Ministral 3 3B Instruct 2512 är den minsta instruktionsanpassade utgåvan i Mistral AI:s Ministral 3-familj. Tillverkaren positionerar den för kompakta instruktionsbaserade tillämpningar, bland annat bildbeskrivningar, textklassificering, dataextraktion, översättning och korta texter. Den publicerade modellversionen använder FP8-precision och kombinerar textbearbetning med en komponent för bildindata.
Modellkomponenter och funktioner
Modellkortet anger en språkmodell med 3,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Det dokumenterar ett kontextfönster på 256k token, med en förinställd kontextlängd på 262 144 i användningsanvisningarna. Komponenternas parameterantal gäller 3B-utgåvan och inte familjens 8B- eller 14B-modeller. Modellen tar emot text och bilder och genererar text, inklusive poster i JSON-format eller föreslagna funktionsanrop.
Tillverkaren beskriver stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Tillverkaren framhåller också att modellen följer systemprompten. Ange önskat utmatningsspråk och de etiketter eller termer som ska lämnas oförändrade. Det hjälper en översatt förklaring eller extraherad post att stämma med applikationens avsedda användning.
Avgränsad klassificering och extraktion
För en klassificeringsuppgift anger du tillåtna etiketter, regeln som skiljer dem åt och meddelandet som ska klassificeras. Begär en vald etikett och en kort förklaring med stöd i det tillhandahållna meddelandet. Om etiketterna är tvetydiga definierar du vilken information som skulle skilja dem åt, i stället för att bara förlita dig på deras namn. Det ger ett kompakt resultat som kan användas konsekvent i ett större arbetsflöde.
För extraktion listar du fälten och deras typer och anger hur saknad information ska representeras. En begäran kan efterfråga en artikelidentifierare, det uttryckligen beskrivna tillståndet och den åtgärd användaren begär. Kräv källans ordalydelse när den exakta formuleringen är viktig, eller ett normaliserat värde när applikationen anger normaliseringsregeln. JSON-utdata organiserar resultatet; fältutformningen förblir en del av uppgiften och är inte ett inbyggt universellt schema.
Modellkortet nämner också bildbeskrivningar och generering av korta texter. För en bildbeskrivning definierar du vilken aspekt av bilden som ska beskrivas och vem målgruppen är. För en kort förklaring tillhandahåller du fakta som ska bevaras och önskad längd. Ett supportsvar kan utgå från originalfrågan och angiven vägledning för att ge ett kortfattat nästa steg, tillsammans med villkoret som gör det tillämpligt.
Förberedelse för bildindata och flera språk
Kombinera en bild med en tydlig textfråga. För ett dokumentfält bevarar du etiketten, värdet och det omgivande sammanhang som behövs för att tolka det. För en objektbeskrivning anger du vilken synlig egenskap som är viktig. Tillverkaren rekommenderar bildproportioner nära 1:1 och att undvika mycket smala eller breda indata; beskär vid behov utan att ta bort det underlag frågan bygger på.
För översättning tillhandahåller du originaltexten, målspråket och eventuell terminologilista. Begär det översatta avsnittet separat från en eventuell förklaring. I en flerspråkig klassificeringsuppgift kan applikationens etiketter behållas oförändrade medan den valda etiketten förklaras på läsarens språk. Detta är definierade utdata snarare än en begäran om en allmänt hållen diskussion om ett meddelande eller en bild.
Verktyg och rekommenderade inställningar
Inbyggda funktionsanrop gör det möjligt för en applikation att koppla samtalet till en beskriven operation. Modellen förbereder funktionsargumenten, applikationen kör funktionen och resultatet blir information för nästa svar. En uppslagning kan tillföra ett saknat värde, eller ett beräkningsverktyg kan arbeta med värden som identifierats i en bild. Textmodellen kör inte själv funktionen bara genom att generera dess namn och argument.
Tillverkaren rekommenderar en systeminstruktion som definierar miljön och användningsfallet, inklusive vägledning om verktyg. Håll verktygsbeskrivningarna tydliga och begränsa uppsättningen till minsta nödvändiga antal relevanta operationer. För en avgränsad assistent kan en uttrycklig extraktions- eller uppslagningsuppgift vara lättare att tolka än en prompt som innehåller många orelaterade funktioner utan någon urvalsregel.
Modellkortet ger råd om låg temperatur: under 0.1 för vardaglig användning och produktionsliknande användning, samt en starttemperatur på 0.1 för de flesta användningsfall i en separat anmärkning om sampling. Högre värden kan utforskas för kreativt innehåll. Rekommendationerna har olika angivna tillämpningsområden; de garanterar inte att en enda samplingsinställning gör varje extraherat värde eller klassificering korrekt.
Utgåvans och kontextens gränser
Ministral 3 har separata Base-, Instruct- och Reasoning-utgåvor för varje modellstorlek. Den här posten avser modellversionen Instruct 2512, inte ett automatiskt aktiverat resonemangsläge eller den förtränade basmodellen. Tillverkaren listar specialisering och finjustering som möjliga tillämpningar, samtidigt som den aktuella instruktionsuppgiften fortfarande behöver tydligt definierade indata, regler och utdata.
Håll relevant källmaterial och samtal inom den konfigurerade kontexten och begär det kompakta resultat som nästa applikationssteg behöver. Användningsanvisningarna tillåter att den konfigurerade kontextlängden minskas för uppgifter som inte behöver hela fönstret. Ett genereringsexempel på 512 token och ett stort genereringsutrymme i ett exempel är inte separat dokumenterade maximala utmatningskapaciteter. Bildgenerering, ljudutdata och externa åtgärder kräver andra komponenter utöver denna modell som ger textresultat.
", "aboutText": "Ministral 3 3B Instruct 2512 är den minsta instruktionsanpassade utgåvan i Mistral AI:s Ministral 3-familj. Tillverkaren positionerar den för kompakta instruktionsbaserade tillämpningar, bland annat bildbeskrivningar, textklassificering, dataextraktion, översättning och korta texter. Den publicerade modellversionen använder FP8-precision och kombinerar textbearbetning med en komponent för bildindata.\n\nModellkomponenter och funktioner\n\nModellkortet anger en språkmodell med 3,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Det dokumenterar ett kontextfönster på 256k token, med en förinställd kontextlängd på 262 144 i användningsanvisningarna. Komponenternas parameterantal gäller 3B-utgåvan och inte familjens 8B- eller 14B-modeller. Modellen tar emot text och bilder och genererar text, inklusive poster i JSON-format eller föreslagna funktionsanrop.\n\nTillverkaren beskriver stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Tillverkaren framhåller också att modellen följer systemprompten. Ange önskat utmatningsspråk och de etiketter eller termer som ska lämnas oförändrade. Det hjälper en översatt förklaring eller extraherad post att stämma med applikationens avsedda användning.\n\nAvgränsad klassificering och extraktion\n\nFör en klassificeringsuppgift anger du tillåtna etiketter, regeln som skiljer dem åt och meddelandet som ska klassificeras. Begär en vald etikett och en kort förklaring med stöd i det tillhandahållna meddelandet. Om etiketterna är tvetydiga definierar du vilken information som skulle skilja dem åt, i stället för att bara förlita dig på deras namn. Det ger ett kompakt resultat som kan användas konsekvent i ett större arbetsflöde.\n\nFör extraktion listar du fälten och deras typer och anger hur saknad information ska representeras. En begäran kan efterfråga en artikelidentifierare, det uttryckligen beskrivna tillståndet och den åtgärd användaren begär. Kräv källans ordalydelse när den exakta formuleringen är viktig, eller ett normaliserat värde när applikationen anger normaliseringsregeln. JSON-utdata organiserar resultatet; fältutformningen förblir en del av uppgiften och är inte ett inbyggt universellt schema.\n\nModellkortet nämner också bildbeskrivningar och generering av korta texter. För en bildbeskrivning definierar du vilken aspekt av bilden som ska beskrivas och vem målgruppen är. För en kort förklaring tillhandahåller du fakta som ska bevaras och önskad längd. Ett supportsvar kan utgå från originalfrågan och angiven vägledning för att ge ett kortfattat nästa steg, tillsammans med villkoret som gör det tillämpligt.\n\nFörberedelse för bildindata och flera språk\n\nKombinera en bild med en tydlig textfråga. För ett dokumentfält bevarar du etiketten, värdet och det omgivande sammanhang som behövs för att tolka det. För en objektbeskrivning anger du vilken synlig egenskap som är viktig. Tillverkaren rekommenderar bildproportioner nära 1:1 och att undvika mycket smala eller breda indata; beskär vid behov utan att ta bort det underlag frågan bygger på.\n\nFör översättning tillhandahåller du originaltexten, målspråket och eventuell terminologilista. Begär det översatta avsnittet separat från en eventuell förklaring. I en flerspråkig klassificeringsuppgift kan applikationens etiketter behållas oförändrade medan den valda etiketten förklaras på läsarens språk. Detta är definierade utdata snarare än en begäran om en allmänt hållen diskussion om ett meddelande eller en bild.\n\nVerktyg och rekommenderade inställningar\n\nInbyggda funktionsanrop gör det möjligt för en applikation att koppla samtalet till en beskriven operation. Modellen förbereder funktionsargumenten, applikationen kör funktionen och resultatet blir information för nästa svar. En uppslagning kan tillföra ett saknat värde, eller ett beräkningsverktyg kan arbeta med värden som identifierats i en bild. Textmodellen kör inte själv funktionen bara genom att generera dess namn och argument.\n\nTillverkaren rekommenderar en systeminstruktion som definierar miljön och användningsfallet, inklusive vägledning om verktyg. Håll verktygsbeskrivningarna tydliga och begränsa uppsättningen till minsta nödvändiga antal relevanta operationer. För en avgränsad assistent kan en uttrycklig extraktions- eller uppslagningsuppgift vara lättare att tolka än en prompt som innehåller många orelaterade funktioner utan någon urvalsregel.\n\nModellkortet ger råd om låg temperatur: under 0.1 för vardaglig användning och produktionsliknande användning, samt en starttemperatur på 0.1 för de flesta användningsfall i en separat anmärkning om sampling. Högre värden kan utforskas för kreativt innehåll. Rekommendationerna har olika angivna tillämpningsområden; de garanterar inte att en enda samplingsinställning gör varje extraherat värde eller klassificering korrekt.\n\nUtgåvans och kontextens gränser\n\nMinistral 3 har separata Base-, Instruct- och Reasoning-utgåvor för varje modellstorlek. Den här posten avser modellversionen Instruct 2512, inte ett automatiskt aktiverat resonemangsläge eller den förtränade basmodellen. Tillverkaren listar specialisering och finjustering som möjliga tillämpningar, samtidigt som den aktuella instruktionsuppgiften fortfarande behöver tydligt definierade indata, regler och utdata.\n\nHåll relevant källmaterial och samtal inom den konfigurerade kontexten och begär det kompakta resultat som nästa applikationssteg behöver. Användningsanvisningarna tillåter att den konfigurerade kontextlängden minskas för uppgifter som inte behöver hela fönstret. Ett genereringsexempel på 512 token och ett stort genereringsutrymme i ett exempel är inte separat dokumenterade maximala utmatningskapaciteter. Bildgenerering, ljudutdata och externa åtgärder kräver andra komponenter utöver denna modell som ger textresultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 är en kompakt flerspråkig modell för text och bilder, avsedd för klassificering, extraktion, bildbeskrivningar och korta texter. Dess språkkomponent på 3,4 miljarder parametrar och bildkodare på 0,4 miljarder parametrar stöder systeminstruktioner, JSON, funktionsanrop och en kontext på 256k token enligt tillverkaren.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ministral 3 3B Instruct 2512 är den minsta instruktionsanpassade utgåvan i Mistral AI:s Ministral 3-familj. Tillverkaren positionerar den för kompakta instruktionsbaserade tillämpningar, bland annat bildbeskrivningar, textklassificering, dataextraktion, översättning och korta texter. Den publicerade modellversionen använder FP8-precision och kombinerar textbearbetning med en komponent för bildindata.
Modellkomponenter och funktioner
Modellkortet anger en språkmodell med 3,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Det dokumenterar ett kontextfönster på 256k token, med en förinställd kontextlängd på 262 144 i användningsanvisningarna. Komponenternas parameterantal gäller 3B-utgåvan och inte familjens 8B- eller 14B-modeller. Modellen tar emot text och bilder och genererar text, inklusive poster i JSON-format eller föreslagna funktionsanrop.
Tillverkaren beskriver stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Tillverkaren framhåller också att modellen följer systemprompten. Ange önskat utmatningsspråk och de etiketter eller termer som ska lämnas oförändrade. Det hjälper en översatt förklaring eller extraherad post att stämma med applikationens avsedda användning.
Avgränsad klassificering och extraktion
För en klassificeringsuppgift anger du tillåtna etiketter, regeln som skiljer dem åt och meddelandet som ska klassificeras. Begär en vald etikett och en kort förklaring med stöd i det tillhandahållna meddelandet. Om etiketterna är tvetydiga definierar du vilken information som skulle skilja dem åt, i stället för att bara förlita dig på deras namn. Det ger ett kompakt resultat som kan användas konsekvent i ett större arbetsflöde.
För extraktion listar du fälten och deras typer och anger hur saknad information ska representeras. En begäran kan efterfråga en artikelidentifierare, det uttryckligen beskrivna tillståndet och den åtgärd användaren begär. Kräv källans ordalydelse när den exakta formuleringen är viktig, eller ett normaliserat värde när applikationen anger normaliseringsregeln. JSON-utdata organiserar resultatet; fältutformningen förblir en del av uppgiften och är inte ett inbyggt universellt schema.
Modellkortet nämner också bildbeskrivningar och generering av korta texter. För en bildbeskrivning definierar du vilken aspekt av bilden som ska beskrivas och vem målgruppen är. För en kort förklaring tillhandahåller du fakta som ska bevaras och önskad längd. Ett supportsvar kan utgå från originalfrågan och angiven vägledning för att ge ett kortfattat nästa steg, tillsammans med villkoret som gör det tillämpligt.
Förberedelse för bildindata och flera språk
Kombinera en bild med en tydlig textfråga. För ett dokumentfält bevarar du etiketten, värdet och det omgivande sammanhang som behövs för att tolka det. För en objektbeskrivning anger du vilken synlig egenskap som är viktig. Tillverkaren rekommenderar bildproportioner nära 1:1 och att undvika mycket smala eller breda indata; beskär vid behov utan att ta bort det underlag frågan bygger på.
För översättning tillhandahåller du originaltexten, målspråket och eventuell terminologilista. Begär det översatta avsnittet separat från en eventuell förklaring. I en flerspråkig klassificeringsuppgift kan applikationens etiketter behållas oförändrade medan den valda etiketten förklaras på läsarens språk. Detta är definierade utdata snarare än en begäran om en allmänt hållen diskussion om ett meddelande eller en bild.
Verktyg och rekommenderade inställningar
Inbyggda funktionsanrop gör det möjligt för en applikation att koppla samtalet till en beskriven operation. Modellen förbereder funktionsargumenten, applikationen kör funktionen och resultatet blir information för nästa svar. En uppslagning kan tillföra ett saknat värde, eller ett beräkningsverktyg kan arbeta med värden som identifierats i en bild. Textmodellen kör inte själv funktionen bara genom att generera dess namn och argument.
Tillverkaren rekommenderar en systeminstruktion som definierar miljön och användningsfallet, inklusive vägledning om verktyg. Håll verktygsbeskrivningarna tydliga och begränsa uppsättningen till minsta nödvändiga antal relevanta operationer. För en avgränsad assistent kan en uttrycklig extraktions- eller uppslagningsuppgift vara lättare att tolka än en prompt som innehåller många orelaterade funktioner utan någon urvalsregel.
Modellkortet ger råd om låg temperatur: under 0.1 för vardaglig användning och produktionsliknande användning, samt en starttemperatur på 0.1 för de flesta användningsfall i en separat anmärkning om sampling. Högre värden kan utforskas för kreativt innehåll. Rekommendationerna har olika angivna tillämpningsområden; de garanterar inte att en enda samplingsinställning gör varje extraherat värde eller klassificering korrekt.
Utgåvans och kontextens gränser
Ministral 3 har separata Base-, Instruct- och Reasoning-utgåvor för varje modellstorlek. Den här posten avser modellversionen Instruct 2512, inte ett automatiskt aktiverat resonemangsläge eller den förtränade basmodellen. Tillverkaren listar specialisering och finjustering som möjliga tillämpningar, samtidigt som den aktuella instruktionsuppgiften fortfarande behöver tydligt definierade indata, regler och utdata.
Håll relevant källmaterial och samtal inom den konfigurerade kontexten och begär det kompakta resultat som nästa applikationssteg behöver. Användningsanvisningarna tillåter att den konfigurerade kontextlängden minskas för uppgifter som inte behöver hela fönstret. Ett genereringsexempel på 512 token och ett stort genereringsutrymme i ett exempel är inte separat dokumenterade maximala utmatningskapaciteter. Bildgenerering, ljudutdata och externa åtgärder kräver andra komponenter utöver denna modell som ger textresultat.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/ministral-3b-2512 | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00066 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00066 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0.00002 / 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": "mistralai/ministral-3b-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/ministral-3b-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/ministral-3b-2512',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 mistralai/ministral-3b-2512
Använd metodsökvägarna som visas ovan.
mistralai/ministral-3b-2512Ministral 3 3B Instruct 2512 är en kompakt flerspråkig modell för text och bilder, avsedd för klassificering, extraktion, bildbeskrivningar och korta texter. Dess språkkomponent på 3,4 miljarder parametrar och bildkodare på 0,4 miljarder parametrar stöder systeminstruktioner, JSON, funktionsanrop och en kontext på 256k token enligt tillverkaren.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ministral 3 3B Instruct 2512 är den minsta instruktionsanpassade utgåvan i Mistral AI:s Ministral 3-familj. Tillverkaren positionerar den för kompakta instruktionsbaserade tillämpningar, bland annat bildbeskrivningar, textklassificering, dataextraktion, översättning och korta texter. Den publicerade modellversionen använder FP8-precision och kombinerar textbearbetning med en komponent för bildindata.
Modellkomponenter och funktioner
Modellkortet anger en språkmodell med 3,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Det dokumenterar ett kontextfönster på 256k token, med en förinställd kontextlängd på 262 144 i användningsanvisningarna. Komponenternas parameterantal gäller 3B-utgåvan och inte familjens 8B- eller 14B-modeller. Modellen tar emot text och bilder och genererar text, inklusive poster i JSON-format eller föreslagna funktionsanrop.
Tillverkaren beskriver stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Tillverkaren framhåller också att modellen följer systemprompten. Ange önskat utmatningsspråk och de etiketter eller termer som ska lämnas oförändrade. Det hjälper en översatt förklaring eller extraherad post att stämma med applikationens avsedda användning.
Avgränsad klassificering och extraktion
För en klassificeringsuppgift anger du tillåtna etiketter, regeln som skiljer dem åt och meddelandet som ska klassificeras. Begär en vald etikett och en kort förklaring med stöd i det tillhandahållna meddelandet. Om etiketterna är tvetydiga definierar du vilken information som skulle skilja dem åt, i stället för att bara förlita dig på deras namn. Det ger ett kompakt resultat som kan användas konsekvent i ett större arbetsflöde.
För extraktion listar du fälten och deras typer och anger hur saknad information ska representeras. En begäran kan efterfråga en artikelidentifierare, det uttryckligen beskrivna tillståndet och den åtgärd användaren begär. Kräv källans ordalydelse när den exakta formuleringen är viktig, eller ett normaliserat värde när applikationen anger normaliseringsregeln. JSON-utdata organiserar resultatet; fältutformningen förblir en del av uppgiften och är inte ett inbyggt universellt schema.
Modellkortet nämner också bildbeskrivningar och generering av korta texter. För en bildbeskrivning definierar du vilken aspekt av bilden som ska beskrivas och vem målgruppen är. För en kort förklaring tillhandahåller du fakta som ska bevaras och önskad längd. Ett supportsvar kan utgå från originalfrågan och angiven vägledning för att ge ett kortfattat nästa steg, tillsammans med villkoret som gör det tillämpligt.
Förberedelse för bildindata och flera språk
Kombinera en bild med en tydlig textfråga. För ett dokumentfält bevarar du etiketten, värdet och det omgivande sammanhang som behövs för att tolka det. För en objektbeskrivning anger du vilken synlig egenskap som är viktig. Tillverkaren rekommenderar bildproportioner nära 1:1 och att undvika mycket smala eller breda indata; beskär vid behov utan att ta bort det underlag frågan bygger på.
För översättning tillhandahåller du originaltexten, målspråket och eventuell terminologilista. Begär det översatta avsnittet separat från en eventuell förklaring. I en flerspråkig klassificeringsuppgift kan applikationens etiketter behållas oförändrade medan den valda etiketten förklaras på läsarens språk. Detta är definierade utdata snarare än en begäran om en allmänt hållen diskussion om ett meddelande eller en bild.
Verktyg och rekommenderade inställningar
Inbyggda funktionsanrop gör det möjligt för en applikation att koppla samtalet till en beskriven operation. Modellen förbereder funktionsargumenten, applikationen kör funktionen och resultatet blir information för nästa svar. En uppslagning kan tillföra ett saknat värde, eller ett beräkningsverktyg kan arbeta med värden som identifierats i en bild. Textmodellen kör inte själv funktionen bara genom att generera dess namn och argument.
Tillverkaren rekommenderar en systeminstruktion som definierar miljön och användningsfallet, inklusive vägledning om verktyg. Håll verktygsbeskrivningarna tydliga och begränsa uppsättningen till minsta nödvändiga antal relevanta operationer. För en avgränsad assistent kan en uttrycklig extraktions- eller uppslagningsuppgift vara lättare att tolka än en prompt som innehåller många orelaterade funktioner utan någon urvalsregel.
Modellkortet ger råd om låg temperatur: under 0.1 för vardaglig användning och produktionsliknande användning, samt en starttemperatur på 0.1 för de flesta användningsfall i en separat anmärkning om sampling. Högre värden kan utforskas för kreativt innehåll. Rekommendationerna har olika angivna tillämpningsområden; de garanterar inte att en enda samplingsinställning gör varje extraherat värde eller klassificering korrekt.
Utgåvans och kontextens gränser
Ministral 3 har separata Base-, Instruct- och Reasoning-utgåvor för varje modellstorlek. Den här posten avser modellversionen Instruct 2512, inte ett automatiskt aktiverat resonemangsläge eller den förtränade basmodellen. Tillverkaren listar specialisering och finjustering som möjliga tillämpningar, samtidigt som den aktuella instruktionsuppgiften fortfarande behöver tydligt definierade indata, regler och utdata.
Håll relevant källmaterial och samtal inom den konfigurerade kontexten och begär det kompakta resultat som nästa applikationssteg behöver. Användningsanvisningarna tillåter att den konfigurerade kontextlängden minskas för uppgifter som inte behöver hela fönstret. Ett genereringsexempel på 512 token och ett stort genereringsutrymme i ett exempel är inte separat dokumenterade maximala utmatningskapaciteter. Bildgenerering, ljudutdata och externa åtgärder kräver andra komponenter utöver denna modell som ger textresultat.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/ministral-3b-2512 | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00066 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00066 / 1K token Utdata · Utdatatoken $0.00066 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/ministral-3b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/ministral-3b-2512', '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 mistralai/ministral-3b-2512
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Extract a return-request record\n\nExtract the item code, stated condition and requested action from this message: 'Hello, the handle of kettle KT8 is loose. It arrived today. Please arrange an exchange, not a refund.' Return those three fields and quote the wording supporting the requested action. Use 'not supplied' for any field absent from the message.A compact three-field extraction record plus the supporting request quote.Check that exchange is retained as the request and is not rewritten as a completed action.