Mistral Small 4 combina seguimento geral de instruções, raciocínio e programação num único modelo multimodal. O fabricante descreve-o como uma unificação das famílias Instruct, Magistral de raciocínio e Devstral de programação. Aceita texto e imagens e devolve texto, com chamadas de funções e saída JSON disponíveis para aplicações assistidas por ferramentas.
Arquitetura e funcionalidades principais
A versão tem 119 mil milhões de parâmetros no total e ativa 6,5 mil milhões por token. A arquitetura de mistura de especialistas contém 128 especialistas, dos quais 4 ativos, e o fabricante documenta uma janela de contexto de 256k. A contagem de parâmetros ativos e o número de especialistas descrevem a organização do modelo; são distintos da quantidade de conteúdo textual ou visual incluído numa tarefa.
O modelo disponibiliza funcionalidades de instruções e raciocínio no mesmo ponto de controlo. O fabricante identifica também visão, cumprimento de instruções de sistema e suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Uma instrução textual pode, portanto, perguntar sobre uma imagem ou combinar um requisito escrito com elementos de prova visíveis, recebendo a resposta em texto.
Uma tarefa visual pode fornecer uma página documental e pedir os valores relevantes para uma condição identificada. Mantenha legíveis as etiquetas e unidades e indique se o resultado deve preservar a formulação original, resumi-la ou compará-la com outra fonte. Uma tarefa de interface pode associar uma captura de ecrã ao objetivo do utilizador e pedir o controlo visível relevante e os elementos de prova que sustentam o próximo passo proposto.
Escolha entre o modo de instruções e o de raciocínio
A ficha publicada documenta o esforço de raciocínio none para uma resposta imediata orientada por instruções e high para raciocínio, recomendando high para prompts complexos. A escolha é feita por pedido dentro do mesmo modelo Small 4. Uma classificação comum ou reescrita curta pode ter um contrato de resposta diferente de um problema matemático, visual ou de programação que exija uma explicação desenvolvida.
O fabricante recomenda temperature 0.7 para esforço de raciocínio high. Para none, especifica temperaturas entre 0.0 e 0.7 conforme a tarefa. Estas definições descrevem os modos documentados e não transformam o esforço de raciocínio numa garantia de resultado correto. Defina as hipóteses, o formato da saída e as fontes relevantes antes de escolher quanto raciocínio a tarefa exige.
Para um problema resolvido, forneça a condição completa e peça os passos importantes justificados, seguidos da expressão final. Para uma tarefa de código, forneça o requisito, a função afetada e uma entrada concreta; peça a implementação proposta separadamente da explicação e dos exemplos. As demonstrações de utilização do fabricante incluem seguimento de instruções, uma ferramenta de cálculo aplicada a uma imagem e raciocínio visual, ilustrando como texto e elementos de prova visuais podem entrar nestas diferentes tarefas.
Programação, documentos e ferramentas
O modelo destina-se a exploração de bases de código e agentes de engenharia de software, assistentes gerais, compreensão documental e investigação. Um pedido a um agente de programação pode identificar o módulo a alterar, a interface a preservar e o comportamento pretendido. Forneça o código relevante e os elementos de prova da falha. O modelo pode propor a próxima operação ou uma alteração de código, enquanto a aplicação fornece acesso ao repositório, execução e retorno dos resultados.
Para extração documental, identifique os campos obrigatórios e como representar informação em falta. Um registo útil pode separar o identificador documental, a afirmação da fonte, o requisito interpretado e a questão por resolver. A ficha do serviço do fabricante enumera saída estruturada personalizada e perguntas sobre documentos; estas usam processamento documental e OCR para preparar texto e estrutura antes da análise pelo modelo de linguagem. Uma pergunta direta sobre imagem e um fluxo documental assistido por OCR devem manter a sua própria preparação de entrada.
As chamadas de funções exigem ferramentas claramente descritas. O modelo seleciona uma função e cria os argumentos; a aplicação executa a operação e devolve o resultado para a resposta subsequente. A mesma lógica aplica-se a consultas, cálculos ou operações de programação. A formatação JSON organiza uma resposta, enquanto uma chamada de ferramenta pede uma ação externa; os dois não devem ser tratados como resultados intercambiáveis.
A ficha do serviço enumera também saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas são úteis quando um documento ou ficheiro de código deve ser regenerado com uma alteração limitada e o restante conteúdo é conhecido. Especifique a edição e o material a preservar. A continuação por prefixo usa um início conhecido da resposta, enquanto o processamento em lote diz respeito à submissão do trabalho, não a um modo adicional de raciocínio.
Contexto e limites da edição
Planeie a tarefa escrita, o material visual, a conversa e a resposta pretendida em função do contexto documentado de 256k. O exemplo de utilização publicado configura um contexto de 262 144 tokens, enquanto o exemplo de geração de 1 024 tokens não é uma capacidade máxima separada de saída. As fontes lidas não fornecem um limite rígido independente de extensão de resposta que substitua a extensão escolhida para a tarefa.
Small 4 tem a sua própria arquitetura de mistura de especialistas com 119 mil milhões de parâmetros e modos híbridos. Não deve herdar a arquitetura densa de 128 mil milhões do Medium 3.5 nem as edições Instruct e Reasoning separadas do Ministral 3. O fabricante publica também artefactos distintos quantizados e de descodificação especulativa; são artefactos separados de implementação, não modalidades de conteúdo diferentes. Preserve a versão identificada como Small 4 e o modo pedido para o resultado efetivo de explicação, registo estruturado ou código.
", "aboutText": "Mistral Small 4 combina seguimento geral de instruções, raciocínio e programação num único modelo multimodal. O fabricante descreve-o como uma unificação das famílias Instruct, Magistral de raciocínio e Devstral de programação. Aceita texto e imagens e devolve texto, com chamadas de funções e saída JSON disponíveis para aplicações assistidas por ferramentas.\n\nArquitetura e funcionalidades principais\n\nA versão tem 119 mil milhões de parâmetros no total e ativa 6,5 mil milhões por token. A arquitetura de mistura de especialistas contém 128 especialistas, dos quais 4 ativos, e o fabricante documenta uma janela de contexto de 256k. A contagem de parâmetros ativos e o número de especialistas descrevem a organização do modelo; são distintos da quantidade de conteúdo textual ou visual incluído numa tarefa.\n\nO modelo disponibiliza funcionalidades de instruções e raciocínio no mesmo ponto de controlo. O fabricante identifica também visão, cumprimento de instruções de sistema e suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Uma instrução textual pode, portanto, perguntar sobre uma imagem ou combinar um requisito escrito com elementos de prova visíveis, recebendo a resposta em texto.\n\nUma tarefa visual pode fornecer uma página documental e pedir os valores relevantes para uma condição identificada. Mantenha legíveis as etiquetas e unidades e indique se o resultado deve preservar a formulação original, resumi-la ou compará-la com outra fonte. Uma tarefa de interface pode associar uma captura de ecrã ao objetivo do utilizador e pedir o controlo visível relevante e os elementos de prova que sustentam o próximo passo proposto.\n\nEscolha entre o modo de instruções e o de raciocínio\n\nA ficha publicada documenta o esforço de raciocínio none para uma resposta imediata orientada por instruções e high para raciocínio, recomendando high para prompts complexos. A escolha é feita por pedido dentro do mesmo modelo Small 4. Uma classificação comum ou reescrita curta pode ter um contrato de resposta diferente de um problema matemático, visual ou de programação que exija uma explicação desenvolvida.\n\nO fabricante recomenda temperature 0.7 para esforço de raciocínio high. Para none, especifica temperaturas entre 0.0 e 0.7 conforme a tarefa. Estas definições descrevem os modos documentados e não transformam o esforço de raciocínio numa garantia de resultado correto. Defina as hipóteses, o formato da saída e as fontes relevantes antes de escolher quanto raciocínio a tarefa exige.\n\nPara um problema resolvido, forneça a condição completa e peça os passos importantes justificados, seguidos da expressão final. Para uma tarefa de código, forneça o requisito, a função afetada e uma entrada concreta; peça a implementação proposta separadamente da explicação e dos exemplos. As demonstrações de utilização do fabricante incluem seguimento de instruções, uma ferramenta de cálculo aplicada a uma imagem e raciocínio visual, ilustrando como texto e elementos de prova visuais podem entrar nestas diferentes tarefas.\n\nProgramação, documentos e ferramentas\n\nO modelo destina-se a exploração de bases de código e agentes de engenharia de software, assistentes gerais, compreensão documental e investigação. Um pedido a um agente de programação pode identificar o módulo a alterar, a interface a preservar e o comportamento pretendido. Forneça o código relevante e os elementos de prova da falha. O modelo pode propor a próxima operação ou uma alteração de código, enquanto a aplicação fornece acesso ao repositório, execução e retorno dos resultados.\n\nPara extração documental, identifique os campos obrigatórios e como representar informação em falta. Um registo útil pode separar o identificador documental, a afirmação da fonte, o requisito interpretado e a questão por resolver. A ficha do serviço do fabricante enumera saída estruturada personalizada e perguntas sobre documentos; estas usam processamento documental e OCR para preparar texto e estrutura antes da análise pelo modelo de linguagem. Uma pergunta direta sobre imagem e um fluxo documental assistido por OCR devem manter a sua própria preparação de entrada.\n\nAs chamadas de funções exigem ferramentas claramente descritas. O modelo seleciona uma função e cria os argumentos; a aplicação executa a operação e devolve o resultado para a resposta subsequente. A mesma lógica aplica-se a consultas, cálculos ou operações de programação. A formatação JSON organiza uma resposta, enquanto uma chamada de ferramenta pede uma ação externa; os dois não devem ser tratados como resultados intercambiáveis.\n\nA ficha do serviço enumera também saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas são úteis quando um documento ou ficheiro de código deve ser regenerado com uma alteração limitada e o restante conteúdo é conhecido. Especifique a edição e o material a preservar. A continuação por prefixo usa um início conhecido da resposta, enquanto o processamento em lote diz respeito à submissão do trabalho, não a um modo adicional de raciocínio.\n\nContexto e limites da edição\n\nPlaneie a tarefa escrita, o material visual, a conversa e a resposta pretendida em função do contexto documentado de 256k. O exemplo de utilização publicado configura um contexto de 262 144 tokens, enquanto o exemplo de geração de 1 024 tokens não é uma capacidade máxima separada de saída. As fontes lidas não fornecem um limite rígido independente de extensão de resposta que substitua a extensão escolhida para a tarefa.\n\nSmall 4 tem a sua própria arquitetura de mistura de especialistas com 119 mil milhões de parâmetros e modos híbridos. Não deve herdar a arquitetura densa de 128 mil milhões do Medium 3.5 nem as edições Instruct e Reasoning separadas do Ministral 3. O fabricante publica também artefactos distintos quantizados e de descodificação especulativa; são artefactos separados de implementação, não modalidades de conteúdo diferentes. Preserve a versão identificada como Small 4 e o modo pedido para o resultado efetivo de explicação, registo estruturado ou código.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 é um modelo híbrido de texto e imagem com capacidades de instruções, raciocínio e programação. A versão de mistura de especialistas com 119 mil milhões de parâmetros ativa 6,5 mil milhões por token e suporta um contexto de 256k indicado pelo fabricante, esforço de raciocínio selecionável, JSON e chamadas de funções.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Small 4 combina seguimento geral de instruções, raciocínio e programação num único modelo multimodal. O fabricante descreve-o como uma unificação das famílias Instruct, Magistral de raciocínio e Devstral de programação. Aceita texto e imagens e devolve texto, com chamadas de funções e saída JSON disponíveis para aplicações assistidas por ferramentas.
Arquitetura e funcionalidades principais
A versão tem 119 mil milhões de parâmetros no total e ativa 6,5 mil milhões por token. A arquitetura de mistura de especialistas contém 128 especialistas, dos quais 4 ativos, e o fabricante documenta uma janela de contexto de 256k. A contagem de parâmetros ativos e o número de especialistas descrevem a organização do modelo; são distintos da quantidade de conteúdo textual ou visual incluído numa tarefa.
O modelo disponibiliza funcionalidades de instruções e raciocínio no mesmo ponto de controlo. O fabricante identifica também visão, cumprimento de instruções de sistema e suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Uma instrução textual pode, portanto, perguntar sobre uma imagem ou combinar um requisito escrito com elementos de prova visíveis, recebendo a resposta em texto.
Uma tarefa visual pode fornecer uma página documental e pedir os valores relevantes para uma condição identificada. Mantenha legíveis as etiquetas e unidades e indique se o resultado deve preservar a formulação original, resumi-la ou compará-la com outra fonte. Uma tarefa de interface pode associar uma captura de ecrã ao objetivo do utilizador e pedir o controlo visível relevante e os elementos de prova que sustentam o próximo passo proposto.
Escolha entre o modo de instruções e o de raciocínio
A ficha publicada documenta o esforço de raciocínio none para uma resposta imediata orientada por instruções e high para raciocínio, recomendando high para prompts complexos. A escolha é feita por pedido dentro do mesmo modelo Small 4. Uma classificação comum ou reescrita curta pode ter um contrato de resposta diferente de um problema matemático, visual ou de programação que exija uma explicação desenvolvida.
O fabricante recomenda temperature 0.7 para esforço de raciocínio high. Para none, especifica temperaturas entre 0.0 e 0.7 conforme a tarefa. Estas definições descrevem os modos documentados e não transformam o esforço de raciocínio numa garantia de resultado correto. Defina as hipóteses, o formato da saída e as fontes relevantes antes de escolher quanto raciocínio a tarefa exige.
Para um problema resolvido, forneça a condição completa e peça os passos importantes justificados, seguidos da expressão final. Para uma tarefa de código, forneça o requisito, a função afetada e uma entrada concreta; peça a implementação proposta separadamente da explicação e dos exemplos. As demonstrações de utilização do fabricante incluem seguimento de instruções, uma ferramenta de cálculo aplicada a uma imagem e raciocínio visual, ilustrando como texto e elementos de prova visuais podem entrar nestas diferentes tarefas.
Programação, documentos e ferramentas
O modelo destina-se a exploração de bases de código e agentes de engenharia de software, assistentes gerais, compreensão documental e investigação. Um pedido a um agente de programação pode identificar o módulo a alterar, a interface a preservar e o comportamento pretendido. Forneça o código relevante e os elementos de prova da falha. O modelo pode propor a próxima operação ou uma alteração de código, enquanto a aplicação fornece acesso ao repositório, execução e retorno dos resultados.
Para extração documental, identifique os campos obrigatórios e como representar informação em falta. Um registo útil pode separar o identificador documental, a afirmação da fonte, o requisito interpretado e a questão por resolver. A ficha do serviço do fabricante enumera saída estruturada personalizada e perguntas sobre documentos; estas usam processamento documental e OCR para preparar texto e estrutura antes da análise pelo modelo de linguagem. Uma pergunta direta sobre imagem e um fluxo documental assistido por OCR devem manter a sua própria preparação de entrada.
As chamadas de funções exigem ferramentas claramente descritas. O modelo seleciona uma função e cria os argumentos; a aplicação executa a operação e devolve o resultado para a resposta subsequente. A mesma lógica aplica-se a consultas, cálculos ou operações de programação. A formatação JSON organiza uma resposta, enquanto uma chamada de ferramenta pede uma ação externa; os dois não devem ser tratados como resultados intercambiáveis.
A ficha do serviço enumera também saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas são úteis quando um documento ou ficheiro de código deve ser regenerado com uma alteração limitada e o restante conteúdo é conhecido. Especifique a edição e o material a preservar. A continuação por prefixo usa um início conhecido da resposta, enquanto o processamento em lote diz respeito à submissão do trabalho, não a um modo adicional de raciocínio.
Contexto e limites da edição
Planeie a tarefa escrita, o material visual, a conversa e a resposta pretendida em função do contexto documentado de 256k. O exemplo de utilização publicado configura um contexto de 262 144 tokens, enquanto o exemplo de geração de 1 024 tokens não é uma capacidade máxima separada de saída. As fontes lidas não fornecem um limite rígido independente de extensão de resposta que substitua a extensão escolhida para a tarefa.
Small 4 tem a sua própria arquitetura de mistura de especialistas com 119 mil milhões de parâmetros e modos híbridos. Não deve herdar a arquitetura densa de 128 mil milhões do Medium 3.5 nem as edições Instruct e Reasoning separadas do Ministral 3. O fabricante publica também artefactos distintos quantizados e de descodificação especulativa; são artefactos separados de implementação, não modalidades de conteúdo diferentes. Preserve a versão identificada como Small 4 e o modo pedido para o resultado efetivo de explicação, registo estruturado ou código.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-small-2603 | 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00003 / 1K tokens Entrada · Escrita na cache — / 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-2603", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-2603',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-2603',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/mistral-small-2603
Use os caminhos dos métodos indicados acima.
mistralai/mistral-small-2603Mistral Small 4 é um modelo híbrido de texto e imagem com capacidades de instruções, raciocínio e programação. A versão de mistura de especialistas com 119 mil milhões de parâmetros ativa 6,5 mil milhões por token e suporta um contexto de 256k indicado pelo fabricante, esforço de raciocínio selecionável, JSON e chamadas de funções.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Small 4 combina seguimento geral de instruções, raciocínio e programação num único modelo multimodal. O fabricante descreve-o como uma unificação das famílias Instruct, Magistral de raciocínio e Devstral de programação. Aceita texto e imagens e devolve texto, com chamadas de funções e saída JSON disponíveis para aplicações assistidas por ferramentas.
Arquitetura e funcionalidades principais
A versão tem 119 mil milhões de parâmetros no total e ativa 6,5 mil milhões por token. A arquitetura de mistura de especialistas contém 128 especialistas, dos quais 4 ativos, e o fabricante documenta uma janela de contexto de 256k. A contagem de parâmetros ativos e o número de especialistas descrevem a organização do modelo; são distintos da quantidade de conteúdo textual ou visual incluído numa tarefa.
O modelo disponibiliza funcionalidades de instruções e raciocínio no mesmo ponto de controlo. O fabricante identifica também visão, cumprimento de instruções de sistema e suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Uma instrução textual pode, portanto, perguntar sobre uma imagem ou combinar um requisito escrito com elementos de prova visíveis, recebendo a resposta em texto.
Uma tarefa visual pode fornecer uma página documental e pedir os valores relevantes para uma condição identificada. Mantenha legíveis as etiquetas e unidades e indique se o resultado deve preservar a formulação original, resumi-la ou compará-la com outra fonte. Uma tarefa de interface pode associar uma captura de ecrã ao objetivo do utilizador e pedir o controlo visível relevante e os elementos de prova que sustentam o próximo passo proposto.
Escolha entre o modo de instruções e o de raciocínio
A ficha publicada documenta o esforço de raciocínio none para uma resposta imediata orientada por instruções e high para raciocínio, recomendando high para prompts complexos. A escolha é feita por pedido dentro do mesmo modelo Small 4. Uma classificação comum ou reescrita curta pode ter um contrato de resposta diferente de um problema matemático, visual ou de programação que exija uma explicação desenvolvida.
O fabricante recomenda temperature 0.7 para esforço de raciocínio high. Para none, especifica temperaturas entre 0.0 e 0.7 conforme a tarefa. Estas definições descrevem os modos documentados e não transformam o esforço de raciocínio numa garantia de resultado correto. Defina as hipóteses, o formato da saída e as fontes relevantes antes de escolher quanto raciocínio a tarefa exige.
Para um problema resolvido, forneça a condição completa e peça os passos importantes justificados, seguidos da expressão final. Para uma tarefa de código, forneça o requisito, a função afetada e uma entrada concreta; peça a implementação proposta separadamente da explicação e dos exemplos. As demonstrações de utilização do fabricante incluem seguimento de instruções, uma ferramenta de cálculo aplicada a uma imagem e raciocínio visual, ilustrando como texto e elementos de prova visuais podem entrar nestas diferentes tarefas.
Programação, documentos e ferramentas
O modelo destina-se a exploração de bases de código e agentes de engenharia de software, assistentes gerais, compreensão documental e investigação. Um pedido a um agente de programação pode identificar o módulo a alterar, a interface a preservar e o comportamento pretendido. Forneça o código relevante e os elementos de prova da falha. O modelo pode propor a próxima operação ou uma alteração de código, enquanto a aplicação fornece acesso ao repositório, execução e retorno dos resultados.
Para extração documental, identifique os campos obrigatórios e como representar informação em falta. Um registo útil pode separar o identificador documental, a afirmação da fonte, o requisito interpretado e a questão por resolver. A ficha do serviço do fabricante enumera saída estruturada personalizada e perguntas sobre documentos; estas usam processamento documental e OCR para preparar texto e estrutura antes da análise pelo modelo de linguagem. Uma pergunta direta sobre imagem e um fluxo documental assistido por OCR devem manter a sua própria preparação de entrada.
As chamadas de funções exigem ferramentas claramente descritas. O modelo seleciona uma função e cria os argumentos; a aplicação executa a operação e devolve o resultado para a resposta subsequente. A mesma lógica aplica-se a consultas, cálculos ou operações de programação. A formatação JSON organiza uma resposta, enquanto uma chamada de ferramenta pede uma ação externa; os dois não devem ser tratados como resultados intercambiáveis.
A ficha do serviço enumera também saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas são úteis quando um documento ou ficheiro de código deve ser regenerado com uma alteração limitada e o restante conteúdo é conhecido. Especifique a edição e o material a preservar. A continuação por prefixo usa um início conhecido da resposta, enquanto o processamento em lote diz respeito à submissão do trabalho, não a um modo adicional de raciocínio.
Contexto e limites da edição
Planeie a tarefa escrita, o material visual, a conversa e a resposta pretendida em função do contexto documentado de 256k. O exemplo de utilização publicado configura um contexto de 262 144 tokens, enquanto o exemplo de geração de 1 024 tokens não é uma capacidade máxima separada de saída. As fontes lidas não fornecem um limite rígido independente de extensão de resposta que substitua a extensão escolhida para a tarefa.
Small 4 tem a sua própria arquitetura de mistura de especialistas com 119 mil milhões de parâmetros e modos híbridos. Não deve herdar a arquitetura densa de 128 mil milhões do Medium 3.5 nem as edições Instruct e Reasoning separadas do Ministral 3. O fabricante publica também artefactos distintos quantizados e de descodificação especulativa; são artefactos separados de implementação, não modalidades de conteúdo diferentes. Preserve a versão identificada como Small 4 e o modo pedido para o resultado efetivo de explicação, registo estruturado ou código.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-small-2603 | 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00003 / 1K tokens Entrada · Escrita na cache — / 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 $0.0003 / 1K tokens Saída · Tokens de saída $0.0012 / 1K tokens Entrada · Leitura da cache $0.00003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-2603', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-2603', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/mistral-small-2603
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.