Mistral Small 3.1 24B Instruct 2503 rozwija Small 3 2501, dodając rozumienie wizualne i rozszerzając obsługę długiego kontekstu do 128 tys. tokenów. Ma 24 mld parametrów i został dostrojony do wykonywania instrukcji na podstawie osobno nazwanego wydania Small 3.1 Base. Model przyjmuje tekst i obrazy oraz generuje tekst, w tym wyjaśnienie, kod lub uporządkowany rekord.
Główne możliwości
Wizja pozwala modelowi analizować widoczny materiał obok pytania użytkownika. Obraz dokumentu może dostarczyć pole lub stwierdzenie do zbadania, diagram relację do wyjaśnienia, a wykres dane stojące za porównaniem. Zachowaj czytelność etykiet, jednostek i istotnej otaczającej treści, aby pytanie odnosiło się do dowodów rzeczywiście obecnych na obrazie.
Producent wymienia obsługę kilkudziesięciu języków, w tym rosyjskiego, angielskiego, francuskiego, niemieckiego, greckiego, hindi, indonezyjskiego, włoskiego, japońskiego, koreańskiego, malajskiego, nepalskiego, polskiego, portugalskiego, rumuńskiego, serbskiego, hiszpańskiego, szwedzkiego, tureckiego, ukraińskiego, wietnamskiego, arabskiego, bengalskiego, chińskiego i perskiego. Zdefiniuj język końcowy, czytelnika i terminologię dla odpowiedzi wielojęzycznej. Nazwy, cytowane etykiety, identyfikatory zmiennych i jednostki mogą pozostać niezmienione przy dostosowaniu otaczającego tekstu.
Karta opisuje też możliwości rozmowy i rozumowania, natywne wywoływanie funkcji, wynik JSON i przestrzeganie promptów systemowych. Tokenizer to Tekken, ze słownikiem oznaczonym jako 131 tys. Są to funkcje wskazanego wydania dostrojonego do wykonywania instrukcji; jego edycja Base pełni inną rolę, a późniejsze wydania Small 3.2 i Small 4 zachowują własne zmiany i tryby.
Przygotowanie dokumentów, kodu i matematyki
Dla zadania z długimi dokumentami wskaż dokumenty i zadaj jedno zdefiniowane pytanie. Porównanie może dotyczyć macierzy wymagań ze stwierdzeniem, jego sekcją źródłową i ewentualną rozbieżnością między dokumentami. Podsumowanie może obejmować tylko materiał istotny dla wskazanej zmiany. Długi kontekst utrzymuje te źródła razem, a końcowa odpowiedź może pozostać zwięzła.
Dla wyjaśnienia kodu podaj funkcję i dane wejściowe, których zachowanie należy prześledzić. Uwzględnij istotne funkcje pomocnicze lub deklaracje i zapytaj, jak zmienia się stan przed zwróceniem wartości. Dla proponowanej modyfikacji określ wymaganie, publiczny interfejs do zachowania i oczekiwany wynik. Poproś o zmieniony kod oddzielnie od jego wyjaśnienia i przykładów.
Dla zadania matematycznego zdefiniuj symbole i założenia dotyczące dziedziny przed prośbą o wyprowadzenie. Określ, czy końcowy wynik powinien być dokładny, zaokrąglony czy stanowić dowód twierdzenia. Jeśli warunek znajduje się na obrazie, zachowaj czytelność wzoru i powiązanych etykiet oraz poproś model o zachowanie tej notacji w odpowiedzi. Takie przygotowanie przekształca udokumentowany nacisk modelu na programowanie i rozumowanie matematyczne w artefakt możliwy do sprawdzenia.
Format instrukcji i zalecane użycie
Producent publikuje szablon rozmowy V7-Tekken, który rozróżnia role systemu, użytkownika i asystenta, oraz zaleca używanie odpowiadającej implementacji tokenizera jako źródła prawdy. Instrukcja systemowa powinna definiować rolę asystenta i reguły odpowiedzi, a wiadomość użytkownika zawierać właściwe zadanie i materiał źródłowy. Poprawne formatowanie rozmowy różni się od umieszczania etykiet przypominających role wewnątrz cytowanego dokumentu.
Karta zaleca stosunkowo niską temperaturę, na przykład 0.15, i prompt systemowy dostosowany do zastosowania. Zdefiniuj pola lub sekcje wyniku i warunki, które muszą przetrwać przeredagowanie. Dla powtarzanej ekstrakcji poproś o JSON z określonymi nazwami i typami oraz reprezentacją wartości brakujących w źródle. Akapit wyjaśniający można zwrócić oddzielnie, gdy człowiek potrzebuje sprawdzić interpretację.
Przepływ wywoływania funkcji
Model może wybrać funkcję spośród narzędzi opisanych przez aplikację i wygenerować jej argumenty. Aplikacja wykonuje funkcję, zwraca wynik z odpowiadającym mu wywołaniem narzędzia, a model wykorzystuje ten wynik w późniejszej odpowiedzi. Przykład producenta pokazuje ten cykl rozmowy, w tym wcześniejsze użycie narzędzia i nowe pytanie użytkownika. Proponowane wyszukiwanie jest więc odrębne od danych rzeczywiście zwróconych przez wyszukiwanie.
Praktyczny asystent może najpierw wyodrębnić pytanie z dokumentu, a następnie użyć dostarczonej funkcji referencyjnej, aby uzyskać brakujący warunek. Opisz funkcję jasno, uwzględnij jej wymagane argumenty i zachowaj powiązanie zwróconego wyniku z operacją źródłową. JSON porządkuje wynik tekstowy; wywoływanie funkcji żąda połączonej operacji, zamiast po cichu wykonywać kod lub odczytywać bazę danych.
Ograniczenia merytoryczne
Udokumentowana możliwość wizualna odczytuje obrazy; nie generuje ich. Wskazówki dla asystenta w opublikowanej karcie rozróżniają też ten model od transkrypcji audio i wideo, więc pytanie mówione lub wideo wymaga dostarczenia istotnej treści przez odpowiedni osobny etap przygotowania. Dostęp do internetu i działania zewnętrzne również pochodzą z połączonych narzędzi, a nie z samego modelu tekstowo-obrazowego.
Kontekst o wielkości 128 tys. tokenów dotyczy wejścia zadania i generowanej rozmowy, a przykład generowania 512 tokenów w karcie jest tylko przykładowym ustawieniem. W przeczytanych źródłach nie określono osobnej sztywnej maksymalnej długości odpowiedzi. Zachowaj konkretną edycję Instruct 2503, jej format rozmowy oraz żądane wyjaśnienie, rekord lub artefakt kodu.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 rozwija Small 3 2501, dodając rozumienie wizualne i rozszerzając obsługę długiego kontekstu do 128 tys. tokenów. Ma 24 mld parametrów i został dostrojony do wykonywania instrukcji na podstawie osobno nazwanego wydania Small 3.1 Base. Model przyjmuje tekst i obrazy oraz generuje tekst, w tym wyjaśnienie, kod lub uporządkowany rekord.\n\nGłówne możliwości\n\nWizja pozwala modelowi analizować widoczny materiał obok pytania użytkownika. Obraz dokumentu może dostarczyć pole lub stwierdzenie do zbadania, diagram relację do wyjaśnienia, a wykres dane stojące za porównaniem. Zachowaj czytelność etykiet, jednostek i istotnej otaczającej treści, aby pytanie odnosiło się do dowodów rzeczywiście obecnych na obrazie.\n\nProducent wymienia obsługę kilkudziesięciu języków, w tym rosyjskiego, angielskiego, francuskiego, niemieckiego, greckiego, hindi, indonezyjskiego, włoskiego, japońskiego, koreańskiego, malajskiego, nepalskiego, polskiego, portugalskiego, rumuńskiego, serbskiego, hiszpańskiego, szwedzkiego, tureckiego, ukraińskiego, wietnamskiego, arabskiego, bengalskiego, chińskiego i perskiego. Zdefiniuj język końcowy, czytelnika i terminologię dla odpowiedzi wielojęzycznej. Nazwy, cytowane etykiety, identyfikatory zmiennych i jednostki mogą pozostać niezmienione przy dostosowaniu otaczającego tekstu.\n\nKarta opisuje też możliwości rozmowy i rozumowania, natywne wywoływanie funkcji, wynik JSON i przestrzeganie promptów systemowych. Tokenizer to Tekken, ze słownikiem oznaczonym jako 131 tys. Są to funkcje wskazanego wydania dostrojonego do wykonywania instrukcji; jego edycja Base pełni inną rolę, a późniejsze wydania Small 3.2 i Small 4 zachowują własne zmiany i tryby.\n\nPrzygotowanie dokumentów, kodu i matematyki\n\nDla zadania z długimi dokumentami wskaż dokumenty i zadaj jedno zdefiniowane pytanie. Porównanie może dotyczyć macierzy wymagań ze stwierdzeniem, jego sekcją źródłową i ewentualną rozbieżnością między dokumentami. Podsumowanie może obejmować tylko materiał istotny dla wskazanej zmiany. Długi kontekst utrzymuje te źródła razem, a końcowa odpowiedź może pozostać zwięzła.\n\nDla wyjaśnienia kodu podaj funkcję i dane wejściowe, których zachowanie należy prześledzić. Uwzględnij istotne funkcje pomocnicze lub deklaracje i zapytaj, jak zmienia się stan przed zwróceniem wartości. Dla proponowanej modyfikacji określ wymaganie, publiczny interfejs do zachowania i oczekiwany wynik. Poproś o zmieniony kod oddzielnie od jego wyjaśnienia i przykładów.\n\nDla zadania matematycznego zdefiniuj symbole i założenia dotyczące dziedziny przed prośbą o wyprowadzenie. Określ, czy końcowy wynik powinien być dokładny, zaokrąglony czy stanowić dowód twierdzenia. Jeśli warunek znajduje się na obrazie, zachowaj czytelność wzoru i powiązanych etykiet oraz poproś model o zachowanie tej notacji w odpowiedzi. Takie przygotowanie przekształca udokumentowany nacisk modelu na programowanie i rozumowanie matematyczne w artefakt możliwy do sprawdzenia.\n\nFormat instrukcji i zalecane użycie\n\nProducent publikuje szablon rozmowy V7-Tekken, który rozróżnia role systemu, użytkownika i asystenta, oraz zaleca używanie odpowiadającej implementacji tokenizera jako źródła prawdy. Instrukcja systemowa powinna definiować rolę asystenta i reguły odpowiedzi, a wiadomość użytkownika zawierać właściwe zadanie i materiał źródłowy. Poprawne formatowanie rozmowy różni się od umieszczania etykiet przypominających role wewnątrz cytowanego dokumentu.\n\nKarta zaleca stosunkowo niską temperaturę, na przykład 0.15, i prompt systemowy dostosowany do zastosowania. Zdefiniuj pola lub sekcje wyniku i warunki, które muszą przetrwać przeredagowanie. Dla powtarzanej ekstrakcji poproś o JSON z określonymi nazwami i typami oraz reprezentacją wartości brakujących w źródle. Akapit wyjaśniający można zwrócić oddzielnie, gdy człowiek potrzebuje sprawdzić interpretację.\n\nPrzepływ wywoływania funkcji\n\nModel może wybrać funkcję spośród narzędzi opisanych przez aplikację i wygenerować jej argumenty. Aplikacja wykonuje funkcję, zwraca wynik z odpowiadającym mu wywołaniem narzędzia, a model wykorzystuje ten wynik w późniejszej odpowiedzi. Przykład producenta pokazuje ten cykl rozmowy, w tym wcześniejsze użycie narzędzia i nowe pytanie użytkownika. Proponowane wyszukiwanie jest więc odrębne od danych rzeczywiście zwróconych przez wyszukiwanie.\n\nPraktyczny asystent może najpierw wyodrębnić pytanie z dokumentu, a następnie użyć dostarczonej funkcji referencyjnej, aby uzyskać brakujący warunek. Opisz funkcję jasno, uwzględnij jej wymagane argumenty i zachowaj powiązanie zwróconego wyniku z operacją źródłową. JSON porządkuje wynik tekstowy; wywoływanie funkcji żąda połączonej operacji, zamiast po cichu wykonywać kod lub odczytywać bazę danych.\n\nOgraniczenia merytoryczne\n\nUdokumentowana możliwość wizualna odczytuje obrazy; nie generuje ich. Wskazówki dla asystenta w opublikowanej karcie rozróżniają też ten model od transkrypcji audio i wideo, więc pytanie mówione lub wideo wymaga dostarczenia istotnej treści przez odpowiedni osobny etap przygotowania. Dostęp do internetu i działania zewnętrzne również pochodzą z połączonych narzędzi, a nie z samego modelu tekstowo-obrazowego.\n\nKontekst o wielkości 128 tys. tokenów dotyczy wejścia zadania i generowanej rozmowy, a przykład generowania 512 tokenów w karcie jest tylko przykładowym ustawieniem. W przeczytanych źródłach nie określono osobnej sztywnej maksymalnej długości odpowiedzi. Zachowaj konkretną edycję Instruct 2503, jej format rozmowy oraz żądane wyjaśnienie, rekord lub artefakt kodu.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 dodaje rozumienie obrazów i kontekst producenta o wielkości 128 tys. tokenów do linii Small 3. Łączy tekst wielojęzyczny, programowanie i rozumowanie matematyczne z instrukcjami systemowymi, JSON i natywnym wywoływaniem funkcji w odrębnym wydaniu dostrojonym do wykonywania instrukcji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Small 3.1 24B Instruct 2503 rozwija Small 3 2501, dodając rozumienie wizualne i rozszerzając obsługę długiego kontekstu do 128 tys. tokenów. Ma 24 mld parametrów i został dostrojony do wykonywania instrukcji na podstawie osobno nazwanego wydania Small 3.1 Base. Model przyjmuje tekst i obrazy oraz generuje tekst, w tym wyjaśnienie, kod lub uporządkowany rekord.
Główne możliwości
Wizja pozwala modelowi analizować widoczny materiał obok pytania użytkownika. Obraz dokumentu może dostarczyć pole lub stwierdzenie do zbadania, diagram relację do wyjaśnienia, a wykres dane stojące za porównaniem. Zachowaj czytelność etykiet, jednostek i istotnej otaczającej treści, aby pytanie odnosiło się do dowodów rzeczywiście obecnych na obrazie.
Producent wymienia obsługę kilkudziesięciu języków, w tym rosyjskiego, angielskiego, francuskiego, niemieckiego, greckiego, hindi, indonezyjskiego, włoskiego, japońskiego, koreańskiego, malajskiego, nepalskiego, polskiego, portugalskiego, rumuńskiego, serbskiego, hiszpańskiego, szwedzkiego, tureckiego, ukraińskiego, wietnamskiego, arabskiego, bengalskiego, chińskiego i perskiego. Zdefiniuj język końcowy, czytelnika i terminologię dla odpowiedzi wielojęzycznej. Nazwy, cytowane etykiety, identyfikatory zmiennych i jednostki mogą pozostać niezmienione przy dostosowaniu otaczającego tekstu.
Karta opisuje też możliwości rozmowy i rozumowania, natywne wywoływanie funkcji, wynik JSON i przestrzeganie promptów systemowych. Tokenizer to Tekken, ze słownikiem oznaczonym jako 131 tys. Są to funkcje wskazanego wydania dostrojonego do wykonywania instrukcji; jego edycja Base pełni inną rolę, a późniejsze wydania Small 3.2 i Small 4 zachowują własne zmiany i tryby.
Przygotowanie dokumentów, kodu i matematyki
Dla zadania z długimi dokumentami wskaż dokumenty i zadaj jedno zdefiniowane pytanie. Porównanie może dotyczyć macierzy wymagań ze stwierdzeniem, jego sekcją źródłową i ewentualną rozbieżnością między dokumentami. Podsumowanie może obejmować tylko materiał istotny dla wskazanej zmiany. Długi kontekst utrzymuje te źródła razem, a końcowa odpowiedź może pozostać zwięzła.
Dla wyjaśnienia kodu podaj funkcję i dane wejściowe, których zachowanie należy prześledzić. Uwzględnij istotne funkcje pomocnicze lub deklaracje i zapytaj, jak zmienia się stan przed zwróceniem wartości. Dla proponowanej modyfikacji określ wymaganie, publiczny interfejs do zachowania i oczekiwany wynik. Poproś o zmieniony kod oddzielnie od jego wyjaśnienia i przykładów.
Dla zadania matematycznego zdefiniuj symbole i założenia dotyczące dziedziny przed prośbą o wyprowadzenie. Określ, czy końcowy wynik powinien być dokładny, zaokrąglony czy stanowić dowód twierdzenia. Jeśli warunek znajduje się na obrazie, zachowaj czytelność wzoru i powiązanych etykiet oraz poproś model o zachowanie tej notacji w odpowiedzi. Takie przygotowanie przekształca udokumentowany nacisk modelu na programowanie i rozumowanie matematyczne w artefakt możliwy do sprawdzenia.
Format instrukcji i zalecane użycie
Producent publikuje szablon rozmowy V7-Tekken, który rozróżnia role systemu, użytkownika i asystenta, oraz zaleca używanie odpowiadającej implementacji tokenizera jako źródła prawdy. Instrukcja systemowa powinna definiować rolę asystenta i reguły odpowiedzi, a wiadomość użytkownika zawierać właściwe zadanie i materiał źródłowy. Poprawne formatowanie rozmowy różni się od umieszczania etykiet przypominających role wewnątrz cytowanego dokumentu.
Karta zaleca stosunkowo niską temperaturę, na przykład 0.15, i prompt systemowy dostosowany do zastosowania. Zdefiniuj pola lub sekcje wyniku i warunki, które muszą przetrwać przeredagowanie. Dla powtarzanej ekstrakcji poproś o JSON z określonymi nazwami i typami oraz reprezentacją wartości brakujących w źródle. Akapit wyjaśniający można zwrócić oddzielnie, gdy człowiek potrzebuje sprawdzić interpretację.
Przepływ wywoływania funkcji
Model może wybrać funkcję spośród narzędzi opisanych przez aplikację i wygenerować jej argumenty. Aplikacja wykonuje funkcję, zwraca wynik z odpowiadającym mu wywołaniem narzędzia, a model wykorzystuje ten wynik w późniejszej odpowiedzi. Przykład producenta pokazuje ten cykl rozmowy, w tym wcześniejsze użycie narzędzia i nowe pytanie użytkownika. Proponowane wyszukiwanie jest więc odrębne od danych rzeczywiście zwróconych przez wyszukiwanie.
Praktyczny asystent może najpierw wyodrębnić pytanie z dokumentu, a następnie użyć dostarczonej funkcji referencyjnej, aby uzyskać brakujący warunek. Opisz funkcję jasno, uwzględnij jej wymagane argumenty i zachowaj powiązanie zwróconego wyniku z operacją źródłową. JSON porządkuje wynik tekstowy; wywoływanie funkcji żąda połączonej operacji, zamiast po cichu wykonywać kod lub odczytywać bazę danych.
Ograniczenia merytoryczne
Udokumentowana możliwość wizualna odczytuje obrazy; nie generuje ich. Wskazówki dla asystenta w opublikowanej karcie rozróżniają też ten model od transkrypcji audio i wideo, więc pytanie mówione lub wideo wymaga dostarczenia istotnej treści przez odpowiedni osobny etap przygotowania. Dostęp do internetu i działania zewnętrzne również pochodzą z połączonych narzędzi, a nie z samego modelu tekstowo-obrazowego.
Kontekst o wielkości 128 tys. tokenów dotyczy wejścia zadania i generowanej rozmowy, a przykład generowania 512 tokenów w karcie jest tylko przykładowym ustawieniem. W przeczytanych źródłach nie określono osobnej sztywnej maksymalnej długości odpowiedzi. Zachowaj konkretną edycję Instruct 2503, jej format rozmowy oraz żądane wyjaśnienie, rekord lub artefakt kodu.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00111 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0011 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00111 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-3.1-24b-instruct',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-3.1-24b-instruct',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-3.1-24b-instruct
Użyj ścieżek metod podanych powyżej.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 dodaje rozumienie obrazów i kontekst producenta o wielkości 128 tys. tokenów do linii Small 3. Łączy tekst wielojęzyczny, programowanie i rozumowanie matematyczne z instrukcjami systemowymi, JSON i natywnym wywoływaniem funkcji w odrębnym wydaniu dostrojonym do wykonywania instrukcji.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Small 3.1 24B Instruct 2503 rozwija Small 3 2501, dodając rozumienie wizualne i rozszerzając obsługę długiego kontekstu do 128 tys. tokenów. Ma 24 mld parametrów i został dostrojony do wykonywania instrukcji na podstawie osobno nazwanego wydania Small 3.1 Base. Model przyjmuje tekst i obrazy oraz generuje tekst, w tym wyjaśnienie, kod lub uporządkowany rekord.
Główne możliwości
Wizja pozwala modelowi analizować widoczny materiał obok pytania użytkownika. Obraz dokumentu może dostarczyć pole lub stwierdzenie do zbadania, diagram relację do wyjaśnienia, a wykres dane stojące za porównaniem. Zachowaj czytelność etykiet, jednostek i istotnej otaczającej treści, aby pytanie odnosiło się do dowodów rzeczywiście obecnych na obrazie.
Producent wymienia obsługę kilkudziesięciu języków, w tym rosyjskiego, angielskiego, francuskiego, niemieckiego, greckiego, hindi, indonezyjskiego, włoskiego, japońskiego, koreańskiego, malajskiego, nepalskiego, polskiego, portugalskiego, rumuńskiego, serbskiego, hiszpańskiego, szwedzkiego, tureckiego, ukraińskiego, wietnamskiego, arabskiego, bengalskiego, chińskiego i perskiego. Zdefiniuj język końcowy, czytelnika i terminologię dla odpowiedzi wielojęzycznej. Nazwy, cytowane etykiety, identyfikatory zmiennych i jednostki mogą pozostać niezmienione przy dostosowaniu otaczającego tekstu.
Karta opisuje też możliwości rozmowy i rozumowania, natywne wywoływanie funkcji, wynik JSON i przestrzeganie promptów systemowych. Tokenizer to Tekken, ze słownikiem oznaczonym jako 131 tys. Są to funkcje wskazanego wydania dostrojonego do wykonywania instrukcji; jego edycja Base pełni inną rolę, a późniejsze wydania Small 3.2 i Small 4 zachowują własne zmiany i tryby.
Przygotowanie dokumentów, kodu i matematyki
Dla zadania z długimi dokumentami wskaż dokumenty i zadaj jedno zdefiniowane pytanie. Porównanie może dotyczyć macierzy wymagań ze stwierdzeniem, jego sekcją źródłową i ewentualną rozbieżnością między dokumentami. Podsumowanie może obejmować tylko materiał istotny dla wskazanej zmiany. Długi kontekst utrzymuje te źródła razem, a końcowa odpowiedź może pozostać zwięzła.
Dla wyjaśnienia kodu podaj funkcję i dane wejściowe, których zachowanie należy prześledzić. Uwzględnij istotne funkcje pomocnicze lub deklaracje i zapytaj, jak zmienia się stan przed zwróceniem wartości. Dla proponowanej modyfikacji określ wymaganie, publiczny interfejs do zachowania i oczekiwany wynik. Poproś o zmieniony kod oddzielnie od jego wyjaśnienia i przykładów.
Dla zadania matematycznego zdefiniuj symbole i założenia dotyczące dziedziny przed prośbą o wyprowadzenie. Określ, czy końcowy wynik powinien być dokładny, zaokrąglony czy stanowić dowód twierdzenia. Jeśli warunek znajduje się na obrazie, zachowaj czytelność wzoru i powiązanych etykiet oraz poproś model o zachowanie tej notacji w odpowiedzi. Takie przygotowanie przekształca udokumentowany nacisk modelu na programowanie i rozumowanie matematyczne w artefakt możliwy do sprawdzenia.
Format instrukcji i zalecane użycie
Producent publikuje szablon rozmowy V7-Tekken, który rozróżnia role systemu, użytkownika i asystenta, oraz zaleca używanie odpowiadającej implementacji tokenizera jako źródła prawdy. Instrukcja systemowa powinna definiować rolę asystenta i reguły odpowiedzi, a wiadomość użytkownika zawierać właściwe zadanie i materiał źródłowy. Poprawne formatowanie rozmowy różni się od umieszczania etykiet przypominających role wewnątrz cytowanego dokumentu.
Karta zaleca stosunkowo niską temperaturę, na przykład 0.15, i prompt systemowy dostosowany do zastosowania. Zdefiniuj pola lub sekcje wyniku i warunki, które muszą przetrwać przeredagowanie. Dla powtarzanej ekstrakcji poproś o JSON z określonymi nazwami i typami oraz reprezentacją wartości brakujących w źródle. Akapit wyjaśniający można zwrócić oddzielnie, gdy człowiek potrzebuje sprawdzić interpretację.
Przepływ wywoływania funkcji
Model może wybrać funkcję spośród narzędzi opisanych przez aplikację i wygenerować jej argumenty. Aplikacja wykonuje funkcję, zwraca wynik z odpowiadającym mu wywołaniem narzędzia, a model wykorzystuje ten wynik w późniejszej odpowiedzi. Przykład producenta pokazuje ten cykl rozmowy, w tym wcześniejsze użycie narzędzia i nowe pytanie użytkownika. Proponowane wyszukiwanie jest więc odrębne od danych rzeczywiście zwróconych przez wyszukiwanie.
Praktyczny asystent może najpierw wyodrębnić pytanie z dokumentu, a następnie użyć dostarczonej funkcji referencyjnej, aby uzyskać brakujący warunek. Opisz funkcję jasno, uwzględnij jej wymagane argumenty i zachowaj powiązanie zwróconego wyniku z operacją źródłową. JSON porządkuje wynik tekstowy; wywoływanie funkcji żąda połączonej operacji, zamiast po cichu wykonywać kod lub odczytywać bazę danych.
Ograniczenia merytoryczne
Udokumentowana możliwość wizualna odczytuje obrazy; nie generuje ich. Wskazówki dla asystenta w opublikowanej karcie rozróżniają też ten model od transkrypcji audio i wideo, więc pytanie mówione lub wideo wymaga dostarczenia istotnej treści przez odpowiedni osobny etap przygotowania. Dostęp do internetu i działania zewnętrzne również pochodzą z połączonych narzędzi, a nie z samego modelu tekstowo-obrazowego.
Kontekst o wielkości 128 tys. tokenów dotyczy wejścia zadania i generowanej rozmowy, a przykład generowania 512 tokenów w karcie jest tylko przykładowym ustawieniem. W przeczytanych źródłach nie określono osobnej sztywnej maksymalnej długości odpowiedzi. Zachowaj konkretną edycję Instruct 2503, jej format rozmowy oraz żądane wyjaśnienie, rekord lub artefakt kodu.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00111 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0011 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00111 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-instruct', '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-3.1-24b-instruct', '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-3.1-24b-instruct
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.