Mistral Small är Mistral AI:s allmänna familj för instruktionsföljning, dokumentarbete och kodassistenter. Dess publicerade utgåvor har olika arkitekturer och kontextgränser. Small 4 kombinerar instruktionsföljning, resonemang och agentbaserad kodning i en multimodal modell. Den tar emot text och bilder och producerar text, vilket gör att samma uppgift kan innehålla ett skriftligt krav och visuellt underlag som en dokumentsida eller skärmbild av ett gränssnitt.
Small 4 använder en mixture-of-experts-arkitektur med totalt 119 miljarder parametrar och 128 experter, varav fyra väljs per token. Dess kontextfönster är 256K token. Den föregående utgåvan Small 3.2 har ett kontextfönster på 128K token. Detta är versionsspecifika egenskaper: ett familjeval följer en uppdaterad utgåva, medan ett fast modellnamn identifierar en viss publicering.
Small 4 har två inställningar för resonemangsinsats. Inställningen för direkta svar använder minimalt tänkande och returnerar svaret utan ett separat resonemangsavsnitt. Inställningen för hög insats lägger till mer detaljerat resonemang före det slutliga svaret och är avsedd för svårare problem. Detta förenar vardaglig chatt med matematisk analys, forskning och koduppgifter. I ett resonemangssamtal bevarar hela det föregående assistentmeddelandet den kontext som behövs för efterföljande turer.
Modellens applikationsfunktioner omfattar funktionsanrop, strukturerade utdata, dokumentfrågor och styrd fortsättning på ett svar. Funktionsanrop börjar med beskrivningar av tillgängliga verktyg och deras förväntade argument. Modellen kan välja en lämplig funktion, identifiera saknad information och generera argumenten; applikationen kör funktionen och returnerar resultatet för nästa svar. Verktygsflödet kan tillåta automatiskt val, kräva ett verktyg, stänga av verktygsanvändning eller tillåta flera parallella anrop. Dessa kontroller hör till det omgivande applikationsflödet.
Strukturerade utdata stöder både JSON och ett anpassat schema. JSON-inriktade uppgifter bör uttryckligen beskriva det förväntade formatet, medan ett schema definierar de fält och typer som efterföljande bearbetning kräver. Frågor om dokument kombinerar extraktion av text och layout med språkmodellsanalys: fråga efter ett specifikt villkor, jämför avsnitt eller samla en definierad uppsättning fält. Stöd för förutsagda utdata är användbart när text eller kod revideras och stora delar av resultatet redan är kända. Prefixfortsättning tillhandahåller en vald inledning för ett svar; batchbearbetning hanterar samlingar av oberoende begäranden asynkront.
För en Ailoot API-assistent definierar du en användbar leverans och materialet som stöder den. En supportuppgift kan kombinera en förfrågan och en skärmbild för att ge ett svar med extraherade observationer. En dokumentuppgift kan returnera en fälttabell och obesvarade frågor. En koduppgift kan utforska relevanta filer, föreslå samordnade ändringar och använda applikationens kontroller för att förbättra dem. Small 4 publiceras med vikter under Apache 2.0 för anpassning; familjenamnet bevarar det allmänna modellvalet, med konkreta lägen och gränser knutna till den valda utgåvan.
", "aboutText": "Mistral Small är Mistral AI:s allmänna familj för instruktionsföljning, dokumentarbete och kodassistenter. Dess publicerade utgåvor har olika arkitekturer och kontextgränser. Small 4 kombinerar instruktionsföljning, resonemang och agentbaserad kodning i en multimodal modell. Den tar emot text och bilder och producerar text, vilket gör att samma uppgift kan innehålla ett skriftligt krav och visuellt underlag som en dokumentsida eller skärmbild av ett gränssnitt.\n\nSmall 4 använder en mixture-of-experts-arkitektur med totalt 119 miljarder parametrar och 128 experter, varav fyra väljs per token. Dess kontextfönster är 256K token. Den föregående utgåvan Small 3.2 har ett kontextfönster på 128K token. Detta är versionsspecifika egenskaper: ett familjeval följer en uppdaterad utgåva, medan ett fast modellnamn identifierar en viss publicering.\n\nSmall 4 har två inställningar för resonemangsinsats. Inställningen för direkta svar använder minimalt tänkande och returnerar svaret utan ett separat resonemangsavsnitt. Inställningen för hög insats lägger till mer detaljerat resonemang före det slutliga svaret och är avsedd för svårare problem. Detta förenar vardaglig chatt med matematisk analys, forskning och koduppgifter. I ett resonemangssamtal bevarar hela det föregående assistentmeddelandet den kontext som behövs för efterföljande turer.\n\nModellens applikationsfunktioner omfattar funktionsanrop, strukturerade utdata, dokumentfrågor och styrd fortsättning på ett svar. Funktionsanrop börjar med beskrivningar av tillgängliga verktyg och deras förväntade argument. Modellen kan välja en lämplig funktion, identifiera saknad information och generera argumenten; applikationen kör funktionen och returnerar resultatet för nästa svar. Verktygsflödet kan tillåta automatiskt val, kräva ett verktyg, stänga av verktygsanvändning eller tillåta flera parallella anrop. Dessa kontroller hör till det omgivande applikationsflödet.\n\nStrukturerade utdata stöder både JSON och ett anpassat schema. JSON-inriktade uppgifter bör uttryckligen beskriva det förväntade formatet, medan ett schema definierar de fält och typer som efterföljande bearbetning kräver. Frågor om dokument kombinerar extraktion av text och layout med språkmodellsanalys: fråga efter ett specifikt villkor, jämför avsnitt eller samla en definierad uppsättning fält. Stöd för förutsagda utdata är användbart när text eller kod revideras och stora delar av resultatet redan är kända. Prefixfortsättning tillhandahåller en vald inledning för ett svar; batchbearbetning hanterar samlingar av oberoende begäranden asynkront.\n\nFör en Ailoot API-assistent definierar du en användbar leverans och materialet som stöder den. En supportuppgift kan kombinera en förfrågan och en skärmbild för att ge ett svar med extraherade observationer. En dokumentuppgift kan returnera en fälttabell och obesvarade frågor. En koduppgift kan utforska relevanta filer, föreslå samordnade ändringar och använda applikationens kontroller för att förbättra dem. Small 4 publiceras med vikter under Apache 2.0 för anpassning; familjenamnet bevarar det allmänna modellvalet, med konkreta lägen och gränser knutna till den valda utgåvan.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.mistral-small-latestMistral AI:s allmänna Small-familj stöder assistenter, dokumentanalys och kodningsflöden med verktygsanrop och strukturerade svar. Utgåvan Small 4 kombinerar direkta svar och justerbart resonemang med text- och bildindata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Small är Mistral AI:s allmänna familj för instruktionsföljning, dokumentarbete och kodassistenter. Dess publicerade utgåvor har olika arkitekturer och kontextgränser. Small 4 kombinerar instruktionsföljning, resonemang och agentbaserad kodning i en multimodal modell. Den tar emot text och bilder och producerar text, vilket gör att samma uppgift kan innehålla ett skriftligt krav och visuellt underlag som en dokumentsida eller skärmbild av ett gränssnitt.
Small 4 använder en mixture-of-experts-arkitektur med totalt 119 miljarder parametrar och 128 experter, varav fyra väljs per token. Dess kontextfönster är 256K token. Den föregående utgåvan Small 3.2 har ett kontextfönster på 128K token. Detta är versionsspecifika egenskaper: ett familjeval följer en uppdaterad utgåva, medan ett fast modellnamn identifierar en viss publicering.
Small 4 har två inställningar för resonemangsinsats. Inställningen för direkta svar använder minimalt tänkande och returnerar svaret utan ett separat resonemangsavsnitt. Inställningen för hög insats lägger till mer detaljerat resonemang före det slutliga svaret och är avsedd för svårare problem. Detta förenar vardaglig chatt med matematisk analys, forskning och koduppgifter. I ett resonemangssamtal bevarar hela det föregående assistentmeddelandet den kontext som behövs för efterföljande turer.
Modellens applikationsfunktioner omfattar funktionsanrop, strukturerade utdata, dokumentfrågor och styrd fortsättning på ett svar. Funktionsanrop börjar med beskrivningar av tillgängliga verktyg och deras förväntade argument. Modellen kan välja en lämplig funktion, identifiera saknad information och generera argumenten; applikationen kör funktionen och returnerar resultatet för nästa svar. Verktygsflödet kan tillåta automatiskt val, kräva ett verktyg, stänga av verktygsanvändning eller tillåta flera parallella anrop. Dessa kontroller hör till det omgivande applikationsflödet.
Strukturerade utdata stöder både JSON och ett anpassat schema. JSON-inriktade uppgifter bör uttryckligen beskriva det förväntade formatet, medan ett schema definierar de fält och typer som efterföljande bearbetning kräver. Frågor om dokument kombinerar extraktion av text och layout med språkmodellsanalys: fråga efter ett specifikt villkor, jämför avsnitt eller samla en definierad uppsättning fält. Stöd för förutsagda utdata är användbart när text eller kod revideras och stora delar av resultatet redan är kända. Prefixfortsättning tillhandahåller en vald inledning för ett svar; batchbearbetning hanterar samlingar av oberoende begäranden asynkront.
För en Ailoot API-assistent definierar du en användbar leverans och materialet som stöder den. En supportuppgift kan kombinera en förfrågan och en skärmbild för att ge ett svar med extraherade observationer. En dokumentuppgift kan returnera en fälttabell och obesvarade frågor. En koduppgift kan utforska relevanta filer, föreslå samordnade ändringar och använda applikationens kontroller för att förbättra dem. Small 4 publiceras med vikter under Apache 2.0 för anpassning; familjenamnet bevarar det allmänna modellvalet, med konkreta lägen och gränser knutna till den valda utgåvan.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistral-small-latest | 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 $0.0011 / 1K token Utdata · Utdatatoken $0.0011 / 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": "mistral-small-latest", "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='mistral-small-latest',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='mistral-small-latest',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 mistral-small-latest
Använd metodsökvägarna som visas ovan.
mistral-small-latestMistral AI:s allmänna Small-familj stöder assistenter, dokumentanalys och kodningsflöden med verktygsanrop och strukturerade svar. Utgåvan Small 4 kombinerar direkta svar och justerbart resonemang med text- och bildindata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Small är Mistral AI:s allmänna familj för instruktionsföljning, dokumentarbete och kodassistenter. Dess publicerade utgåvor har olika arkitekturer och kontextgränser. Small 4 kombinerar instruktionsföljning, resonemang och agentbaserad kodning i en multimodal modell. Den tar emot text och bilder och producerar text, vilket gör att samma uppgift kan innehålla ett skriftligt krav och visuellt underlag som en dokumentsida eller skärmbild av ett gränssnitt.
Small 4 använder en mixture-of-experts-arkitektur med totalt 119 miljarder parametrar och 128 experter, varav fyra väljs per token. Dess kontextfönster är 256K token. Den föregående utgåvan Small 3.2 har ett kontextfönster på 128K token. Detta är versionsspecifika egenskaper: ett familjeval följer en uppdaterad utgåva, medan ett fast modellnamn identifierar en viss publicering.
Small 4 har två inställningar för resonemangsinsats. Inställningen för direkta svar använder minimalt tänkande och returnerar svaret utan ett separat resonemangsavsnitt. Inställningen för hög insats lägger till mer detaljerat resonemang före det slutliga svaret och är avsedd för svårare problem. Detta förenar vardaglig chatt med matematisk analys, forskning och koduppgifter. I ett resonemangssamtal bevarar hela det föregående assistentmeddelandet den kontext som behövs för efterföljande turer.
Modellens applikationsfunktioner omfattar funktionsanrop, strukturerade utdata, dokumentfrågor och styrd fortsättning på ett svar. Funktionsanrop börjar med beskrivningar av tillgängliga verktyg och deras förväntade argument. Modellen kan välja en lämplig funktion, identifiera saknad information och generera argumenten; applikationen kör funktionen och returnerar resultatet för nästa svar. Verktygsflödet kan tillåta automatiskt val, kräva ett verktyg, stänga av verktygsanvändning eller tillåta flera parallella anrop. Dessa kontroller hör till det omgivande applikationsflödet.
Strukturerade utdata stöder både JSON och ett anpassat schema. JSON-inriktade uppgifter bör uttryckligen beskriva det förväntade formatet, medan ett schema definierar de fält och typer som efterföljande bearbetning kräver. Frågor om dokument kombinerar extraktion av text och layout med språkmodellsanalys: fråga efter ett specifikt villkor, jämför avsnitt eller samla en definierad uppsättning fält. Stöd för förutsagda utdata är användbart när text eller kod revideras och stora delar av resultatet redan är kända. Prefixfortsättning tillhandahåller en vald inledning för ett svar; batchbearbetning hanterar samlingar av oberoende begäranden asynkront.
För en Ailoot API-assistent definierar du en användbar leverans och materialet som stöder den. En supportuppgift kan kombinera en förfrågan och en skärmbild för att ge ett svar med extraherade observationer. En dokumentuppgift kan returnera en fälttabell och obesvarade frågor. En koduppgift kan utforska relevanta filer, föreslå samordnade ändringar och använda applikationens kontroller för att förbättra dem. Small 4 publiceras med vikter under Apache 2.0 för anpassning; familjenamnet bevarar det allmänna modellvalet, med konkreta lägen och gränser knutna till den valda utgåvan.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistral-small-latest | 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 $0.0011 / 1K token Utdata · Utdatatoken $0.0011 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistral-small-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-small-latest', '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': 'mistral-small-latest', '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 mistral-small-latest
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Extract a service-level obligation\n\nRead this clause: “Priority incidents receive an initial reply within two business hours. Resolution targets are agreed per incident. The customer must provide a contact number.” Prepare a field table for response target, resolution target and customer obligation. Preserve the difference between initial reply and resolution and mark anything not specified.A three-row obligation table with source wording and an explicit unresolved resolution target.Check that the two-hour target applies only to the initial reply, not incident resolution.