Ministral 3 3B Instruct 2512 é a edição mais pequena ajustada para seguir instruções da família Ministral 3 da Mistral AI. O fabricante destina-a a aplicações compactas baseadas em instruções, incluindo legendagem de imagens, classificação de texto, extração de dados, tradução e conteúdos curtos. O ponto de controlo publicado usa precisão FP8 e combina processamento de texto com uma componente de entrada visual.
Componentes e capacidades do modelo
A ficha indica um modelo de linguagem com 3,4 mil milhões de parâmetros e um codificador visual com 0,4 mil milhões. Documenta uma janela de contexto de 256k, com um comprimento configurado por predefinição de 262 144 nas notas de utilização. Estas contagens das componentes pertencem à edição 3B, e não aos membros 8B ou 14B da família. O modelo aceita texto e imagens e gera texto, incluindo registos em formato JSON ou propostas de chamadas de funções.
O fabricante descreve suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Destaca também o cumprimento das instruções de sistema. Especifique a língua de saída pretendida e as etiquetas ou termos que devem permanecer inalterados. Assim, uma explicação traduzida ou um registo extraído mantém-se alinhado com a utilização prevista pela aplicação.
Classificação e extração orientadas para a tarefa
Numa tarefa de classificação, forneça as etiquetas permitidas, a regra que as distingue e a mensagem a classificar. Peça uma única etiqueta selecionada e uma explicação curta fundamentada na mensagem fornecida. Se as etiquetas forem ambíguas, defina a informação que permitiria distingui-las, em vez de depender apenas dos seus nomes. Obtém-se assim um resultado compacto, utilizável de forma consistente num fluxo de trabalho mais amplo.
Para extração, enumere os campos e os respetivos tipos e indique como representar informação em falta. Um pedido pode solicitar o identificador de um item, a condição explicitamente descrita e a ação que o utilizador está a pedir. Exija a formulação da fonte quando as palavras exatas forem importantes, ou um valor normalizado quando a aplicação fornecer a regra de normalização. A saída JSON organiza o resultado; a definição dos campos continua a fazer parte da tarefa, em vez de constituir um esquema universal incorporado.
A ficha refere também a legendagem de imagens e a geração de conteúdos curtos. Para uma legenda, defina o aspeto da imagem a descrever e o público. Para uma explicação curta, forneça os factos a preservar e a extensão pretendida. Uma resposta de apoio pode usar a pergunta original e as orientações fornecidas para produzir um próximo passo conciso, acompanhado da condição que o torna aplicável.
Preparação visual e multilingue
Associe uma imagem a uma pergunta textual clara. Para um campo de documento, preserve a etiqueta, o valor e o contexto envolvente necessário à sua interpretação. Para descrever um objeto, especifique a característica visível que interessa. O fabricante recomenda proporções de imagem próximas de 1:1 e evitar entradas demasiado estreitas ou largas; recorte conforme necessário sem retirar os elementos de prova de que a pergunta depende.
Para tradução, forneça o texto original, a língua de destino e qualquer lista terminológica. Peça o trecho traduzido em separado de uma eventual explicação. Uma tarefa de classificação multilingue pode manter inalteradas as etiquetas da aplicação e explicar a etiqueta selecionada na língua do leitor. São saídas definidas, em vez de um pedido para comentar livremente uma mensagem ou imagem.
Ferramentas e definições recomendadas
As chamadas nativas de funções permitem à aplicação ligar a conversa a uma operação descrita. O modelo prepara os argumentos da função, a aplicação executa-a e o resultado torna-se informação para a resposta seguinte. Uma consulta pode fornecer um valor em falta, ou uma ferramenta de cálculo pode operar sobre valores identificados numa imagem. O modelo de texto não executa a função pelo simples facto de produzir o seu nome e argumentos.
O fabricante recomenda uma instrução de sistema que defina o ambiente e o caso de utilização, incluindo orientações para as ferramentas. Mantenha claras as descrições das ferramentas e limite o conjunto às operações mínimas relevantes. Num assistente de âmbito restrito, uma tarefa explícita de extração ou consulta pode ser mais fácil de interpretar do que uma instrução com muitas funções não relacionadas e sem regra de seleção.
A ficha apresenta orientações de baixa temperatura: inferior a 0,1 para utilização quotidiana e em produção, e uma temperatura inicial de 0,1 para a maioria dos casos de utilização numa nota de amostragem separada. Podem explorar-se valores superiores para conteúdos criativos. Estas recomendações têm âmbitos declarados diferentes; não garantem que uma única definição de amostragem torne correto cada valor extraído ou cada classificação.
Edição e limites de contexto
Ministral 3 disponibiliza versões Base, Instruct e Reasoning separadas para cada dimensão do modelo. Esta entrada identifica o ponto de controlo Instruct 2512, e não um modo de raciocínio ativado automaticamente ou o modelo base pré-treinado. O fabricante enumera a especialização e o ajuste fino como possíveis aplicações, mas a tarefa atual baseada em instruções continua a precisar de entradas, regras e saídas claramente definidas.
Mantenha o material de origem relevante e a conversa dentro do contexto configurado e peça o resultado compacto necessário ao próximo passo da aplicação. As notas de utilização permitem reduzir o comprimento de contexto configurado para tarefas que não precisem da janela completa. Um exemplo de geração de 512 tokens e uma grande dotação de geração usada num exemplo não constituem capacidades máximas de saída documentadas de forma independente. A geração de imagens, a saída de áudio e as ações externas exigem outras componentes para além deste modelo com resultado textual.
", "aboutText": "Ministral 3 3B Instruct 2512 é a edição mais pequena ajustada para seguir instruções da família Ministral 3 da Mistral AI. O fabricante destina-a a aplicações compactas baseadas em instruções, incluindo legendagem de imagens, classificação de texto, extração de dados, tradução e conteúdos curtos. O ponto de controlo publicado usa precisão FP8 e combina processamento de texto com uma componente de entrada visual.\n\nComponentes e capacidades do modelo\n\nA ficha indica um modelo de linguagem com 3,4 mil milhões de parâmetros e um codificador visual com 0,4 mil milhões. Documenta uma janela de contexto de 256k, com um comprimento configurado por predefinição de 262 144 nas notas de utilização. Estas contagens das componentes pertencem à edição 3B, e não aos membros 8B ou 14B da família. O modelo aceita texto e imagens e gera texto, incluindo registos em formato JSON ou propostas de chamadas de funções.\n\nO fabricante descreve suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Destaca também o cumprimento das instruções de sistema. Especifique a língua de saída pretendida e as etiquetas ou termos que devem permanecer inalterados. Assim, uma explicação traduzida ou um registo extraído mantém-se alinhado com a utilização prevista pela aplicação.\n\nClassificação e extração orientadas para a tarefa\n\nNuma tarefa de classificação, forneça as etiquetas permitidas, a regra que as distingue e a mensagem a classificar. Peça uma única etiqueta selecionada e uma explicação curta fundamentada na mensagem fornecida. Se as etiquetas forem ambíguas, defina a informação que permitiria distingui-las, em vez de depender apenas dos seus nomes. Obtém-se assim um resultado compacto, utilizável de forma consistente num fluxo de trabalho mais amplo.\n\nPara extração, enumere os campos e os respetivos tipos e indique como representar informação em falta. Um pedido pode solicitar o identificador de um item, a condição explicitamente descrita e a ação que o utilizador está a pedir. Exija a formulação da fonte quando as palavras exatas forem importantes, ou um valor normalizado quando a aplicação fornecer a regra de normalização. A saída JSON organiza o resultado; a definição dos campos continua a fazer parte da tarefa, em vez de constituir um esquema universal incorporado.\n\nA ficha refere também a legendagem de imagens e a geração de conteúdos curtos. Para uma legenda, defina o aspeto da imagem a descrever e o público. Para uma explicação curta, forneça os factos a preservar e a extensão pretendida. Uma resposta de apoio pode usar a pergunta original e as orientações fornecidas para produzir um próximo passo conciso, acompanhado da condição que o torna aplicável.\n\nPreparação visual e multilingue\n\nAssocie uma imagem a uma pergunta textual clara. Para um campo de documento, preserve a etiqueta, o valor e o contexto envolvente necessário à sua interpretação. Para descrever um objeto, especifique a característica visível que interessa. O fabricante recomenda proporções de imagem próximas de 1:1 e evitar entradas demasiado estreitas ou largas; recorte conforme necessário sem retirar os elementos de prova de que a pergunta depende.\n\nPara tradução, forneça o texto original, a língua de destino e qualquer lista terminológica. Peça o trecho traduzido em separado de uma eventual explicação. Uma tarefa de classificação multilingue pode manter inalteradas as etiquetas da aplicação e explicar a etiqueta selecionada na língua do leitor. São saídas definidas, em vez de um pedido para comentar livremente uma mensagem ou imagem.\n\nFerramentas e definições recomendadas\n\nAs chamadas nativas de funções permitem à aplicação ligar a conversa a uma operação descrita. O modelo prepara os argumentos da função, a aplicação executa-a e o resultado torna-se informação para a resposta seguinte. Uma consulta pode fornecer um valor em falta, ou uma ferramenta de cálculo pode operar sobre valores identificados numa imagem. O modelo de texto não executa a função pelo simples facto de produzir o seu nome e argumentos.\n\nO fabricante recomenda uma instrução de sistema que defina o ambiente e o caso de utilização, incluindo orientações para as ferramentas. Mantenha claras as descrições das ferramentas e limite o conjunto às operações mínimas relevantes. Num assistente de âmbito restrito, uma tarefa explícita de extração ou consulta pode ser mais fácil de interpretar do que uma instrução com muitas funções não relacionadas e sem regra de seleção.\n\nA ficha apresenta orientações de baixa temperatura: inferior a 0,1 para utilização quotidiana e em produção, e uma temperatura inicial de 0,1 para a maioria dos casos de utilização numa nota de amostragem separada. Podem explorar-se valores superiores para conteúdos criativos. Estas recomendações têm âmbitos declarados diferentes; não garantem que uma única definição de amostragem torne correto cada valor extraído ou cada classificação.\n\nEdição e limites de contexto\n\nMinistral 3 disponibiliza versões Base, Instruct e Reasoning separadas para cada dimensão do modelo. Esta entrada identifica o ponto de controlo Instruct 2512, e não um modo de raciocínio ativado automaticamente ou o modelo base pré-treinado. O fabricante enumera a especialização e o ajuste fino como possíveis aplicações, mas a tarefa atual baseada em instruções continua a precisar de entradas, regras e saídas claramente definidas.\n\nMantenha o material de origem relevante e a conversa dentro do contexto configurado e peça o resultado compacto necessário ao próximo passo da aplicação. As notas de utilização permitem reduzir o comprimento de contexto configurado para tarefas que não precisem da janela completa. Um exemplo de geração de 512 tokens e uma grande dotação de geração usada num exemplo não constituem capacidades máximas de saída documentadas de forma independente. A geração de imagens, a saída de áudio e as ações externas exigem outras componentes para além deste modelo com resultado textual.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 é um modelo multilingue compacto de texto e imagem para classificação, extração, legendagem de imagens e conteúdos curtos. A componente linguística de 3,4 mil milhões de parâmetros e o codificador visual de 0,4 mil milhões suportam instruções de sistema, JSON, chamadas de funções e um contexto de 256k indicado pelo fabricante.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Ministral 3 3B Instruct 2512 é a edição mais pequena ajustada para seguir instruções da família Ministral 3 da Mistral AI. O fabricante destina-a a aplicações compactas baseadas em instruções, incluindo legendagem de imagens, classificação de texto, extração de dados, tradução e conteúdos curtos. O ponto de controlo publicado usa precisão FP8 e combina processamento de texto com uma componente de entrada visual.
Componentes e capacidades do modelo
A ficha indica um modelo de linguagem com 3,4 mil milhões de parâmetros e um codificador visual com 0,4 mil milhões. Documenta uma janela de contexto de 256k, com um comprimento configurado por predefinição de 262 144 nas notas de utilização. Estas contagens das componentes pertencem à edição 3B, e não aos membros 8B ou 14B da família. O modelo aceita texto e imagens e gera texto, incluindo registos em formato JSON ou propostas de chamadas de funções.
O fabricante descreve suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Destaca também o cumprimento das instruções de sistema. Especifique a língua de saída pretendida e as etiquetas ou termos que devem permanecer inalterados. Assim, uma explicação traduzida ou um registo extraído mantém-se alinhado com a utilização prevista pela aplicação.
Classificação e extração orientadas para a tarefa
Numa tarefa de classificação, forneça as etiquetas permitidas, a regra que as distingue e a mensagem a classificar. Peça uma única etiqueta selecionada e uma explicação curta fundamentada na mensagem fornecida. Se as etiquetas forem ambíguas, defina a informação que permitiria distingui-las, em vez de depender apenas dos seus nomes. Obtém-se assim um resultado compacto, utilizável de forma consistente num fluxo de trabalho mais amplo.
Para extração, enumere os campos e os respetivos tipos e indique como representar informação em falta. Um pedido pode solicitar o identificador de um item, a condição explicitamente descrita e a ação que o utilizador está a pedir. Exija a formulação da fonte quando as palavras exatas forem importantes, ou um valor normalizado quando a aplicação fornecer a regra de normalização. A saída JSON organiza o resultado; a definição dos campos continua a fazer parte da tarefa, em vez de constituir um esquema universal incorporado.
A ficha refere também a legendagem de imagens e a geração de conteúdos curtos. Para uma legenda, defina o aspeto da imagem a descrever e o público. Para uma explicação curta, forneça os factos a preservar e a extensão pretendida. Uma resposta de apoio pode usar a pergunta original e as orientações fornecidas para produzir um próximo passo conciso, acompanhado da condição que o torna aplicável.
Preparação visual e multilingue
Associe uma imagem a uma pergunta textual clara. Para um campo de documento, preserve a etiqueta, o valor e o contexto envolvente necessário à sua interpretação. Para descrever um objeto, especifique a característica visível que interessa. O fabricante recomenda proporções de imagem próximas de 1:1 e evitar entradas demasiado estreitas ou largas; recorte conforme necessário sem retirar os elementos de prova de que a pergunta depende.
Para tradução, forneça o texto original, a língua de destino e qualquer lista terminológica. Peça o trecho traduzido em separado de uma eventual explicação. Uma tarefa de classificação multilingue pode manter inalteradas as etiquetas da aplicação e explicar a etiqueta selecionada na língua do leitor. São saídas definidas, em vez de um pedido para comentar livremente uma mensagem ou imagem.
Ferramentas e definições recomendadas
As chamadas nativas de funções permitem à aplicação ligar a conversa a uma operação descrita. O modelo prepara os argumentos da função, a aplicação executa-a e o resultado torna-se informação para a resposta seguinte. Uma consulta pode fornecer um valor em falta, ou uma ferramenta de cálculo pode operar sobre valores identificados numa imagem. O modelo de texto não executa a função pelo simples facto de produzir o seu nome e argumentos.
O fabricante recomenda uma instrução de sistema que defina o ambiente e o caso de utilização, incluindo orientações para as ferramentas. Mantenha claras as descrições das ferramentas e limite o conjunto às operações mínimas relevantes. Num assistente de âmbito restrito, uma tarefa explícita de extração ou consulta pode ser mais fácil de interpretar do que uma instrução com muitas funções não relacionadas e sem regra de seleção.
A ficha apresenta orientações de baixa temperatura: inferior a 0,1 para utilização quotidiana e em produção, e uma temperatura inicial de 0,1 para a maioria dos casos de utilização numa nota de amostragem separada. Podem explorar-se valores superiores para conteúdos criativos. Estas recomendações têm âmbitos declarados diferentes; não garantem que uma única definição de amostragem torne correto cada valor extraído ou cada classificação.
Edição e limites de contexto
Ministral 3 disponibiliza versões Base, Instruct e Reasoning separadas para cada dimensão do modelo. Esta entrada identifica o ponto de controlo Instruct 2512, e não um modo de raciocínio ativado automaticamente ou o modelo base pré-treinado. O fabricante enumera a especialização e o ajuste fino como possíveis aplicações, mas a tarefa atual baseada em instruções continua a precisar de entradas, regras e saídas claramente definidas.
Mantenha o material de origem relevante e a conversa dentro do contexto configurado e peça o resultado compacto necessário ao próximo passo da aplicação. As notas de utilização permitem reduzir o comprimento de contexto configurado para tarefas que não precisem da janela completa. Um exemplo de geração de 512 tokens e uma grande dotação de geração usada num exemplo não constituem capacidades máximas de saída documentadas de forma independente. A geração de imagens, a saída de áudio e as ações externas exigem outras componentes para além deste modelo com resultado textual.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/ministral-3b-2512 | 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.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00066 / 1K tokens Saída · Tokens de saída $0.00066 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00066 / 1K tokens Saída · Tokens de saída $0.00066 / 1K tokens Entrada · Leitura da cache $0.00002 / 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": "mistralai/ministral-3b-2512", "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/ministral-3b-2512',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/ministral-3b-2512',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 mistralai/ministral-3b-2512
Use os caminhos dos métodos indicados acima.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 é um modelo multilingue compacto de texto e imagem para classificação, extração, legendagem de imagens e conteúdos curtos. A componente linguística de 3,4 mil milhões de parâmetros e o codificador visual de 0,4 mil milhões suportam instruções de sistema, JSON, chamadas de funções e um contexto de 256k indicado pelo fabricante.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Ministral 3 3B Instruct 2512 é a edição mais pequena ajustada para seguir instruções da família Ministral 3 da Mistral AI. O fabricante destina-a a aplicações compactas baseadas em instruções, incluindo legendagem de imagens, classificação de texto, extração de dados, tradução e conteúdos curtos. O ponto de controlo publicado usa precisão FP8 e combina processamento de texto com uma componente de entrada visual.
Componentes e capacidades do modelo
A ficha indica um modelo de linguagem com 3,4 mil milhões de parâmetros e um codificador visual com 0,4 mil milhões. Documenta uma janela de contexto de 256k, com um comprimento configurado por predefinição de 262 144 nas notas de utilização. Estas contagens das componentes pertencem à edição 3B, e não aos membros 8B ou 14B da família. O modelo aceita texto e imagens e gera texto, incluindo registos em formato JSON ou propostas de chamadas de funções.
O fabricante descreve suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Destaca também o cumprimento das instruções de sistema. Especifique a língua de saída pretendida e as etiquetas ou termos que devem permanecer inalterados. Assim, uma explicação traduzida ou um registo extraído mantém-se alinhado com a utilização prevista pela aplicação.
Classificação e extração orientadas para a tarefa
Numa tarefa de classificação, forneça as etiquetas permitidas, a regra que as distingue e a mensagem a classificar. Peça uma única etiqueta selecionada e uma explicação curta fundamentada na mensagem fornecida. Se as etiquetas forem ambíguas, defina a informação que permitiria distingui-las, em vez de depender apenas dos seus nomes. Obtém-se assim um resultado compacto, utilizável de forma consistente num fluxo de trabalho mais amplo.
Para extração, enumere os campos e os respetivos tipos e indique como representar informação em falta. Um pedido pode solicitar o identificador de um item, a condição explicitamente descrita e a ação que o utilizador está a pedir. Exija a formulação da fonte quando as palavras exatas forem importantes, ou um valor normalizado quando a aplicação fornecer a regra de normalização. A saída JSON organiza o resultado; a definição dos campos continua a fazer parte da tarefa, em vez de constituir um esquema universal incorporado.
A ficha refere também a legendagem de imagens e a geração de conteúdos curtos. Para uma legenda, defina o aspeto da imagem a descrever e o público. Para uma explicação curta, forneça os factos a preservar e a extensão pretendida. Uma resposta de apoio pode usar a pergunta original e as orientações fornecidas para produzir um próximo passo conciso, acompanhado da condição que o torna aplicável.
Preparação visual e multilingue
Associe uma imagem a uma pergunta textual clara. Para um campo de documento, preserve a etiqueta, o valor e o contexto envolvente necessário à sua interpretação. Para descrever um objeto, especifique a característica visível que interessa. O fabricante recomenda proporções de imagem próximas de 1:1 e evitar entradas demasiado estreitas ou largas; recorte conforme necessário sem retirar os elementos de prova de que a pergunta depende.
Para tradução, forneça o texto original, a língua de destino e qualquer lista terminológica. Peça o trecho traduzido em separado de uma eventual explicação. Uma tarefa de classificação multilingue pode manter inalteradas as etiquetas da aplicação e explicar a etiqueta selecionada na língua do leitor. São saídas definidas, em vez de um pedido para comentar livremente uma mensagem ou imagem.
Ferramentas e definições recomendadas
As chamadas nativas de funções permitem à aplicação ligar a conversa a uma operação descrita. O modelo prepara os argumentos da função, a aplicação executa-a e o resultado torna-se informação para a resposta seguinte. Uma consulta pode fornecer um valor em falta, ou uma ferramenta de cálculo pode operar sobre valores identificados numa imagem. O modelo de texto não executa a função pelo simples facto de produzir o seu nome e argumentos.
O fabricante recomenda uma instrução de sistema que defina o ambiente e o caso de utilização, incluindo orientações para as ferramentas. Mantenha claras as descrições das ferramentas e limite o conjunto às operações mínimas relevantes. Num assistente de âmbito restrito, uma tarefa explícita de extração ou consulta pode ser mais fácil de interpretar do que uma instrução com muitas funções não relacionadas e sem regra de seleção.
A ficha apresenta orientações de baixa temperatura: inferior a 0,1 para utilização quotidiana e em produção, e uma temperatura inicial de 0,1 para a maioria dos casos de utilização numa nota de amostragem separada. Podem explorar-se valores superiores para conteúdos criativos. Estas recomendações têm âmbitos declarados diferentes; não garantem que uma única definição de amostragem torne correto cada valor extraído ou cada classificação.
Edição e limites de contexto
Ministral 3 disponibiliza versões Base, Instruct e Reasoning separadas para cada dimensão do modelo. Esta entrada identifica o ponto de controlo Instruct 2512, e não um modo de raciocínio ativado automaticamente ou o modelo base pré-treinado. O fabricante enumera a especialização e o ajuste fino como possíveis aplicações, mas a tarefa atual baseada em instruções continua a precisar de entradas, regras e saídas claramente definidas.
Mantenha o material de origem relevante e a conversa dentro do contexto configurado e peça o resultado compacto necessário ao próximo passo da aplicação. As notas de utilização permitem reduzir o comprimento de contexto configurado para tarefas que não precisem da janela completa. Um exemplo de geração de 512 tokens e uma grande dotação de geração usada num exemplo não constituem capacidades máximas de saída documentadas de forma independente. A geração de imagens, a saída de áudio e as ações externas exigem outras componentes para além deste modelo com resultado textual.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/ministral-3b-2512 | 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.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00066 / 1K tokens Saída · Tokens de saída $0.00066 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00066 / 1K tokens Saída · Tokens de saída $0.00066 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/ministral-3b-2512', '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/ministral-3b-2512', '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 mistralai/ministral-3b-2512
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.