Devstral Medium 1.0 är Mistral AI:s fasta textmodell för mjukvaruutvecklingsagenter. Versionen identifieras som devstral-medium-2507 och fokuserar på att använda verktyg för att utforska kodbaser, redigera flera relaterade filer och fortsätta en teknisk uppgift över flera steg. Dess kontextfönster är 128K token. Indata är textuellt uppgifts- och projektmaterial; utdata kan vara kod, en förklaring eller argument för en funktion som applikationen tillhandahåller.
Medium-utgåvan hör till samma inriktning mot mjukvaruagenter som Devstral Small, samtidigt som den behåller sin egen modellidentitet. Tillverkaren introducerar den för uppgifter som behöver förståelse av kodarkiv och samordnat arbete i en agentmiljö. Den fasta versionen 1.0 förblir skild från senare Devstral-generationer och Mistral Medium-familjen för allmänna ändamål. Dess kontext och textbaserade specialisering hör till denna utgåva.
De applikationsfunktioner som stöds omfattar strukturerade utdata, funktionsanrop, dokumentfrågor och prefixfortsättning. Strukturerade resultat låter agenten presentera en ändringsplan med fält som berörda filer, nödvändiga ändringar, antaganden och valideringssteg. Ett dokumentfrågeflöde tillhandahåller extraherat tekniskt innehåll för analys, vilket gör det användbart när implementationskrav är spridda över specifikationer. Ett prefix kan fastställa början på ett svar, och asynkrona batchflöden kan hantera oberoende analysbegäranden.
För en verktygsstödd uppgift, definiera de tillgängliga funktionerna och deras argumentscheman. Modellen väljer lämplig åtgärd och förbereder argument; applikationen utför åtgärden och returnerar resultatet. Nästa steg kan vara ytterligare ett funktionsanrop eller ett svar baserat på den samlade informationen. Successiva anrop stödjer utforskning följd av redigering och granskning; oberoende anrop kan begäras tillsammans när applikationen tillåter parallell användning. Filåtkomst, kommandokörning och tillämpning av ändringar förblir agentmiljöns funktioner.
För en ändring i kodarkivet, tillhandahåll det förväntade beteendet, relevanta gränssnitt och ett reproducerbart exempel. Be agenten följa den befintliga kodvägen, identifiera beroendena och förbereda ändringar som stämmer överens mellan de berörda filerna. För ett fel, inkludera det observerade resultatet och resultatet som specifikationen kräver. För en refaktorering, namnge det publika beteende som måste förbli stabilt. Returnerade sökresultat, filinnehåll och kontroller blir en del av textkontexten som vägleder nästa förslag.
I ett Ailoot API-flöde, definiera den slutliga artefakten före start: en patch, en implementationsplan, en strukturerad granskning eller en teknisk förklaring. Begär ett resultat som skiljer de föreslagna ändringarna från deras motivering och från kontroller som faktiskt returnerats av miljön. Modellen tillhandahåller nästa beslut och textutdata medan applikationen tillhandahåller verktyg och validerar deras effekter. Det gör den fasta utgåvan Medium 1.0 användbar för tekniskt arbete som måste koppla det ursprungliga kravet, belägg från kodarkivet och en sammanhängande uppsättning föreslagna ändringar till varandra.
", "aboutText": "Devstral Medium 1.0 är Mistral AI:s fasta textmodell för mjukvaruutvecklingsagenter. Versionen identifieras som devstral-medium-2507 och fokuserar på att använda verktyg för att utforska kodbaser, redigera flera relaterade filer och fortsätta en teknisk uppgift över flera steg. Dess kontextfönster är 128K token. Indata är textuellt uppgifts- och projektmaterial; utdata kan vara kod, en förklaring eller argument för en funktion som applikationen tillhandahåller.\n\nMedium-utgåvan hör till samma inriktning mot mjukvaruagenter som Devstral Small, samtidigt som den behåller sin egen modellidentitet. Tillverkaren introducerar den för uppgifter som behöver förståelse av kodarkiv och samordnat arbete i en agentmiljö. Den fasta versionen 1.0 förblir skild från senare Devstral-generationer och Mistral Medium-familjen för allmänna ändamål. Dess kontext och textbaserade specialisering hör till denna utgåva.\n\nDe applikationsfunktioner som stöds omfattar strukturerade utdata, funktionsanrop, dokumentfrågor och prefixfortsättning. Strukturerade resultat låter agenten presentera en ändringsplan med fält som berörda filer, nödvändiga ändringar, antaganden och valideringssteg. Ett dokumentfrågeflöde tillhandahåller extraherat tekniskt innehåll för analys, vilket gör det användbart när implementationskrav är spridda över specifikationer. Ett prefix kan fastställa början på ett svar, och asynkrona batchflöden kan hantera oberoende analysbegäranden.\n\nFör en verktygsstödd uppgift, definiera de tillgängliga funktionerna och deras argumentscheman. Modellen väljer lämplig åtgärd och förbereder argument; applikationen utför åtgärden och returnerar resultatet. Nästa steg kan vara ytterligare ett funktionsanrop eller ett svar baserat på den samlade informationen. Successiva anrop stödjer utforskning följd av redigering och granskning; oberoende anrop kan begäras tillsammans när applikationen tillåter parallell användning. Filåtkomst, kommandokörning och tillämpning av ändringar förblir agentmiljöns funktioner.\n\nFör en ändring i kodarkivet, tillhandahåll det förväntade beteendet, relevanta gränssnitt och ett reproducerbart exempel. Be agenten följa den befintliga kodvägen, identifiera beroendena och förbereda ändringar som stämmer överens mellan de berörda filerna. För ett fel, inkludera det observerade resultatet och resultatet som specifikationen kräver. För en refaktorering, namnge det publika beteende som måste förbli stabilt. Returnerade sökresultat, filinnehåll och kontroller blir en del av textkontexten som vägleder nästa förslag.\n\nI ett Ailoot API-flöde, definiera den slutliga artefakten före start: en patch, en implementationsplan, en strukturerad granskning eller en teknisk förklaring. Begär ett resultat som skiljer de föreslagna ändringarna från deras motivering och från kontroller som faktiskt returnerats av miljön. Modellen tillhandahåller nästa beslut och textutdata medan applikationen tillhandahåller verktyg och validerar deras effekter. Det gör den fasta utgåvan Medium 1.0 användbar för tekniskt arbete som måste koppla det ursprungliga kravet, belägg från kodarkivet och en sammanhängande uppsättning föreslagna ändringar till varandra.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Coordinate a renamed export field\n\nPropose a patch plan across three files. serializer.py emits {'userName': user.name}; client.ts reads response.userName; schema.md documents userName. Requirement: new responses use display_name while the client temporarily accepts either field. Show the edits as small before/after snippets and give a compatibility test and a new-field test. Do not claim the files were edited.Three coordinated proposed edits plus tests for old and new responses during the compatibility period.The client accepts both spellings, while the producer and documentation agree on display_name.devstral-medium-2507Devstral Medium 1.0 är Mistral AI:s fasta textbaserade utgåva för utforskning av kodarkiv, verktygsanvändning och samordnade mjukvaruändringar. Dess kontext på 128K rymmer uppgiftskrav, kod och returnerade verktygsresultat för en agent som arbetar över relaterade filer.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Devstral Medium 1.0 är Mistral AI:s fasta textmodell för mjukvaruutvecklingsagenter. Versionen identifieras som devstral-medium-2507 och fokuserar på att använda verktyg för att utforska kodbaser, redigera flera relaterade filer och fortsätta en teknisk uppgift över flera steg. Dess kontextfönster är 128K token. Indata är textuellt uppgifts- och projektmaterial; utdata kan vara kod, en förklaring eller argument för en funktion som applikationen tillhandahåller.
Medium-utgåvan hör till samma inriktning mot mjukvaruagenter som Devstral Small, samtidigt som den behåller sin egen modellidentitet. Tillverkaren introducerar den för uppgifter som behöver förståelse av kodarkiv och samordnat arbete i en agentmiljö. Den fasta versionen 1.0 förblir skild från senare Devstral-generationer och Mistral Medium-familjen för allmänna ändamål. Dess kontext och textbaserade specialisering hör till denna utgåva.
De applikationsfunktioner som stöds omfattar strukturerade utdata, funktionsanrop, dokumentfrågor och prefixfortsättning. Strukturerade resultat låter agenten presentera en ändringsplan med fält som berörda filer, nödvändiga ändringar, antaganden och valideringssteg. Ett dokumentfrågeflöde tillhandahåller extraherat tekniskt innehåll för analys, vilket gör det användbart när implementationskrav är spridda över specifikationer. Ett prefix kan fastställa början på ett svar, och asynkrona batchflöden kan hantera oberoende analysbegäranden.
För en verktygsstödd uppgift, definiera de tillgängliga funktionerna och deras argumentscheman. Modellen väljer lämplig åtgärd och förbereder argument; applikationen utför åtgärden och returnerar resultatet. Nästa steg kan vara ytterligare ett funktionsanrop eller ett svar baserat på den samlade informationen. Successiva anrop stödjer utforskning följd av redigering och granskning; oberoende anrop kan begäras tillsammans när applikationen tillåter parallell användning. Filåtkomst, kommandokörning och tillämpning av ändringar förblir agentmiljöns funktioner.
För en ändring i kodarkivet, tillhandahåll det förväntade beteendet, relevanta gränssnitt och ett reproducerbart exempel. Be agenten följa den befintliga kodvägen, identifiera beroendena och förbereda ändringar som stämmer överens mellan de berörda filerna. För ett fel, inkludera det observerade resultatet och resultatet som specifikationen kräver. För en refaktorering, namnge det publika beteende som måste förbli stabilt. Returnerade sökresultat, filinnehåll och kontroller blir en del av textkontexten som vägleder nästa förslag.
I ett Ailoot API-flöde, definiera den slutliga artefakten före start: en patch, en implementationsplan, en strukturerad granskning eller en teknisk förklaring. Begär ett resultat som skiljer de föreslagna ändringarna från deras motivering och från kontroller som faktiskt returnerats av miljön. Modellen tillhandahåller nästa beslut och textutdata medan applikationen tillhandahåller verktyg och validerar deras effekter. Det gör den fasta utgåvan Medium 1.0 användbar för tekniskt arbete som måste koppla det ursprungliga kravet, belägg från kodarkivet och en sammanhängande uppsättning föreslagna ändringar till varandra.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser devstral-medium-2507 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.0044 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "devstral-medium-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='devstral-medium-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='devstral-medium-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra devstral-medium-2507
Använd metodsökvägarna som visas ovan.
devstral-medium-2507Devstral Medium 1.0 är Mistral AI:s fasta textbaserade utgåva för utforskning av kodarkiv, verktygsanvändning och samordnade mjukvaruändringar. Dess kontext på 128K rymmer uppgiftskrav, kod och returnerade verktygsresultat för en agent som arbetar över relaterade filer.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Devstral Medium 1.0 är Mistral AI:s fasta textmodell för mjukvaruutvecklingsagenter. Versionen identifieras som devstral-medium-2507 och fokuserar på att använda verktyg för att utforska kodbaser, redigera flera relaterade filer och fortsätta en teknisk uppgift över flera steg. Dess kontextfönster är 128K token. Indata är textuellt uppgifts- och projektmaterial; utdata kan vara kod, en förklaring eller argument för en funktion som applikationen tillhandahåller.
Medium-utgåvan hör till samma inriktning mot mjukvaruagenter som Devstral Small, samtidigt som den behåller sin egen modellidentitet. Tillverkaren introducerar den för uppgifter som behöver förståelse av kodarkiv och samordnat arbete i en agentmiljö. Den fasta versionen 1.0 förblir skild från senare Devstral-generationer och Mistral Medium-familjen för allmänna ändamål. Dess kontext och textbaserade specialisering hör till denna utgåva.
De applikationsfunktioner som stöds omfattar strukturerade utdata, funktionsanrop, dokumentfrågor och prefixfortsättning. Strukturerade resultat låter agenten presentera en ändringsplan med fält som berörda filer, nödvändiga ändringar, antaganden och valideringssteg. Ett dokumentfrågeflöde tillhandahåller extraherat tekniskt innehåll för analys, vilket gör det användbart när implementationskrav är spridda över specifikationer. Ett prefix kan fastställa början på ett svar, och asynkrona batchflöden kan hantera oberoende analysbegäranden.
För en verktygsstödd uppgift, definiera de tillgängliga funktionerna och deras argumentscheman. Modellen väljer lämplig åtgärd och förbereder argument; applikationen utför åtgärden och returnerar resultatet. Nästa steg kan vara ytterligare ett funktionsanrop eller ett svar baserat på den samlade informationen. Successiva anrop stödjer utforskning följd av redigering och granskning; oberoende anrop kan begäras tillsammans när applikationen tillåter parallell användning. Filåtkomst, kommandokörning och tillämpning av ändringar förblir agentmiljöns funktioner.
För en ändring i kodarkivet, tillhandahåll det förväntade beteendet, relevanta gränssnitt och ett reproducerbart exempel. Be agenten följa den befintliga kodvägen, identifiera beroendena och förbereda ändringar som stämmer överens mellan de berörda filerna. För ett fel, inkludera det observerade resultatet och resultatet som specifikationen kräver. För en refaktorering, namnge det publika beteende som måste förbli stabilt. Returnerade sökresultat, filinnehåll och kontroller blir en del av textkontexten som vägleder nästa förslag.
I ett Ailoot API-flöde, definiera den slutliga artefakten före start: en patch, en implementationsplan, en strukturerad granskning eller en teknisk förklaring. Begär ett resultat som skiljer de föreslagna ändringarna från deras motivering och från kontroller som faktiskt returnerats av miljön. Modellen tillhandahåller nästa beslut och textutdata medan applikationen tillhandahåller verktyg och validerar deras effekter. Det gör den fasta utgåvan Medium 1.0 användbar för tekniskt arbete som måste koppla det ursprungliga kravet, belägg från kodarkivet och en sammanhängande uppsättning föreslagna ändringar till varandra.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser devstral-medium-2507 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.0044 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "devstral-medium-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'devstral-medium-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'devstral-medium-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra devstral-medium-2507
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Coordinate a renamed export field\n\nPropose a patch plan across three files. serializer.py emits {'userName': user.name}; client.ts reads response.userName; schema.md documents userName. Requirement: new responses use display_name while the client temporarily accepts either field. Show the edits as small before/after snippets and give a compatibility test and a new-field test. Do not claim the files were edited.Three coordinated proposed edits plus tests for old and new responses during the compatibility period.The client accepts both spellings, while the producer and documentation agree on display_name.