzędzi. Model wybiera funkcję i tworzy argumenty; aplikacja wykonuje operację i zwraca jej wynik na potrzeby późniejszej odpowiedzi. Ta sama logika obowiązuje niezależnie od tego, czy zadanie dotyczy wyszukiwania, obliczenia czy operacji programistycznej. Formatowanie JSON porządkuje odpowiedź, a wywołanie narzędzia prosi o działanie zewnętrzne; nie należy traktować ich jako wymiennych wyników.
Karta usługi wymienia też przewidywane wyniki, prefiksy odpowiedzi, przetwarzanie wsadowe i rozmowy agentowe. Przewidywane wyniki są przydatne, gdy dokument lub plik kodu trzeba wygenerować ponownie tylko z ograniczoną zmianą, a reszta treści jest znana. Określ zmianę i materiał do zachowania. Kontynuacja prefiksu używa znanego początku odpowiedzi, a przetwarzanie wsadowe dotyczy przesyłania pracy, a nie dodatkowego trybu rozumowania.
Zakres kontekstu i edycji
Planuj pisemne zadanie, materiał wizualny, rozmowę i pożądaną odpowiedź w obrębie udokumentowanego kontekstu o wielkości 256 tys. tokenów. Udostępniony przykład użycia konfiguruje kontekst o wielkości 262 144 tokenów, a jego przykład generowania 1024 tokenów nie jest osobną maksymalną pojemnością wyjścia. Przeczytane źródła nie podają niezależnego sztywnego limitu długości odpowiedzi, którym można by zastąpić długość wybraną dla zadania.
Small 4 ma własną architekturę mixture-of-experts o 119 mld parametrów i tryby hybrydowe. Nie powinien dziedziczyć gęstej architektury o 128 mld parametrów Medium 3.5 ani osobnych edycji Instruct i Reasoning Ministral 3. Producent udostępnia też odrębne artefakty skwantyzowane i do dekodowania spekulacyjnego; są to osobne artefakty wdrożeniowe, a nie różne modalności treści. Zachowaj wskazane wydanie Small 4 i tryb żądany dla właściwego wyjaśnienia, uporządkowanego rekordu lub wyniku programistycznego.
", "aboutText": "Mistral Small 4 łączy ogólne wykonywanie instrukcji, rozumowanie i programowanie w jednym modelu multimodalnym. Producent opisuje go jako połączenie rodzin Instruct, rozumowania Magistral i programowania Devstral. Przyjmuje tekst i obrazy oraz zwraca tekst, z wywołaniami funkcji i wynikiem JSON dostępnymi dla aplikacji wspomaganych narzędziami.\n\nArchitektura i główne funkcje\n\nWydanie ma 119 mld parametrów łącznie i aktywuje 6,5 mld na token. Jego architektura mixture-of-experts zawiera 128 ekspertów, z 4 aktywnymi, a producent dokumentuje okno kontekstowe o wielkości 256 tys. tokenów. Liczba aktywnych parametrów i ekspertów opisuje organizację modelu; różni się od ilości treści tekstowej lub obrazowej zawartej w jednym zadaniu.\n\nModel zapewnia funkcje instrukcyjne i rozumowania w tym samym checkpoincie. Producent wskazuje też wizję, przestrzeganie promptu systemowego i obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, hiszpańskiego, niemieckiego, włoskiego, portugalskiego, niderlandzkiego, chińskiego, japońskiego, koreańskiego i arabskiego. Instrukcja tekstowa może więc pytać o obraz lub łączyć pisemne wymaganie z widocznymi dowodami, a odpowiedź zostanie zwrócona jako tekst.\n\nZadanie wizualne może dostarczać stronę dokumentu i pytać o wartości istotne dla nazwanego warunku. Zachowaj czytelność etykiet i jednostek oraz określ, czy wynik powinien zachować oryginalne brzmienie, podsumować je czy porównać z innym źródłem. Zadanie interfejsowe może połączyć zrzut ekranu z celem użytkownika i żądać właściwego widocznego elementu sterującego oraz dowodów potwierdzających proponowany kolejny krok.\n\nWybór trybu instrukcyjnego lub rozumowania\n\nOpublikowana karta dokumentuje intensywność rozumowania none dla natychmiastowej odpowiedzi w stylu instrukcyjnym i high dla rozumowania, z high zalecanym do złożonych promptów. Wybór dokonywany jest dla każdego żądania w obrębie tego samego modelu Small 4. Zwykła klasyfikacja lub krótkie przeredagowanie mogą mieć inny kontrakt odpowiedzi niż problem matematyczny, wizualny lub programistyczny wymagający rozwiniętego wyjaśnienia.\n\nProducent zaleca temperaturę 0.7 dla wysokiej intensywności rozumowania. Dla none określa temperatury między 0.0 a 0.7 zależnie od zadania. Ustawienia te opisują udokumentowane tryby i nie zmieniają intensywności rozumowania w gwarancję poprawnego wyniku. Zdefiniuj założenia, postać wyniku i istotny materiał źródłowy przed wyborem, ile rozumowania wymaga zadanie.\n\nDla problemu do rozwiązania podaj pełny warunek i poproś o istotne uzasadnione kroki, a następnie wyrażenie końcowe. Dla zadania programistycznego podaj wymaganie, dotkniętą funkcję i konkretne dane wejściowe; zażądaj proponowanej implementacji oddzielnie od wyjaśnienia i przykładów. Demonstracje użycia producenta obejmują wykonywanie instrukcji, narzędzie obliczeniowe zastosowane do obrazu i rozumowanie wizualne, pokazując, jak dowody tekstowe i wizualne mogą wchodzić do tych różnych zadań.\n\nKod, dokumenty i narzędzia\n\nModel jest pozycjonowany do eksploracji kodu i agentów inżynierii oprogramowania, ogólnych asystentów, rozumienia dokumentów i badań. Żądanie agenta programistycznego może wskazywać moduł do zmiany, interfejs do zachowania i zachowanie, które powinno nastąpić. Dostarcz istotne źródła i dowody błędu. Model może proponować kolejną operację lub zmianę kodu, a aplikacja zapewnia dostęp do repozytorium, wykonywanie i informację zwrotną.\n\nDla ekstrakcji z dokumentów wskaż wymagane pola i sposób przedstawiania brakujących informacji. Przydatny rekord może rozdzielać identyfikator dokumentu, stwierdzenie źródłowe, zinterpretowane wymaganie i nierozstrzygnięte pytanie. Karta usługi producenta wymienia niestandardowe uporządkowane wyniki i odpowiadanie na pytania o dokumenty; to drugie wykorzystuje przetwarzanie dokumentu i OCR do przygotowania tekstu oraz struktury przed analizą modelu językowego. Bezpośrednie pytanie o obraz i przepływ dokumentowy wspomagany OCR powinny zachować własne sposoby przygotowania wejścia.\n\nWywoływanie funkcji wymaga jasno opisanych narzędzi. Model wybiera funkcję i tworzy argumenty; aplikacja wykonuje operację i zwraca jej wynik na potrzeby późniejszej odpowiedzi. Ta sama logika obowiązuje niezależnie od tego, czy zadanie dotyczy wyszukiwania, obliczenia czy operacji programistycznej. Formatowanie JSON porządkuje odpowiedź, a wywołanie narzędzia prosi o działanie zewnętrzne; nie należy traktować ich jako wymiennych wyników.\n\nKarta usługi wymienia też przewidywane wyniki, prefiksy odpowiedzi, przetwarzanie wsadowe i rozmowy agentowe. Przewidywane wyniki są przydatne, gdy dokument lub plik kodu trzeba wygenerować ponownie tylko z ograniczoną zmianą, a reszta treści jest znana. Określ zmianę i materiał do zachowania. Kontynuacja prefiksu używa znanego początku odpowiedzi, a przetwarzanie wsadowe dotyczy przesyłania pracy, a nie dodatkowego trybu rozumowania.\n\nZakres kontekstu i edycji\n\nPlanuj pisemne zadanie, materiał wizualny, rozmowę i pożądaną odpowiedź w obrębie udokumentowanego kontekstu o wielkości 256 tys. tokenów. Udostępniony przykład użycia konfiguruje kontekst o wielkości 262 144 tokenów, a jego przykład generowania 1024 tokenów nie jest osobną maksymalną pojemnością wyjścia. Przeczytane źródła nie podają niezależnego sztywnego limitu długości odpowiedzi, którym można by zastąpić długość wybraną dla zadania.\n\nSmall 4 ma własną architekturę mixture-of-experts o 119 mld parametrów i tryby hybrydowe. Nie powinien dziedziczyć gęstej architektury o 128 mld parametrów Medium 3.5 ani osobnych edycji Instruct i Reasoning Ministral 3. Producent udostępnia też odrębne artefakty skwantyzowane i do dekodowania spekulacyjnego; są to osobne artefakty wdrożeniowe, a nie różne modalności treści. Zachowaj wskazane wydanie Small 4 i tryb żądany dla właściwego wyjaśnienia, uporządkowanego rekordu lub wyniku programistycznego.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 to hybrydowy model przyjmujący tekst i obrazy, z możliwościami instrukcyjnymi, rozumowania i programowania. Wydanie mixture-of-experts o 119 mld parametrów aktywuje 6,5 mld parametrów na token i obsługuje kontekst producenta o wielkości 256 tys. tokenów, wybieraną intensywność rozumowania, JSON i wywołania funkcji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Small 4 łączy ogólne wykonywanie instrukcji, rozumowanie i programowanie w jednym modelu multimodalnym. Producent opisuje go jako połączenie rodzin Instruct, rozumowania Magistral i programowania Devstral. Przyjmuje tekst i obrazy oraz zwraca tekst, z wywołaniami funkcji i wynikiem JSON dostępnymi dla aplikacji wspomaganych narzędziami.
Architektura i główne funkcje
Wydanie ma 119 mld parametrów łącznie i aktywuje 6,5 mld na token. Jego architektura mixture-of-experts zawiera 128 ekspertów, z 4 aktywnymi, a producent dokumentuje okno kontekstowe o wielkości 256 tys. tokenów. Liczba aktywnych parametrów i ekspertów opisuje organizację modelu; różni się od ilości treści tekstowej lub obrazowej zawartej w jednym zadaniu.
Model zapewnia funkcje instrukcyjne i rozumowania w tym samym checkpoincie. Producent wskazuje też wizję, przestrzeganie promptu systemowego i obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, hiszpańskiego, niemieckiego, włoskiego, portugalskiego, niderlandzkiego, chińskiego, japońskiego, koreańskiego i arabskiego. Instrukcja tekstowa może więc pytać o obraz lub łączyć pisemne wymaganie z widocznymi dowodami, a odpowiedź zostanie zwrócona jako tekst.
Zadanie wizualne może dostarczać stronę dokumentu i pytać o wartości istotne dla nazwanego warunku. Zachowaj czytelność etykiet i jednostek oraz określ, czy wynik powinien zachować oryginalne brzmienie, podsumować je czy porównać z innym źródłem. Zadanie interfejsowe może połączyć zrzut ekranu z celem użytkownika i żądać właściwego widocznego elementu sterującego oraz dowodów potwierdzających proponowany kolejny krok.
Wybór trybu instrukcyjnego lub rozumowania
Opublikowana karta dokumentuje intensywność rozumowania none dla natychmiastowej odpowiedzi w stylu instrukcyjnym i high dla rozumowania, z high zalecanym do złożonych promptów. Wybór dokonywany jest dla każdego żądania w obrębie tego samego modelu Small 4. Zwykła klasyfikacja lub krótkie przeredagowanie mogą mieć inny kontrakt odpowiedzi niż problem matematyczny, wizualny lub programistyczny wymagający rozwiniętego wyjaśnienia.
Producent zaleca temperaturę 0.7 dla wysokiej intensywności rozumowania. Dla none określa temperatury między 0.0 a 0.7 zależnie od zadania. Ustawienia te opisują udokumentowane tryby i nie zmieniają intensywności rozumowania w gwarancję poprawnego wyniku. Zdefiniuj założenia, postać wyniku i istotny materiał źródłowy przed wyborem, ile rozumowania wymaga zadanie.
Dla problemu do rozwiązania podaj pełny warunek i poproś o istotne uzasadnione kroki, a następnie wyrażenie końcowe. Dla zadania programistycznego podaj wymaganie, dotkniętą funkcję i konkretne dane wejściowe; zażądaj proponowanej implementacji oddzielnie od wyjaśnienia i przykładów. Demonstracje użycia producenta obejmują wykonywanie instrukcji, narzędzie obliczeniowe zastosowane do obrazu i rozumowanie wizualne, pokazując, jak dowody tekstowe i wizualne mogą wchodzić do tych różnych zadań.
Kod, dokumenty i narzędzia
Model jest pozycjonowany do eksploracji kodu i agentów inżynierii oprogramowania, ogólnych asystentów, rozumienia dokumentów i badań. Żądanie agenta programistycznego może wskazywać moduł do zmiany, interfejs do zachowania i zachowanie, które powinno nastąpić. Dostarcz istotne źródła i dowody błędu. Model może proponować kolejną operację lub zmianę kodu, a aplikacja zapewnia dostęp do repozytorium, wykonywanie i informację zwrotną.
Dla ekstrakcji z dokumentów wskaż wymagane pola i sposób przedstawiania brakujących informacji. Przydatny rekord może rozdzielać identyfikator dokumentu, stwierdzenie źródłowe, zinterpretowane wymaganie i nierozstrzygnięte pytanie. Karta usługi producenta wymienia niestandardowe uporządkowane wyniki i odpowiadanie na pytania o dokumenty; to drugie wykorzystuje przetwarzanie dokumentu i OCR do przygotowania tekstu oraz struktury przed analizą modelu językowego. Bezpośrednie pytanie o obraz i przepływ dokumentowy wspomagany OCR powinny zachować własne sposoby przygotowania wejścia.
Wywoływanie funkcji wymaga jasno opisanych narzędzi. Model wybiera funkcję i tworzy argumenty; aplikacja wykonuje operację i zwraca jej wynik na potrzeby późniejszej odpowiedzi. Ta sama logika obowiązuje niezależnie od tego, czy zadanie dotyczy wyszukiwania, obliczenia czy operacji programistycznej. Formatowanie JSON porządkuje odpowiedź, a wywołanie narzędzia prosi o działanie zewnętrzne; nie należy traktować ich jako wymiennych wyników.
Karta usługi wymienia też przewidywane wyniki, prefiksy odpowiedzi, przetwarzanie wsadowe i rozmowy agentowe. Przewidywane wyniki są przydatne, gdy dokument lub plik kodu trzeba wygenerować ponownie tylko z ograniczoną zmianą, a reszta treści jest znana. Określ zmianę i materiał do zachowania. Kontynuacja prefiksu używa znanego początku odpowiedzi, a przetwarzanie wsadowe dotyczy przesyłania pracy, a nie dodatkowego trybu rozumowania.
Zakres kontekstu i edycji
Planuj pisemne zadanie, materiał wizualny, rozmowę i pożądaną odpowiedź w obrębie udokumentowanego kontekstu o wielkości 256 tys. tokenów. Udostępniony przykład użycia konfiguruje kontekst o wielkości 262 144 tokenów, a jego przykład generowania 1024 tokenów nie jest osobną maksymalną pojemnością wyjścia. Przeczytane źródła nie podają niezależnego sztywnego limitu długości odpowiedzi, którym można by zastąpić długość wybraną dla zadania.
Small 4 ma własną architekturę mixture-of-experts o 119 mld parametrów i tryby hybrydowe. Nie powinien dziedziczyć gęstej architektury o 128 mld parametrów Medium 3.5 ani osobnych edycji Instruct i Reasoning Ministral 3. Producent udostępnia też odrębne artefakty skwantyzowane i do dekodowania spekulacyjnego; są to osobne artefakty wdrożeniowe, a nie różne modalności treści. Zachowaj wskazane wydanie Small 4 i tryb żądany dla właściwego wyjaśnienia, uporządkowanego rekordu lub wyniku programistycznego.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-small-2603 | 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 $0.0012 / 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 $0.0012 / 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-small-2603", "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-small-2603',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-small-2603',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-small-2603
Użyj ścieżek metod podanych powyżej.
mistralai/mistral-small-2603Mistral Small 4 to hybrydowy model przyjmujący tekst i obrazy, z możliwościami instrukcyjnymi, rozumowania i programowania. Wydanie mixture-of-experts o 119 mld parametrów aktywuje 6,5 mld parametrów na token i obsługuje kontekst producenta o wielkości 256 tys. tokenów, wybieraną intensywność rozumowania, JSON i wywołania funkcji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Small 4 łączy ogólne wykonywanie instrukcji, rozumowanie i programowanie w jednym modelu multimodalnym. Producent opisuje go jako połączenie rodzin Instruct, rozumowania Magistral i programowania Devstral. Przyjmuje tekst i obrazy oraz zwraca tekst, z wywołaniami funkcji i wynikiem JSON dostępnymi dla aplikacji wspomaganych narzędziami.
Architektura i główne funkcje
Wydanie ma 119 mld parametrów łącznie i aktywuje 6,5 mld na token. Jego architektura mixture-of-experts zawiera 128 ekspertów, z 4 aktywnymi, a producent dokumentuje okno kontekstowe o wielkości 256 tys. tokenów. Liczba aktywnych parametrów i ekspertów opisuje organizację modelu; różni się od ilości treści tekstowej lub obrazowej zawartej w jednym zadaniu.
Model zapewnia funkcje instrukcyjne i rozumowania w tym samym checkpoincie. Producent wskazuje też wizję, przestrzeganie promptu systemowego i obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, hiszpańskiego, niemieckiego, włoskiego, portugalskiego, niderlandzkiego, chińskiego, japońskiego, koreańskiego i arabskiego. Instrukcja tekstowa może więc pytać o obraz lub łączyć pisemne wymaganie z widocznymi dowodami, a odpowiedź zostanie zwrócona jako tekst.
Zadanie wizualne może dostarczać stronę dokumentu i pytać o wartości istotne dla nazwanego warunku. Zachowaj czytelność etykiet i jednostek oraz określ, czy wynik powinien zachować oryginalne brzmienie, podsumować je czy porównać z innym źródłem. Zadanie interfejsowe może połączyć zrzut ekranu z celem użytkownika i żądać właściwego widocznego elementu sterującego oraz dowodów potwierdzających proponowany kolejny krok.
Wybór trybu instrukcyjnego lub rozumowania
Opublikowana karta dokumentuje intensywność rozumowania none dla natychmiastowej odpowiedzi w stylu instrukcyjnym i high dla rozumowania, z high zalecanym do złożonych promptów. Wybór dokonywany jest dla każdego żądania w obrębie tego samego modelu Small 4. Zwykła klasyfikacja lub krótkie przeredagowanie mogą mieć inny kontrakt odpowiedzi niż problem matematyczny, wizualny lub programistyczny wymagający rozwiniętego wyjaśnienia.
Producent zaleca temperaturę 0.7 dla wysokiej intensywności rozumowania. Dla none określa temperatury między 0.0 a 0.7 zależnie od zadania. Ustawienia te opisują udokumentowane tryby i nie zmieniają intensywności rozumowania w gwarancję poprawnego wyniku. Zdefiniuj założenia, postać wyniku i istotny materiał źródłowy przed wyborem, ile rozumowania wymaga zadanie.
Dla problemu do rozwiązania podaj pełny warunek i poproś o istotne uzasadnione kroki, a następnie wyrażenie końcowe. Dla zadania programistycznego podaj wymaganie, dotkniętą funkcję i konkretne dane wejściowe; zażądaj proponowanej implementacji oddzielnie od wyjaśnienia i przykładów. Demonstracje użycia producenta obejmują wykonywanie instrukcji, narzędzie obliczeniowe zastosowane do obrazu i rozumowanie wizualne, pokazując, jak dowody tekstowe i wizualne mogą wchodzić do tych różnych zadań.
Kod, dokumenty i narzędzia
Model jest pozycjonowany do eksploracji kodu i agentów inżynierii oprogramowania, ogólnych asystentów, rozumienia dokumentów i badań. Żądanie agenta programistycznego może wskazywać moduł do zmiany, interfejs do zachowania i zachowanie, które powinno nastąpić. Dostarcz istotne źródła i dowody błędu. Model może proponować kolejną operację lub zmianę kodu, a aplikacja zapewnia dostęp do repozytorium, wykonywanie i informację zwrotną.
Dla ekstrakcji z dokumentów wskaż wymagane pola i sposób przedstawiania brakujących informacji. Przydatny rekord może rozdzielać identyfikator dokumentu, stwierdzenie źródłowe, zinterpretowane wymaganie i nierozstrzygnięte pytanie. Karta usługi producenta wymienia niestandardowe uporządkowane wyniki i odpowiadanie na pytania o dokumenty; to drugie wykorzystuje przetwarzanie dokumentu i OCR do przygotowania tekstu oraz struktury przed analizą modelu językowego. Bezpośrednie pytanie o obraz i przepływ dokumentowy wspomagany OCR powinny zachować własne sposoby przygotowania wejścia.
Wywoływanie funkcji wymaga jasno opisanych narzędzi. Model wybiera funkcję i tworzy argumenty; aplikacja wykonuje operację i zwraca jej wynik na potrzeby późniejszej odpowiedzi. Ta sama logika obowiązuje niezależnie od tego, czy zadanie dotyczy wyszukiwania, obliczenia czy operacji programistycznej. Formatowanie JSON porządkuje odpowiedź, a wywołanie narzędzia prosi o działanie zewnętrzne; nie należy traktować ich jako wymiennych wyników.
Karta usługi wymienia też przewidywane wyniki, prefiksy odpowiedzi, przetwarzanie wsadowe i rozmowy agentowe. Przewidywane wyniki są przydatne, gdy dokument lub plik kodu trzeba wygenerować ponownie tylko z ograniczoną zmianą, a reszta treści jest znana. Określ zmianę i materiał do zachowania. Kontynuacja prefiksu używa znanego początku odpowiedzi, a przetwarzanie wsadowe dotyczy przesyłania pracy, a nie dodatkowego trybu rozumowania.
Zakres kontekstu i edycji
Planuj pisemne zadanie, materiał wizualny, rozmowę i pożądaną odpowiedź w obrębie udokumentowanego kontekstu o wielkości 256 tys. tokenów. Udostępniony przykład użycia konfiguruje kontekst o wielkości 262 144 tokenów, a jego przykład generowania 1024 tokenów nie jest osobną maksymalną pojemnością wyjścia. Przeczytane źródła nie podają niezależnego sztywnego limitu długości odpowiedzi, którym można by zastąpić długość wybraną dla zadania.
Small 4 ma własną architekturę mixture-of-experts o 119 mld parametrów i tryby hybrydowe. Nie powinien dziedziczyć gęstej architektury o 128 mld parametrów Medium 3.5 ani osobnych edycji Instruct i Reasoning Ministral 3. Producent udostępnia też odrębne artefakty skwantyzowane i do dekodowania spekulacyjnego; są to osobne artefakty wdrożeniowe, a nie różne modalności treści. Zachowaj wskazane wydanie Small 4 i tryb żądany dla właściwego wyjaśnienia, uporządkowanego rekordu lub wyniku programistycznego.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-small-2603 | 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 $0.0012 / 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 $0.0012 / 1K tokenów Wejście · Odczyt cache $0.00003 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small-2603', '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-small-2603', '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-small-2603
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.