Devstral Small 1.1 é o modelo fixo exclusivamente textual da Mistral AI para agentes de engenharia de software. É afinado a partir de Mistral Small 3.1 com o codificador visual removido, concentrando o modelo na exploração de repositórios, em ferramentas e em alterações de código entre vários ficheiros. A versão tem 24 mil milhões de parâmetros e uma janela de contexto de até 128K tokens. A saída consiste em texto, código ou instruções para as funções disponibilizadas pela aplicação do agente.
A versão 1.1 mantém a arquitetura da versão Small anterior, alargando a forma como trabalha com prompts e ambientes de programação. O fabricante descreve melhor generalização entre diferentes estruturas de agentes e acrescenta suporte ao formato de chamadas de funções da Mistral, além de formatos baseados em XML. Estas são formas de expressar e interpretar interações de agentes; as ferramentas fornecidas e o ambiente de execução determinam quais as ações disponíveis no repositório.
As principais propriedades do modelo incluem a dimensão de 24B, pesos Apache 2.0 e o tokenizador Tekken com um vocabulário de aproximadamente 131K entradas. A edição fixa 1.1 é identificada pelo seu próprio nome de versão e mantém o contexto de 128K. O material textual do projeto pode incluir ficheiros de origem, requisitos da tarefa, ações anteriores e os resultados devolvidos por pesquisas ou comandos. Isto permite que a alteração proposta seguinte se baseie no que o agente aprendeu sobre o projeto.
Um fluxo de trabalho prático começa com um objetivo de engenharia específico. Peça ao agente que localize o caminho que trata um pedido, identifique as funções relevantes e proponha alterações coordenadas nos ficheiros envolvidos. Forneça o comportamento esperado, os requisitos de compatibilidade e exemplos que distingam um resultado correto. Para um defeito, inclua o erro observado e a entrada que o reproduz. Para uma refatorização, indique as interfaces e o comportamento que devem permanecer estáveis. O resultado útil é a alteração proposta juntamente com uma explicação das respetivas dependências e das verificações necessárias para a validar.
O modelo suporta também respostas estruturadas e perguntas sobre documentos. Uma tarefa de revisão de código pode devolver campos separados para componentes afetados, alterações propostas e verificações de seguimento. Uma tarefa sobre documentação técnica pode identificar os requisitos relevantes para a implementação. A continuação de prefixo pode estabelecer o início de uma resposta, enquanto fluxos assíncronos por lotes podem tratar tarefas independentes de análise de código. Estas funcionalidades complementam a especialização principal em repositórios e ferramentas.
Num agente com a API Ailoot, forneça as descrições das ferramentas e os respetivos esquemas de argumentos juntamente com a tarefa. Devstral pode selecionar uma função e preparar argumentos; a aplicação executa a função, devolve a saída e mantém a conversa. O modelo não obtém acesso a ficheiros de forma independente nem executa o código que sugere. Utilize os resultados devolvidos pelas ferramentas para aperfeiçoar as alterações propostas e termine com o conteúdo de código, a explicação e os elementos fornecidos pelo ambiente. A identidade Small 1.1 mantém-se separada das edições Devstral posteriores e das versões de uso geral Mistral Small.
", "aboutText": "Devstral Small 1.1 é o modelo fixo exclusivamente textual da Mistral AI para agentes de engenharia de software. É afinado a partir de Mistral Small 3.1 com o codificador visual removido, concentrando o modelo na exploração de repositórios, em ferramentas e em alterações de código entre vários ficheiros. A versão tem 24 mil milhões de parâmetros e uma janela de contexto de até 128K tokens. A saída consiste em texto, código ou instruções para as funções disponibilizadas pela aplicação do agente.\n\nA versão 1.1 mantém a arquitetura da versão Small anterior, alargando a forma como trabalha com prompts e ambientes de programação. O fabricante descreve melhor generalização entre diferentes estruturas de agentes e acrescenta suporte ao formato de chamadas de funções da Mistral, além de formatos baseados em XML. Estas são formas de expressar e interpretar interações de agentes; as ferramentas fornecidas e o ambiente de execução determinam quais as ações disponíveis no repositório.\n\nAs principais propriedades do modelo incluem a dimensão de 24B, pesos Apache 2.0 e o tokenizador Tekken com um vocabulário de aproximadamente 131K entradas. A edição fixa 1.1 é identificada pelo seu próprio nome de versão e mantém o contexto de 128K. O material textual do projeto pode incluir ficheiros de origem, requisitos da tarefa, ações anteriores e os resultados devolvidos por pesquisas ou comandos. Isto permite que a alteração proposta seguinte se baseie no que o agente aprendeu sobre o projeto.\n\nUm fluxo de trabalho prático começa com um objetivo de engenharia específico. Peça ao agente que localize o caminho que trata um pedido, identifique as funções relevantes e proponha alterações coordenadas nos ficheiros envolvidos. Forneça o comportamento esperado, os requisitos de compatibilidade e exemplos que distingam um resultado correto. Para um defeito, inclua o erro observado e a entrada que o reproduz. Para uma refatorização, indique as interfaces e o comportamento que devem permanecer estáveis. O resultado útil é a alteração proposta juntamente com uma explicação das respetivas dependências e das verificações necessárias para a validar.\n\nO modelo suporta também respostas estruturadas e perguntas sobre documentos. Uma tarefa de revisão de código pode devolver campos separados para componentes afetados, alterações propostas e verificações de seguimento. Uma tarefa sobre documentação técnica pode identificar os requisitos relevantes para a implementação. A continuação de prefixo pode estabelecer o início de uma resposta, enquanto fluxos assíncronos por lotes podem tratar tarefas independentes de análise de código. Estas funcionalidades complementam a especialização principal em repositórios e ferramentas.\n\nNum agente com a API Ailoot, forneça as descrições das ferramentas e os respetivos esquemas de argumentos juntamente com a tarefa. Devstral pode selecionar uma função e preparar argumentos; a aplicação executa a função, devolve a saída e mantém a conversa. O modelo não obtém acesso a ficheiros de forma independente nem executa o código que sugere. Utilize os resultados devolvidos pelas ferramentas para aperfeiçoar as alterações propostas e termine com o conteúdo de código, a explicação e os elementos fornecidos pelo ambiente. A identidade Small 1.1 mantém-se separada das edições Devstral posteriores e das versões de uso geral Mistral Small.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.devstral-small-2507Devstral Small 1.1 é o modelo exclusivamente textual de 24B da Mistral AI para agentes de programação que exploram repositórios e preparam alterações coordenadas entre ficheiros. A versão 1.1 acrescenta compatibilidade mais ampla com prompts e suporta chamadas de funções e formatos de agente baseados em XML, com uma janela de contexto de 128K.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Devstral Small 1.1 é o modelo fixo exclusivamente textual da Mistral AI para agentes de engenharia de software. É afinado a partir de Mistral Small 3.1 com o codificador visual removido, concentrando o modelo na exploração de repositórios, em ferramentas e em alterações de código entre vários ficheiros. A versão tem 24 mil milhões de parâmetros e uma janela de contexto de até 128K tokens. A saída consiste em texto, código ou instruções para as funções disponibilizadas pela aplicação do agente.
A versão 1.1 mantém a arquitetura da versão Small anterior, alargando a forma como trabalha com prompts e ambientes de programação. O fabricante descreve melhor generalização entre diferentes estruturas de agentes e acrescenta suporte ao formato de chamadas de funções da Mistral, além de formatos baseados em XML. Estas são formas de expressar e interpretar interações de agentes; as ferramentas fornecidas e o ambiente de execução determinam quais as ações disponíveis no repositório.
As principais propriedades do modelo incluem a dimensão de 24B, pesos Apache 2.0 e o tokenizador Tekken com um vocabulário de aproximadamente 131K entradas. A edição fixa 1.1 é identificada pelo seu próprio nome de versão e mantém o contexto de 128K. O material textual do projeto pode incluir ficheiros de origem, requisitos da tarefa, ações anteriores e os resultados devolvidos por pesquisas ou comandos. Isto permite que a alteração proposta seguinte se baseie no que o agente aprendeu sobre o projeto.
Um fluxo de trabalho prático começa com um objetivo de engenharia específico. Peça ao agente que localize o caminho que trata um pedido, identifique as funções relevantes e proponha alterações coordenadas nos ficheiros envolvidos. Forneça o comportamento esperado, os requisitos de compatibilidade e exemplos que distingam um resultado correto. Para um defeito, inclua o erro observado e a entrada que o reproduz. Para uma refatorização, indique as interfaces e o comportamento que devem permanecer estáveis. O resultado útil é a alteração proposta juntamente com uma explicação das respetivas dependências e das verificações necessárias para a validar.
O modelo suporta também respostas estruturadas e perguntas sobre documentos. Uma tarefa de revisão de código pode devolver campos separados para componentes afetados, alterações propostas e verificações de seguimento. Uma tarefa sobre documentação técnica pode identificar os requisitos relevantes para a implementação. A continuação de prefixo pode estabelecer o início de uma resposta, enquanto fluxos assíncronos por lotes podem tratar tarefas independentes de análise de código. Estas funcionalidades complementam a especialização principal em repositórios e ferramentas.
Num agente com a API Ailoot, forneça as descrições das ferramentas e os respetivos esquemas de argumentos juntamente com a tarefa. Devstral pode selecionar uma função e preparar argumentos; a aplicação executa a função, devolve a saída e mantém a conversa. O modelo não obtém acesso a ficheiros de forma independente nem executa o código que sugere. Utilize os resultados devolvidos pelas ferramentas para aperfeiçoar as alterações propostas e termine com o conteúdo de código, a explicação e os elementos fornecidos pelo ambiente. A identidade Small 1.1 mantém-se separada das edições Devstral posteriores e das versões de uso geral Mistral Small.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites devstral-small-2507 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00022 / 1K tokens Saída · Tokens de saída $0.00066 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-small-2507", "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='devstral-small-2507',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='devstral-small-2507',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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra devstral-small-2507
Use os caminhos dos métodos indicados acima.
devstral-small-2507Devstral Small 1.1 é o modelo exclusivamente textual de 24B da Mistral AI para agentes de programação que exploram repositórios e preparam alterações coordenadas entre ficheiros. A versão 1.1 acrescenta compatibilidade mais ampla com prompts e suporta chamadas de funções e formatos de agente baseados em XML, com uma janela de contexto de 128K.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Devstral Small 1.1 é o modelo fixo exclusivamente textual da Mistral AI para agentes de engenharia de software. É afinado a partir de Mistral Small 3.1 com o codificador visual removido, concentrando o modelo na exploração de repositórios, em ferramentas e em alterações de código entre vários ficheiros. A versão tem 24 mil milhões de parâmetros e uma janela de contexto de até 128K tokens. A saída consiste em texto, código ou instruções para as funções disponibilizadas pela aplicação do agente.
A versão 1.1 mantém a arquitetura da versão Small anterior, alargando a forma como trabalha com prompts e ambientes de programação. O fabricante descreve melhor generalização entre diferentes estruturas de agentes e acrescenta suporte ao formato de chamadas de funções da Mistral, além de formatos baseados em XML. Estas são formas de expressar e interpretar interações de agentes; as ferramentas fornecidas e o ambiente de execução determinam quais as ações disponíveis no repositório.
As principais propriedades do modelo incluem a dimensão de 24B, pesos Apache 2.0 e o tokenizador Tekken com um vocabulário de aproximadamente 131K entradas. A edição fixa 1.1 é identificada pelo seu próprio nome de versão e mantém o contexto de 128K. O material textual do projeto pode incluir ficheiros de origem, requisitos da tarefa, ações anteriores e os resultados devolvidos por pesquisas ou comandos. Isto permite que a alteração proposta seguinte se baseie no que o agente aprendeu sobre o projeto.
Um fluxo de trabalho prático começa com um objetivo de engenharia específico. Peça ao agente que localize o caminho que trata um pedido, identifique as funções relevantes e proponha alterações coordenadas nos ficheiros envolvidos. Forneça o comportamento esperado, os requisitos de compatibilidade e exemplos que distingam um resultado correto. Para um defeito, inclua o erro observado e a entrada que o reproduz. Para uma refatorização, indique as interfaces e o comportamento que devem permanecer estáveis. O resultado útil é a alteração proposta juntamente com uma explicação das respetivas dependências e das verificações necessárias para a validar.
O modelo suporta também respostas estruturadas e perguntas sobre documentos. Uma tarefa de revisão de código pode devolver campos separados para componentes afetados, alterações propostas e verificações de seguimento. Uma tarefa sobre documentação técnica pode identificar os requisitos relevantes para a implementação. A continuação de prefixo pode estabelecer o início de uma resposta, enquanto fluxos assíncronos por lotes podem tratar tarefas independentes de análise de código. Estas funcionalidades complementam a especialização principal em repositórios e ferramentas.
Num agente com a API Ailoot, forneça as descrições das ferramentas e os respetivos esquemas de argumentos juntamente com a tarefa. Devstral pode selecionar uma função e preparar argumentos; a aplicação executa a função, devolve a saída e mantém a conversa. O modelo não obtém acesso a ficheiros de forma independente nem executa o código que sugere. Utilize os resultados devolvidos pelas ferramentas para aperfeiçoar as alterações propostas e termine com o conteúdo de código, a explicação e os elementos fornecidos pelo ambiente. A identidade Small 1.1 mantém-se separada das edições Devstral posteriores e das versões de uso geral Mistral Small.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites devstral-small-2507 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00022 / 1K tokens Saída · Tokens de saída $0.00066 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "devstral-small-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'devstral-small-2507', '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': 'devstral-small-2507', '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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra devstral-small-2507
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Coordinate a renamed function\n\nTwo Python files contain: service.py: def load_user(uid): return {'id': uid}; handler.py: from service import load_user; def handle(uid): return load_user(uid). Rename load_user to fetch_user in both files while preserving handle's interface and returned value. Return separate changed file blocks and one regression assertion for handle(7).Two named Python file blocks and an assertion preserving handle behavior.The import, definition and call must all use fetch_user while handle remains callable by its original name.