Mistral Small 3.1 24B Instruct 2503 desenvolve o Small 3 2501, acrescentando compreensão visual e alargando o suporte de contexto longo para 128k tokens. Tem 24 mil milhões de parâmetros e foi ajustado para seguir instruções a partir da versão Base Small 3.1, com nome próprio. Aceita texto e imagens e produz texto, incluindo uma explicação, código ou um registo estruturado.
Capacidades principais
A visão permite analisar material visível juntamente com a pergunta do utilizador. Uma imagem documental pode fornecer o campo ou afirmação a inspecionar, um diagrama pode fornecer a relação a explicar e um gráfico pode fornecer os dados de uma comparação. Mantenha legíveis as etiquetas, as unidades e o conteúdo envolvente relevante, para que a pergunta se refira a elementos de prova efetivamente presentes na imagem.
O fabricante enumera suporte multilingue para dezenas de línguas, incluindo russo, inglês, francês, alemão, grego, hindi, indonésio, italiano, japonês, coreano, malaio, nepalês, polaco, português, romeno, sérvio, espanhol, sueco, turco, ucraniano, vietnamita, árabe, bengali, chinês e persa. Defina a língua final, o leitor e a terminologia para uma resposta multilingue. Nomes, etiquetas citadas, identificadores de variáveis e unidades podem permanecer inalterados enquanto a prosa envolvente é adaptada.
A ficha descreve também capacidades de conversa e raciocínio, chamadas nativas de funções, saída JSON e cumprimento de instruções de sistema. O tokenizador é Tekken, com um vocabulário identificado como 131k. São funcionalidades da versão ajustada para seguir instruções que aqui se identifica; a edição Base tem outro papel e as versões Small 3.2 e Small 4 posteriores mantêm alterações e modos próprios.
Preparação documental, de programação e matemática
Para uma tarefa sobre documentos longos, identifique os documentos e faça uma pergunta definida. Uma comparação pode pedir uma matriz de requisitos com a afirmação, a secção de origem e quaisquer divergências entre documentos. Um resumo pode pedir apenas o material relevante para uma alteração identificada. O contexto longo mantém essas fontes juntas, enquanto a resposta final pode continuar concisa.
Para uma explicação de código, forneça a função e a entrada cujo comportamento deve ser acompanhado. Inclua funções auxiliares ou declarações relevantes e pergunte como o estado muda antes de o valor ser devolvido. Para uma alteração proposta, indique o requisito, a interface pública a preservar e a saída esperada. Peça o código revisto separadamente da explicação e dos exemplos.
Para uma tarefa matemática, defina os símbolos e as hipóteses sobre o domínio antes de pedir uma derivação. Especifique se o resultado final deve ser exato, arredondado ou uma demonstração de uma afirmação. Se a condição estiver numa imagem, mantenha claras a fórmula e as etiquetas associadas e peça que o modelo preserve essa notação na resposta. Estas preparações transformam o foco documentado em programação e raciocínio matemático num artefacto inspecionável.
Formato de instruções e utilização recomendada
O fabricante publica um modelo de conversa V7-Tekken que distingue os papéis de sistema, utilizador e assistente e recomenda a implementação do tokenizador correspondente como referência de verdade. Uma instrução de sistema deve definir o papel do assistente e as regras de resposta, enquanto a mensagem do utilizador contém a tarefa efetiva e o material de origem. A formatação correta da conversa é diferente de colocar etiquetas semelhantes a papéis dentro de um documento citado.
A ficha recomenda uma temperatura relativamente baixa, como 0,15, e um prompt de sistema adaptado ao caso de utilização. Defina os campos ou secções de saída e as condições que têm de sobreviver à reescrita. Para extração repetida, peça JSON com nomes e tipos especificados e uma representação para valores ausentes da fonte. Pode devolver-se separadamente um parágrafo explicativo quando uma pessoa precisar de inspecionar a interpretação.
Fluxo de chamadas de funções
O modelo pode selecionar uma função entre ferramentas descritas pela aplicação e gerar os argumentos. A aplicação executa a função, devolve o resultado com a chamada de ferramenta correspondente e o modelo usa esse resultado numa resposta posterior. O exemplo do fabricante mostra este ciclo de conversa, incluindo utilização anterior de ferramentas e uma nova pergunta do utilizador. Uma consulta proposta é, portanto, distinta dos dados efetivamente devolvidos pela consulta.
Um assistente prático pode primeiro extrair uma pergunta de um documento e depois usar uma função de referência fornecida para obter uma condição em falta. Descreva claramente a função, inclua os argumentos obrigatórios e mantenha o resultado devolvido associado à operação de origem. JSON organiza um resultado textual; uma chamada de função pede uma operação ligada, em vez de executar código ou ler uma base de dados silenciosamente.
Limites substantivos
A capacidade visual documentada lê imagens; não as gera. As orientações do assistente publicadas na ficha distinguem também este modelo da transcrição de áudio e vídeo, pelo que uma pergunta falada ou em vídeo precisa de ter o conteúdo relevante fornecido através de uma etapa de preparação separada adequada. O acesso à Web e as ações externas são igualmente fornecidos por ferramentas ligadas, não pelo modelo de texto e imagem isoladamente.
O contexto de 128k diz respeito à entrada da tarefa e à conversa gerada, enquanto o exemplo de geração de 512 tokens da ficha é apenas uma definição ilustrativa. As fontes lidas não especificam uma capacidade rígida separada para a extensão das respostas. Preserve a edição exata Instruct 2503, o formato de conversa e o artefacto de explicação, registo ou código pedido.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 desenvolve o Small 3 2501, acrescentando compreensão visual e alargando o suporte de contexto longo para 128k tokens. Tem 24 mil milhões de parâmetros e foi ajustado para seguir instruções a partir da versão Base Small 3.1, com nome próprio. Aceita texto e imagens e produz texto, incluindo uma explicação, código ou um registo estruturado.\n\nCapacidades principais\n\nA visão permite analisar material visível juntamente com a pergunta do utilizador. Uma imagem documental pode fornecer o campo ou afirmação a inspecionar, um diagrama pode fornecer a relação a explicar e um gráfico pode fornecer os dados de uma comparação. Mantenha legíveis as etiquetas, as unidades e o conteúdo envolvente relevante, para que a pergunta se refira a elementos de prova efetivamente presentes na imagem.\n\nO fabricante enumera suporte multilingue para dezenas de línguas, incluindo russo, inglês, francês, alemão, grego, hindi, indonésio, italiano, japonês, coreano, malaio, nepalês, polaco, português, romeno, sérvio, espanhol, sueco, turco, ucraniano, vietnamita, árabe, bengali, chinês e persa. Defina a língua final, o leitor e a terminologia para uma resposta multilingue. Nomes, etiquetas citadas, identificadores de variáveis e unidades podem permanecer inalterados enquanto a prosa envolvente é adaptada.\n\nA ficha descreve também capacidades de conversa e raciocínio, chamadas nativas de funções, saída JSON e cumprimento de instruções de sistema. O tokenizador é Tekken, com um vocabulário identificado como 131k. São funcionalidades da versão ajustada para seguir instruções que aqui se identifica; a edição Base tem outro papel e as versões Small 3.2 e Small 4 posteriores mantêm alterações e modos próprios.\n\nPreparação documental, de programação e matemática\n\nPara uma tarefa sobre documentos longos, identifique os documentos e faça uma pergunta definida. Uma comparação pode pedir uma matriz de requisitos com a afirmação, a secção de origem e quaisquer divergências entre documentos. Um resumo pode pedir apenas o material relevante para uma alteração identificada. O contexto longo mantém essas fontes juntas, enquanto a resposta final pode continuar concisa.\n\nPara uma explicação de código, forneça a função e a entrada cujo comportamento deve ser acompanhado. Inclua funções auxiliares ou declarações relevantes e pergunte como o estado muda antes de o valor ser devolvido. Para uma alteração proposta, indique o requisito, a interface pública a preservar e a saída esperada. Peça o código revisto separadamente da explicação e dos exemplos.\n\nPara uma tarefa matemática, defina os símbolos e as hipóteses sobre o domínio antes de pedir uma derivação. Especifique se o resultado final deve ser exato, arredondado ou uma demonstração de uma afirmação. Se a condição estiver numa imagem, mantenha claras a fórmula e as etiquetas associadas e peça que o modelo preserve essa notação na resposta. Estas preparações transformam o foco documentado em programação e raciocínio matemático num artefacto inspecionável.\n\nFormato de instruções e utilização recomendada\n\nO fabricante publica um modelo de conversa V7-Tekken que distingue os papéis de sistema, utilizador e assistente e recomenda a implementação do tokenizador correspondente como referência de verdade. Uma instrução de sistema deve definir o papel do assistente e as regras de resposta, enquanto a mensagem do utilizador contém a tarefa efetiva e o material de origem. A formatação correta da conversa é diferente de colocar etiquetas semelhantes a papéis dentro de um documento citado.\n\nA ficha recomenda uma temperatura relativamente baixa, como 0,15, e um prompt de sistema adaptado ao caso de utilização. Defina os campos ou secções de saída e as condições que têm de sobreviver à reescrita. Para extração repetida, peça JSON com nomes e tipos especificados e uma representação para valores ausentes da fonte. Pode devolver-se separadamente um parágrafo explicativo quando uma pessoa precisar de inspecionar a interpretação.\n\nFluxo de chamadas de funções\n\nO modelo pode selecionar uma função entre ferramentas descritas pela aplicação e gerar os argumentos. A aplicação executa a função, devolve o resultado com a chamada de ferramenta correspondente e o modelo usa esse resultado numa resposta posterior. O exemplo do fabricante mostra este ciclo de conversa, incluindo utilização anterior de ferramentas e uma nova pergunta do utilizador. Uma consulta proposta é, portanto, distinta dos dados efetivamente devolvidos pela consulta.\n\nUm assistente prático pode primeiro extrair uma pergunta de um documento e depois usar uma função de referência fornecida para obter uma condição em falta. Descreva claramente a função, inclua os argumentos obrigatórios e mantenha o resultado devolvido associado à operação de origem. JSON organiza um resultado textual; uma chamada de função pede uma operação ligada, em vez de executar código ou ler uma base de dados silenciosamente.\n\nLimites substantivos\n\nA capacidade visual documentada lê imagens; não as gera. As orientações do assistente publicadas na ficha distinguem também este modelo da transcrição de áudio e vídeo, pelo que uma pergunta falada ou em vídeo precisa de ter o conteúdo relevante fornecido através de uma etapa de preparação separada adequada. O acesso à Web e as ações externas são igualmente fornecidos por ferramentas ligadas, não pelo modelo de texto e imagem isoladamente.\n\nO contexto de 128k diz respeito à entrada da tarefa e à conversa gerada, enquanto o exemplo de geração de 512 tokens da ficha é apenas uma definição ilustrativa. As fontes lidas não especificam uma capacidade rígida separada para a extensão das respostas. Preserve a edição exata Instruct 2503, o formato de conversa e o artefacto de explicação, registo ou código pedido.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 acrescenta compreensão de imagens e um contexto de 128k indicado pelo fabricante à linha Small 3. Combina texto multilingue, programação e raciocínio matemático com instruções de sistema, JSON e chamadas nativas de funções numa versão própria ajustada para seguir instruções.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Small 3.1 24B Instruct 2503 desenvolve o Small 3 2501, acrescentando compreensão visual e alargando o suporte de contexto longo para 128k tokens. Tem 24 mil milhões de parâmetros e foi ajustado para seguir instruções a partir da versão Base Small 3.1, com nome próprio. Aceita texto e imagens e produz texto, incluindo uma explicação, código ou um registo estruturado.
Capacidades principais
A visão permite analisar material visível juntamente com a pergunta do utilizador. Uma imagem documental pode fornecer o campo ou afirmação a inspecionar, um diagrama pode fornecer a relação a explicar e um gráfico pode fornecer os dados de uma comparação. Mantenha legíveis as etiquetas, as unidades e o conteúdo envolvente relevante, para que a pergunta se refira a elementos de prova efetivamente presentes na imagem.
O fabricante enumera suporte multilingue para dezenas de línguas, incluindo russo, inglês, francês, alemão, grego, hindi, indonésio, italiano, japonês, coreano, malaio, nepalês, polaco, português, romeno, sérvio, espanhol, sueco, turco, ucraniano, vietnamita, árabe, bengali, chinês e persa. Defina a língua final, o leitor e a terminologia para uma resposta multilingue. Nomes, etiquetas citadas, identificadores de variáveis e unidades podem permanecer inalterados enquanto a prosa envolvente é adaptada.
A ficha descreve também capacidades de conversa e raciocínio, chamadas nativas de funções, saída JSON e cumprimento de instruções de sistema. O tokenizador é Tekken, com um vocabulário identificado como 131k. São funcionalidades da versão ajustada para seguir instruções que aqui se identifica; a edição Base tem outro papel e as versões Small 3.2 e Small 4 posteriores mantêm alterações e modos próprios.
Preparação documental, de programação e matemática
Para uma tarefa sobre documentos longos, identifique os documentos e faça uma pergunta definida. Uma comparação pode pedir uma matriz de requisitos com a afirmação, a secção de origem e quaisquer divergências entre documentos. Um resumo pode pedir apenas o material relevante para uma alteração identificada. O contexto longo mantém essas fontes juntas, enquanto a resposta final pode continuar concisa.
Para uma explicação de código, forneça a função e a entrada cujo comportamento deve ser acompanhado. Inclua funções auxiliares ou declarações relevantes e pergunte como o estado muda antes de o valor ser devolvido. Para uma alteração proposta, indique o requisito, a interface pública a preservar e a saída esperada. Peça o código revisto separadamente da explicação e dos exemplos.
Para uma tarefa matemática, defina os símbolos e as hipóteses sobre o domínio antes de pedir uma derivação. Especifique se o resultado final deve ser exato, arredondado ou uma demonstração de uma afirmação. Se a condição estiver numa imagem, mantenha claras a fórmula e as etiquetas associadas e peça que o modelo preserve essa notação na resposta. Estas preparações transformam o foco documentado em programação e raciocínio matemático num artefacto inspecionável.
Formato de instruções e utilização recomendada
O fabricante publica um modelo de conversa V7-Tekken que distingue os papéis de sistema, utilizador e assistente e recomenda a implementação do tokenizador correspondente como referência de verdade. Uma instrução de sistema deve definir o papel do assistente e as regras de resposta, enquanto a mensagem do utilizador contém a tarefa efetiva e o material de origem. A formatação correta da conversa é diferente de colocar etiquetas semelhantes a papéis dentro de um documento citado.
A ficha recomenda uma temperatura relativamente baixa, como 0,15, e um prompt de sistema adaptado ao caso de utilização. Defina os campos ou secções de saída e as condições que têm de sobreviver à reescrita. Para extração repetida, peça JSON com nomes e tipos especificados e uma representação para valores ausentes da fonte. Pode devolver-se separadamente um parágrafo explicativo quando uma pessoa precisar de inspecionar a interpretação.
Fluxo de chamadas de funções
O modelo pode selecionar uma função entre ferramentas descritas pela aplicação e gerar os argumentos. A aplicação executa a função, devolve o resultado com a chamada de ferramenta correspondente e o modelo usa esse resultado numa resposta posterior. O exemplo do fabricante mostra este ciclo de conversa, incluindo utilização anterior de ferramentas e uma nova pergunta do utilizador. Uma consulta proposta é, portanto, distinta dos dados efetivamente devolvidos pela consulta.
Um assistente prático pode primeiro extrair uma pergunta de um documento e depois usar uma função de referência fornecida para obter uma condição em falta. Descreva claramente a função, inclua os argumentos obrigatórios e mantenha o resultado devolvido associado à operação de origem. JSON organiza um resultado textual; uma chamada de função pede uma operação ligada, em vez de executar código ou ler uma base de dados silenciosamente.
Limites substantivos
A capacidade visual documentada lê imagens; não as gera. As orientações do assistente publicadas na ficha distinguem também este modelo da transcrição de áudio e vídeo, pelo que uma pergunta falada ou em vídeo precisa de ter o conteúdo relevante fornecido através de uma etapa de preparação separada adequada. O acesso à Web e as ações externas são igualmente fornecidos por ferramentas ligadas, não pelo modelo de texto e imagem isoladamente.
O contexto de 128k diz respeito à entrada da tarefa e à conversa gerada, enquanto o exemplo de geração de 512 tokens da ficha é apenas uma definição ilustrativa. As fontes lidas não especificam uma capacidade rígida separada para a extensão das respostas. Preserve a edição exata Instruct 2503, o formato de conversa e o artefacto de explicação, registo ou código pedido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokens Saída · Tokens de saída $0.00111 / 1K tokens Entrada · Leitura da cache $0 / 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 $0.0011 / 1K tokens Saída · Tokens de saída $0.00111 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-small-3.1-24b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-small-3.1-24b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-3.1-24b-instruct
Use os caminhos dos métodos indicados acima.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 acrescenta compreensão de imagens e um contexto de 128k indicado pelo fabricante à linha Small 3. Combina texto multilingue, programação e raciocínio matemático com instruções de sistema, JSON e chamadas nativas de funções numa versão própria ajustada para seguir instruções.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Small 3.1 24B Instruct 2503 desenvolve o Small 3 2501, acrescentando compreensão visual e alargando o suporte de contexto longo para 128k tokens. Tem 24 mil milhões de parâmetros e foi ajustado para seguir instruções a partir da versão Base Small 3.1, com nome próprio. Aceita texto e imagens e produz texto, incluindo uma explicação, código ou um registo estruturado.
Capacidades principais
A visão permite analisar material visível juntamente com a pergunta do utilizador. Uma imagem documental pode fornecer o campo ou afirmação a inspecionar, um diagrama pode fornecer a relação a explicar e um gráfico pode fornecer os dados de uma comparação. Mantenha legíveis as etiquetas, as unidades e o conteúdo envolvente relevante, para que a pergunta se refira a elementos de prova efetivamente presentes na imagem.
O fabricante enumera suporte multilingue para dezenas de línguas, incluindo russo, inglês, francês, alemão, grego, hindi, indonésio, italiano, japonês, coreano, malaio, nepalês, polaco, português, romeno, sérvio, espanhol, sueco, turco, ucraniano, vietnamita, árabe, bengali, chinês e persa. Defina a língua final, o leitor e a terminologia para uma resposta multilingue. Nomes, etiquetas citadas, identificadores de variáveis e unidades podem permanecer inalterados enquanto a prosa envolvente é adaptada.
A ficha descreve também capacidades de conversa e raciocínio, chamadas nativas de funções, saída JSON e cumprimento de instruções de sistema. O tokenizador é Tekken, com um vocabulário identificado como 131k. São funcionalidades da versão ajustada para seguir instruções que aqui se identifica; a edição Base tem outro papel e as versões Small 3.2 e Small 4 posteriores mantêm alterações e modos próprios.
Preparação documental, de programação e matemática
Para uma tarefa sobre documentos longos, identifique os documentos e faça uma pergunta definida. Uma comparação pode pedir uma matriz de requisitos com a afirmação, a secção de origem e quaisquer divergências entre documentos. Um resumo pode pedir apenas o material relevante para uma alteração identificada. O contexto longo mantém essas fontes juntas, enquanto a resposta final pode continuar concisa.
Para uma explicação de código, forneça a função e a entrada cujo comportamento deve ser acompanhado. Inclua funções auxiliares ou declarações relevantes e pergunte como o estado muda antes de o valor ser devolvido. Para uma alteração proposta, indique o requisito, a interface pública a preservar e a saída esperada. Peça o código revisto separadamente da explicação e dos exemplos.
Para uma tarefa matemática, defina os símbolos e as hipóteses sobre o domínio antes de pedir uma derivação. Especifique se o resultado final deve ser exato, arredondado ou uma demonstração de uma afirmação. Se a condição estiver numa imagem, mantenha claras a fórmula e as etiquetas associadas e peça que o modelo preserve essa notação na resposta. Estas preparações transformam o foco documentado em programação e raciocínio matemático num artefacto inspecionável.
Formato de instruções e utilização recomendada
O fabricante publica um modelo de conversa V7-Tekken que distingue os papéis de sistema, utilizador e assistente e recomenda a implementação do tokenizador correspondente como referência de verdade. Uma instrução de sistema deve definir o papel do assistente e as regras de resposta, enquanto a mensagem do utilizador contém a tarefa efetiva e o material de origem. A formatação correta da conversa é diferente de colocar etiquetas semelhantes a papéis dentro de um documento citado.
A ficha recomenda uma temperatura relativamente baixa, como 0,15, e um prompt de sistema adaptado ao caso de utilização. Defina os campos ou secções de saída e as condições que têm de sobreviver à reescrita. Para extração repetida, peça JSON com nomes e tipos especificados e uma representação para valores ausentes da fonte. Pode devolver-se separadamente um parágrafo explicativo quando uma pessoa precisar de inspecionar a interpretação.
Fluxo de chamadas de funções
O modelo pode selecionar uma função entre ferramentas descritas pela aplicação e gerar os argumentos. A aplicação executa a função, devolve o resultado com a chamada de ferramenta correspondente e o modelo usa esse resultado numa resposta posterior. O exemplo do fabricante mostra este ciclo de conversa, incluindo utilização anterior de ferramentas e uma nova pergunta do utilizador. Uma consulta proposta é, portanto, distinta dos dados efetivamente devolvidos pela consulta.
Um assistente prático pode primeiro extrair uma pergunta de um documento e depois usar uma função de referência fornecida para obter uma condição em falta. Descreva claramente a função, inclua os argumentos obrigatórios e mantenha o resultado devolvido associado à operação de origem. JSON organiza um resultado textual; uma chamada de função pede uma operação ligada, em vez de executar código ou ler uma base de dados silenciosamente.
Limites substantivos
A capacidade visual documentada lê imagens; não as gera. As orientações do assistente publicadas na ficha distinguem também este modelo da transcrição de áudio e vídeo, pelo que uma pergunta falada ou em vídeo precisa de ter o conteúdo relevante fornecido através de uma etapa de preparação separada adequada. O acesso à Web e as ações externas são igualmente fornecidos por ferramentas ligadas, não pelo modelo de texto e imagem isoladamente.
O contexto de 128k diz respeito à entrada da tarefa e à conversa gerada, enquanto o exemplo de geração de 512 tokens da ficha é apenas uma definição ilustrativa. As fontes lidas não especificam uma capacidade rígida separada para a extensão das respostas. Preserve a edição exata Instruct 2503, o formato de conversa e o artefacto de explicação, registo ou código pedido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K tokens Saída · Tokens de saída $0.00111 / 1K tokens Entrada · Leitura da cache $0 / 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 $0.0011 / 1K tokens Saída · Tokens de saída $0.00111 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-3.1-24b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-small-3.1-24b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-3.1-24b-instruct
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.