Devstral Small 2505 är den första Devstral Small-utgåvan, utvecklad av Mistral AI tillsammans med All Hands AI för programvaruutvecklingsagenter. Det är en modell med 24 miljarder parametrar byggd för utforskning av kodbaser, verktygsanvändning och ändringar över flera filer. Tillverkarens kort beskriver den som enbart textbaserad med ett kontextfönster på 128K; bildkodaren togs bort från Mistral Small 3.1-modellen som användes för finjusteringen.
Beskriv det önskade beteendet och det kodförråd eller den relevanta kod som agenten ska arbeta med. En användbar uppgift identifierar funktionen, de berörda filerna eller applikationsdelen och de villkor som visar att arbetet är klart. Inkludera det observerade felet vid en felrättning eller förväntade användaråtgärder och databeteende för en ny funktion.
Tillverkarens exempel bygger en att-göra-applikation på en sida med FastAPI, React och SQLite. Prompten listar tillägg, borttagning och slutförande av uppgifter samt visning av uppgiftslistan. Kraven kopplar det genererade gränssnittet till det applikationsbeteende och den lagring som behövs. En uppföljning begär sedan en specifik förbättring av den färdiga applikationen.
Det dokumenterade flödet använder ett agentramverk som kan granska filer i kodförrådet, göra ändringar och köra utvecklingsverktyg. Devstral tillhandahåller besluten och koden; den omgivande agenten utför verktygsåtgärder och returnerar observationer. Ange projektets installationsanvisningar och förklara vilka kontroller som ska fastställa att ändringen fungerar.
För en ändring över flera filer ber du agenten identifiera relevanta beroenden före redigeringen. Behåll verktygsobservationerna med den resulterande patchen så att en föreslagen korrigering kan jämföras med det som faktiskt kördes. En genererad implementation blir ett fungerande resultat när applikationen sparar och kör den i den avsedda miljön.
Ett annat tillverkarexempel ber agenten granska testtäckning och skapa diagram. Flödet utforskar först kodförrådet och dess testkonfiguration, kör sedan täckningsmätningen och skapar visualiseringen. En liknande förfrågan bör ange kodförrådet, måttet som ska granskas och resultatet, exempelvis ett diagram och filerna det sammanfattar.
Skillnaden mellan modellutdata och underlag från faktisk körning är viktig här. Be om de resulterande filerna och observationerna från utvecklingsverktygen tillsammans med den förklaring som behövs för att tolka dem. Håll en senare revidering fokuserad på observerat beteende eller en specifik del av resultatet.
Detta inlägg behåller utgåvan 2505 som beskrivs i tillverkarens kort. Senare Devstral Small-utgåvor har egna identiteter. Använd den valda modellens konversations- och verktygsformat, inkludera relevant källmaterial inom arbetskontexten och lämna utrymme för det begärda resultatet. Kortet publicerar exempel på lokal inferens och agenter; deras exempelbudgetar för generering är uppgiftsinställningar snarare än ett universellt utdatatak.
", "aboutText": "Devstral Small 2505 är den första Devstral Small-utgåvan, utvecklad av Mistral AI tillsammans med All Hands AI för programvaruutvecklingsagenter. Det är en modell med 24 miljarder parametrar byggd för utforskning av kodbaser, verktygsanvändning och ändringar över flera filer. Tillverkarens kort beskriver den som enbart textbaserad med ett kontextfönster på 128K; bildkodaren togs bort från Mistral Small 3.1-modellen som användes för finjusteringen.\n\n### Ge agenten en konkret utvecklingsuppgift\n\nBeskriv det önskade beteendet och det kodförråd eller den relevanta kod som agenten ska arbeta med. En användbar uppgift identifierar funktionen, de berörda filerna eller applikationsdelen och de villkor som visar att arbetet är klart. Inkludera det observerade felet vid en felrättning eller förväntade användaråtgärder och databeteende för en ny funktion.\n\nTillverkarens exempel bygger en att-göra-applikation på en sida med FastAPI, React och SQLite. Prompten listar tillägg, borttagning och slutförande av uppgifter samt visning av uppgiftslistan. Kraven kopplar det genererade gränssnittet till det applikationsbeteende och den lagring som behövs. En uppföljning begär sedan en specifik förbättring av den färdiga applikationen.\n\n### Utforska, redigera och kör genom en applikation\n\nDet dokumenterade flödet använder ett agentramverk som kan granska filer i kodförrådet, göra ändringar och köra utvecklingsverktyg. Devstral tillhandahåller besluten och koden; den omgivande agenten utför verktygsåtgärder och returnerar observationer. Ange projektets installationsanvisningar och förklara vilka kontroller som ska fastställa att ändringen fungerar.\n\nFör en ändring över flera filer ber du agenten identifiera relevanta beroenden före redigeringen. Behåll verktygsobservationerna med den resulterande patchen så att en föreslagen korrigering kan jämföras med det som faktiskt kördes. En genererad implementation blir ett fungerande resultat när applikationen sparar och kör den i den avsedda miljön.\n\n### Använd en kodförrådsanalys som fokuserad uppgift\n\nEtt annat tillverkarexempel ber agenten granska testtäckning och skapa diagram. Flödet utforskar först kodförrådet och dess testkonfiguration, kör sedan täckningsmätningen och skapar visualiseringen. En liknande förfrågan bör ange kodförrådet, måttet som ska granskas och resultatet, exempelvis ett diagram och filerna det sammanfattar.\n\nSkillnaden mellan modellutdata och underlag från faktisk körning är viktig här. Be om de resulterande filerna och observationerna från utvecklingsverktygen tillsammans med den förklaring som behövs för att tolka dem. Håll en senare revidering fokuserad på observerat beteende eller en specifik del av resultatet.\n\n### Bevara utgåvan och arbetskontexten\n\nDetta inlägg behåller utgåvan 2505 som beskrivs i tillverkarens kort. Senare Devstral Small-utgåvor har egna identiteter. Använd den valda modellens konversations- och verktygsformat, inkludera relevant källmaterial inom arbetskontexten och lämna utrymme för det begärda resultatet. Kortet publicerar exempel på lokal inferens och agenter; deras exempelbudgetar för generering är uppgiftsinställningar snarare än ett universellt utdatatak.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.devstral-small-2505Devstral Small 2505 är en textbaserad programmeringsmodell från Mistral AI och All Hands AI. Den är utformad för mjukvaruagenter som utforskar en kodbas, redigerar flera filer och använder utvecklingsverktyg, med ett publicerat kontextfönster på 128K.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Devstral Small 2505 är den första Devstral Small-utgåvan, utvecklad av Mistral AI tillsammans med All Hands AI för programvaruutvecklingsagenter. Det är en modell med 24 miljarder parametrar byggd för utforskning av kodbaser, verktygsanvändning och ändringar över flera filer. Tillverkarens kort beskriver den som enbart textbaserad med ett kontextfönster på 128K; bildkodaren togs bort från Mistral Small 3.1-modellen som användes för finjusteringen.
Beskriv det önskade beteendet och det kodförråd eller den relevanta kod som agenten ska arbeta med. En användbar uppgift identifierar funktionen, de berörda filerna eller applikationsdelen och de villkor som visar att arbetet är klart. Inkludera det observerade felet vid en felrättning eller förväntade användaråtgärder och databeteende för en ny funktion.
Tillverkarens exempel bygger en att-göra-applikation på en sida med FastAPI, React och SQLite. Prompten listar tillägg, borttagning och slutförande av uppgifter samt visning av uppgiftslistan. Kraven kopplar det genererade gränssnittet till det applikationsbeteende och den lagring som behövs. En uppföljning begär sedan en specifik förbättring av den färdiga applikationen.
Det dokumenterade flödet använder ett agentramverk som kan granska filer i kodförrådet, göra ändringar och köra utvecklingsverktyg. Devstral tillhandahåller besluten och koden; den omgivande agenten utför verktygsåtgärder och returnerar observationer. Ange projektets installationsanvisningar och förklara vilka kontroller som ska fastställa att ändringen fungerar.
För en ändring över flera filer ber du agenten identifiera relevanta beroenden före redigeringen. Behåll verktygsobservationerna med den resulterande patchen så att en föreslagen korrigering kan jämföras med det som faktiskt kördes. En genererad implementation blir ett fungerande resultat när applikationen sparar och kör den i den avsedda miljön.
Ett annat tillverkarexempel ber agenten granska testtäckning och skapa diagram. Flödet utforskar först kodförrådet och dess testkonfiguration, kör sedan täckningsmätningen och skapar visualiseringen. En liknande förfrågan bör ange kodförrådet, måttet som ska granskas och resultatet, exempelvis ett diagram och filerna det sammanfattar.
Skillnaden mellan modellutdata och underlag från faktisk körning är viktig här. Be om de resulterande filerna och observationerna från utvecklingsverktygen tillsammans med den förklaring som behövs för att tolka dem. Håll en senare revidering fokuserad på observerat beteende eller en specifik del av resultatet.
Detta inlägg behåller utgåvan 2505 som beskrivs i tillverkarens kort. Senare Devstral Small-utgåvor har egna identiteter. Använd den valda modellens konversations- och verktygsformat, inkludera relevant källmaterial inom arbetskontexten och lämna utrymme för det begärda resultatet. Kortet publicerar exempel på lokal inferens och agenter; deras exempelbudgetar för generering är uppgiftsinställningar snarare än ett universellt utdatatak.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser devstral-small-2505 | 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 $0.00022 / 1K token Utdata · Utdatatoken $0.00066 / 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-small-2505", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='devstral-small-2505',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='devstral-small-2505',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-small-2505
Använd metodsökvägarna som visas ovan.
devstral-small-2505Devstral Small 2505 är en textbaserad programmeringsmodell från Mistral AI och All Hands AI. Den är utformad för mjukvaruagenter som utforskar en kodbas, redigerar flera filer och använder utvecklingsverktyg, med ett publicerat kontextfönster på 128K.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Devstral Small 2505 är den första Devstral Small-utgåvan, utvecklad av Mistral AI tillsammans med All Hands AI för programvaruutvecklingsagenter. Det är en modell med 24 miljarder parametrar byggd för utforskning av kodbaser, verktygsanvändning och ändringar över flera filer. Tillverkarens kort beskriver den som enbart textbaserad med ett kontextfönster på 128K; bildkodaren togs bort från Mistral Small 3.1-modellen som användes för finjusteringen.
Beskriv det önskade beteendet och det kodförråd eller den relevanta kod som agenten ska arbeta med. En användbar uppgift identifierar funktionen, de berörda filerna eller applikationsdelen och de villkor som visar att arbetet är klart. Inkludera det observerade felet vid en felrättning eller förväntade användaråtgärder och databeteende för en ny funktion.
Tillverkarens exempel bygger en att-göra-applikation på en sida med FastAPI, React och SQLite. Prompten listar tillägg, borttagning och slutförande av uppgifter samt visning av uppgiftslistan. Kraven kopplar det genererade gränssnittet till det applikationsbeteende och den lagring som behövs. En uppföljning begär sedan en specifik förbättring av den färdiga applikationen.
Det dokumenterade flödet använder ett agentramverk som kan granska filer i kodförrådet, göra ändringar och köra utvecklingsverktyg. Devstral tillhandahåller besluten och koden; den omgivande agenten utför verktygsåtgärder och returnerar observationer. Ange projektets installationsanvisningar och förklara vilka kontroller som ska fastställa att ändringen fungerar.
För en ändring över flera filer ber du agenten identifiera relevanta beroenden före redigeringen. Behåll verktygsobservationerna med den resulterande patchen så att en föreslagen korrigering kan jämföras med det som faktiskt kördes. En genererad implementation blir ett fungerande resultat när applikationen sparar och kör den i den avsedda miljön.
Ett annat tillverkarexempel ber agenten granska testtäckning och skapa diagram. Flödet utforskar först kodförrådet och dess testkonfiguration, kör sedan täckningsmätningen och skapar visualiseringen. En liknande förfrågan bör ange kodförrådet, måttet som ska granskas och resultatet, exempelvis ett diagram och filerna det sammanfattar.
Skillnaden mellan modellutdata och underlag från faktisk körning är viktig här. Be om de resulterande filerna och observationerna från utvecklingsverktygen tillsammans med den förklaring som behövs för att tolka dem. Håll en senare revidering fokuserad på observerat beteende eller en specifik del av resultatet.
Detta inlägg behåller utgåvan 2505 som beskrivs i tillverkarens kort. Senare Devstral Small-utgåvor har egna identiteter. Använd den valda modellens konversations- och verktygsformat, inkludera relevant källmaterial inom arbetskontexten och lämna utrymme för det begärda resultatet. Kortet publicerar exempel på lokal inferens och agenter; deras exempelbudgetar för generering är uppgiftsinställningar snarare än ett universellt utdatatak.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser devstral-small-2505 | 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 $0.00022 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "devstral-small-2505",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'devstral-small-2505', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'devstral-small-2505', '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-small-2505
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Plan a deletion fix across two files\n\nGiven these repository excerpts, propose a coordinated patch: api.py deletes a task by ID and always returns 204; store.py remove(id) silently ignores missing IDs. Requirement: an existing task returns 204 and a missing task returns 404. Show changes to both files and tests; preserve the DELETE route and successful deletion behavior.A patch split by api.py and store.py plus tests for existing and missing task IDs.The storage result reaches the handler so a missing task returns 404 without changing the successful status.