Ministral 3 8B Instruct 2512 är den mellanstora instruktionsanpassade modellen i Mistral AI:s Ministral 3-familj. Den publicerade modellversionen är eftertränad för chatt- och instruktionsuppgifter med FP8-precision. Den kombinerar en språkkomponent med en bildkodare, tar emot text och bilder och returnerar text snarare än en bild- eller ljudleverans.
Arkitektur och nyckelfunktioner
Tillverkaren anger en språkmodell med 8,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Kontextfönstret beskrivs som 256k token, och de publicerade användningsanvisningarna använder en förinställd kontextlängd på 262 144. Dessa uppgifter beskriver utgåvan i 8B-storlek; familjens mindre 3B- och större 14B-modeller behåller sina egna komponentstorlekar och konfigurationer.
Bildförståelse utökar modellens indata bortom ett skriftligt samtal. En dokumentbild kan kombineras med en fråga om ett valt fält, stycke eller synligt samband. En skärmbild kan kombineras med användarens mål och en begäran att identifiera den relevanta kontrollen. Begär observationen som stöder varje slutsats när svaret beror på bilddetaljer, och bevara rubriker, etiketter och enheter som behövs för att tolka ett utsnitt.
Modellkortet beskriver flerspråkigt arbete på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Det anger också följsamhet till systeminstruktioner, inbyggda funktionsanrop och JSON-utdata. Definiera målspråk, roll och utmatningskrav uttryckligen i stället för att låta modellen härleda den avsedda leveransen ur stora indata.
Dokument-, samtals- och agentuppgifter
Tillverkarens användningsfall omfattar chattgränssnitt, vardagsassistenter, bild- och dokumentbeskrivning, översättning, innehållsgenerering och specialiserade agenter. För en dokumentassistent tillhandahåller du sidan och anger informationen som ska returneras. En extraktionsbegäran kan ange fältetiketter, förväntade typer och hantering av saknade värden. Ett användbart svar kan innehålla dokumentidentifieraren, det extraherade värdet och en kort förklaring knuten till den synliga källan.
För ett pågående samtal behåller du det relevanta tidigare svaret och ställer en fokuserad följdfråga. En användare kan först begära en dokumentsammanfattning och sedan fråga vilken utsaga som stöder en slutsats. Det ändrar de nödvändiga utdata från en allmän översikt till en källanknuten förklaring, samtidigt som originalmaterialet och dialogens syfte behålls.
För flerspråkig redigering tillhandahåller du originalavsnittet, den avsedda läsaren och en terminologilista. Begär en reviderad version som bevarar namn, villkor och enheter, följd av en kort förklaring av ändringarna om det är användbart. För innehållsgenerering anger du målgruppen och fakta som ska finnas med innan du begär ett kort utkast eller en alternativ formulering.
I en agentuppgift tillhandahåller applikationen verktygen och deras parametrar. Modellen kan välja en funktion och förbereda argument, medan applikationen kör den och returnerar resultatet. Modellkortets funktionsexempel kombinerar en bildfråga med ett beräkningsverktyg. Håll verktygsresultatet skilt från det föreslagna anropet så att det efterföljande skriftliga svaret använder den information som operationen faktiskt returnerade.
Rekommenderad förberedelse och inställningar
Tillverkaren rekommenderar en systeminstruktion som beskriver miljön, användningsfallet och hur verktyg ska användas. Håll verktygsuppsättningen väldefinierad och begränsad till det minsta som uppgiften behöver. Ett litet uppslagningsflöde kan erbjuda funktionerna som är relevanta för den aktuella frågan, med tydligt namngivna obligatoriska argument, i stället för att presentera en stor samling orelaterade operationer.
För vardaglig användning och produktionsliknande användning rekommenderar modellkortet en temperatur under 0.1, med högre temperaturer tillgängliga för kreativ utforskning. Behandla detta som en rekommendation för instruktionsflödet, inte som en separat kontroll för resonemangsläge. Familjen har separata Base-, Instruct- och Reasoning-versioner; den här posten är utgåvan Instruct 2512, inte den separata Reasoning-utgåvan i samma storlek.
För bilder rekommenderar tillverkaren bildförhållanden nära 1:1 och att undvika mycket smala eller mycket breda indata. Beskär vid behov och bevara samtidigt de etiketter och det sammanhang som frågan behöver. Om en sida innehåller flera orelaterade områden anger du delen som ska granskas och resultatet som ska returneras. En läsbar, fokuserad bild är mer användbar än att be modellen gissa vilken liten detalj på en stor sida som är viktig.
Kontextens och utgåvans gränser
Planera text, bilder, samtal och önskat svar utifrån den konfigurerade kontexten. Användningsanvisningarna tillåter uttryckligen att den konfigurerade modellängden minskas när mindre kontext behövs, så hela fönstret är inte en instruktion att fylla varje begäran med allt tillgängligt material. Modellkortets genereringsexempel på 512 token är bara en exempelinställning, och de lästa källorna fastställer ingen separat strikt maximal svarslängd.
FP8 Instruct-versionen, den förtränade Base-utgåvan och Reasoning-utgåvan är separata utgåvor. Tillverkaren beskriver också specialisering och finjustering som användningsfall. Bevara den namngivna modellversionen och dess tokenizer när samtalet förbereds och håll textgenerering skild från åtkomst till kodarkiv, funktionskörning eller andra åtgärder som den omgivande applikationen tillhandahåller.
", "aboutText": "Ministral 3 8B Instruct 2512 är den mellanstora instruktionsanpassade modellen i Mistral AI:s Ministral 3-familj. Den publicerade modellversionen är eftertränad för chatt- och instruktionsuppgifter med FP8-precision. Den kombinerar en språkkomponent med en bildkodare, tar emot text och bilder och returnerar text snarare än en bild- eller ljudleverans.\n\nArkitektur och nyckelfunktioner\n\nTillverkaren anger en språkmodell med 8,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Kontextfönstret beskrivs som 256k token, och de publicerade användningsanvisningarna använder en förinställd kontextlängd på 262 144. Dessa uppgifter beskriver utgåvan i 8B-storlek; familjens mindre 3B- och större 14B-modeller behåller sina egna komponentstorlekar och konfigurationer.\n\nBildförståelse utökar modellens indata bortom ett skriftligt samtal. En dokumentbild kan kombineras med en fråga om ett valt fält, stycke eller synligt samband. En skärmbild kan kombineras med användarens mål och en begäran att identifiera den relevanta kontrollen. Begär observationen som stöder varje slutsats när svaret beror på bilddetaljer, och bevara rubriker, etiketter och enheter som behövs för att tolka ett utsnitt.\n\nModellkortet beskriver flerspråkigt arbete på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Det anger också följsamhet till systeminstruktioner, inbyggda funktionsanrop och JSON-utdata. Definiera målspråk, roll och utmatningskrav uttryckligen i stället för att låta modellen härleda den avsedda leveransen ur stora indata.\n\nDokument-, samtals- och agentuppgifter\n\nTillverkarens användningsfall omfattar chattgränssnitt, vardagsassistenter, bild- och dokumentbeskrivning, översättning, innehållsgenerering och specialiserade agenter. För en dokumentassistent tillhandahåller du sidan och anger informationen som ska returneras. En extraktionsbegäran kan ange fältetiketter, förväntade typer och hantering av saknade värden. Ett användbart svar kan innehålla dokumentidentifieraren, det extraherade värdet och en kort förklaring knuten till den synliga källan.\n\nFör ett pågående samtal behåller du det relevanta tidigare svaret och ställer en fokuserad följdfråga. En användare kan först begära en dokumentsammanfattning och sedan fråga vilken utsaga som stöder en slutsats. Det ändrar de nödvändiga utdata från en allmän översikt till en källanknuten förklaring, samtidigt som originalmaterialet och dialogens syfte behålls.\n\nFör flerspråkig redigering tillhandahåller du originalavsnittet, den avsedda läsaren och en terminologilista. Begär en reviderad version som bevarar namn, villkor och enheter, följd av en kort förklaring av ändringarna om det är användbart. För innehållsgenerering anger du målgruppen och fakta som ska finnas med innan du begär ett kort utkast eller en alternativ formulering.\n\nI en agentuppgift tillhandahåller applikationen verktygen och deras parametrar. Modellen kan välja en funktion och förbereda argument, medan applikationen kör den och returnerar resultatet. Modellkortets funktionsexempel kombinerar en bildfråga med ett beräkningsverktyg. Håll verktygsresultatet skilt från det föreslagna anropet så att det efterföljande skriftliga svaret använder den information som operationen faktiskt returnerade.\n\nRekommenderad förberedelse och inställningar\n\nTillverkaren rekommenderar en systeminstruktion som beskriver miljön, användningsfallet och hur verktyg ska användas. Håll verktygsuppsättningen väldefinierad och begränsad till det minsta som uppgiften behöver. Ett litet uppslagningsflöde kan erbjuda funktionerna som är relevanta för den aktuella frågan, med tydligt namngivna obligatoriska argument, i stället för att presentera en stor samling orelaterade operationer.\n\nFör vardaglig användning och produktionsliknande användning rekommenderar modellkortet en temperatur under 0.1, med högre temperaturer tillgängliga för kreativ utforskning. Behandla detta som en rekommendation för instruktionsflödet, inte som en separat kontroll för resonemangsläge. Familjen har separata Base-, Instruct- och Reasoning-versioner; den här posten är utgåvan Instruct 2512, inte den separata Reasoning-utgåvan i samma storlek.\n\nFör bilder rekommenderar tillverkaren bildförhållanden nära 1:1 och att undvika mycket smala eller mycket breda indata. Beskär vid behov och bevara samtidigt de etiketter och det sammanhang som frågan behöver. Om en sida innehåller flera orelaterade områden anger du delen som ska granskas och resultatet som ska returneras. En läsbar, fokuserad bild är mer användbar än att be modellen gissa vilken liten detalj på en stor sida som är viktig.\n\nKontextens och utgåvans gränser\n\nPlanera text, bilder, samtal och önskat svar utifrån den konfigurerade kontexten. Användningsanvisningarna tillåter uttryckligen att den konfigurerade modellängden minskas när mindre kontext behövs, så hela fönstret är inte en instruktion att fylla varje begäran med allt tillgängligt material. Modellkortets genereringsexempel på 512 token är bara en exempelinställning, och de lästa källorna fastställer ingen separat strikt maximal svarslängd.\n\nFP8 Instruct-versionen, den förtränade Base-utgåvan och Reasoning-utgåvan är separata utgåvor. Tillverkaren beskriver också specialisering och finjustering som användningsfall. Bevara den namngivna modellversionen och dess tokenizer när samtalet förbereds och håll textgenerering skild från åtkomst till kodarkiv, funktionskörning eller andra åtgärder som den omgivande applikationen tillhandahåller.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 är en flerspråkig instruktionsmodell för text och bilder med en språkkomponent på 8,4 miljarder parametrar och en bildkodare på 0,4 miljarder parametrar. Den stöder en kontext på 256k token enligt tillverkaren, systeminstruktioner, JSON och inbyggda funktionsanrop för assistenter och dokumentflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ministral 3 8B Instruct 2512 är den mellanstora instruktionsanpassade modellen i Mistral AI:s Ministral 3-familj. Den publicerade modellversionen är eftertränad för chatt- och instruktionsuppgifter med FP8-precision. Den kombinerar en språkkomponent med en bildkodare, tar emot text och bilder och returnerar text snarare än en bild- eller ljudleverans.
Arkitektur och nyckelfunktioner
Tillverkaren anger en språkmodell med 8,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Kontextfönstret beskrivs som 256k token, och de publicerade användningsanvisningarna använder en förinställd kontextlängd på 262 144. Dessa uppgifter beskriver utgåvan i 8B-storlek; familjens mindre 3B- och större 14B-modeller behåller sina egna komponentstorlekar och konfigurationer.
Bildförståelse utökar modellens indata bortom ett skriftligt samtal. En dokumentbild kan kombineras med en fråga om ett valt fält, stycke eller synligt samband. En skärmbild kan kombineras med användarens mål och en begäran att identifiera den relevanta kontrollen. Begär observationen som stöder varje slutsats när svaret beror på bilddetaljer, och bevara rubriker, etiketter och enheter som behövs för att tolka ett utsnitt.
Modellkortet beskriver flerspråkigt arbete på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Det anger också följsamhet till systeminstruktioner, inbyggda funktionsanrop och JSON-utdata. Definiera målspråk, roll och utmatningskrav uttryckligen i stället för att låta modellen härleda den avsedda leveransen ur stora indata.
Dokument-, samtals- och agentuppgifter
Tillverkarens användningsfall omfattar chattgränssnitt, vardagsassistenter, bild- och dokumentbeskrivning, översättning, innehållsgenerering och specialiserade agenter. För en dokumentassistent tillhandahåller du sidan och anger informationen som ska returneras. En extraktionsbegäran kan ange fältetiketter, förväntade typer och hantering av saknade värden. Ett användbart svar kan innehålla dokumentidentifieraren, det extraherade värdet och en kort förklaring knuten till den synliga källan.
För ett pågående samtal behåller du det relevanta tidigare svaret och ställer en fokuserad följdfråga. En användare kan först begära en dokumentsammanfattning och sedan fråga vilken utsaga som stöder en slutsats. Det ändrar de nödvändiga utdata från en allmän översikt till en källanknuten förklaring, samtidigt som originalmaterialet och dialogens syfte behålls.
För flerspråkig redigering tillhandahåller du originalavsnittet, den avsedda läsaren och en terminologilista. Begär en reviderad version som bevarar namn, villkor och enheter, följd av en kort förklaring av ändringarna om det är användbart. För innehållsgenerering anger du målgruppen och fakta som ska finnas med innan du begär ett kort utkast eller en alternativ formulering.
I en agentuppgift tillhandahåller applikationen verktygen och deras parametrar. Modellen kan välja en funktion och förbereda argument, medan applikationen kör den och returnerar resultatet. Modellkortets funktionsexempel kombinerar en bildfråga med ett beräkningsverktyg. Håll verktygsresultatet skilt från det föreslagna anropet så att det efterföljande skriftliga svaret använder den information som operationen faktiskt returnerade.
Rekommenderad förberedelse och inställningar
Tillverkaren rekommenderar en systeminstruktion som beskriver miljön, användningsfallet och hur verktyg ska användas. Håll verktygsuppsättningen väldefinierad och begränsad till det minsta som uppgiften behöver. Ett litet uppslagningsflöde kan erbjuda funktionerna som är relevanta för den aktuella frågan, med tydligt namngivna obligatoriska argument, i stället för att presentera en stor samling orelaterade operationer.
För vardaglig användning och produktionsliknande användning rekommenderar modellkortet en temperatur under 0.1, med högre temperaturer tillgängliga för kreativ utforskning. Behandla detta som en rekommendation för instruktionsflödet, inte som en separat kontroll för resonemangsläge. Familjen har separata Base-, Instruct- och Reasoning-versioner; den här posten är utgåvan Instruct 2512, inte den separata Reasoning-utgåvan i samma storlek.
För bilder rekommenderar tillverkaren bildförhållanden nära 1:1 och att undvika mycket smala eller mycket breda indata. Beskär vid behov och bevara samtidigt de etiketter och det sammanhang som frågan behöver. Om en sida innehåller flera orelaterade områden anger du delen som ska granskas och resultatet som ska returneras. En läsbar, fokuserad bild är mer användbar än att be modellen gissa vilken liten detalj på en stor sida som är viktig.
Kontextens och utgåvans gränser
Planera text, bilder, samtal och önskat svar utifrån den konfigurerade kontexten. Användningsanvisningarna tillåter uttryckligen att den konfigurerade modellängden minskas när mindre kontext behövs, så hela fönstret är inte en instruktion att fylla varje begäran med allt tillgängligt material. Modellkortets genereringsexempel på 512 token är bara en exempelinställning, och de lästa källorna fastställer ingen separat strikt maximal svarslängd.
FP8 Instruct-versionen, den förtränade Base-utgåvan och Reasoning-utgåvan är separata utgåvor. Tillverkaren beskriver också specialisering och finjustering som användningsfall. Bevara den namngivna modellversionen och dess tokenizer när samtalet förbereds och håll textgenerering skild från åtkomst till kodarkiv, funktionskörning eller andra åtgärder som den omgivande applikationen tillhandahåller.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 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-8b-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-8b-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-8b-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-8b-2512
Använd metodsökvägarna som visas ovan.
mistralai/ministral-8b-2512Ministral 3 8B Instruct 2512 är en flerspråkig instruktionsmodell för text och bilder med en språkkomponent på 8,4 miljarder parametrar och en bildkodare på 0,4 miljarder parametrar. Den stöder en kontext på 256k token enligt tillverkaren, systeminstruktioner, JSON och inbyggda funktionsanrop för assistenter och dokumentflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ministral 3 8B Instruct 2512 är den mellanstora instruktionsanpassade modellen i Mistral AI:s Ministral 3-familj. Den publicerade modellversionen är eftertränad för chatt- och instruktionsuppgifter med FP8-precision. Den kombinerar en språkkomponent med en bildkodare, tar emot text och bilder och returnerar text snarare än en bild- eller ljudleverans.
Arkitektur och nyckelfunktioner
Tillverkaren anger en språkmodell med 8,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Kontextfönstret beskrivs som 256k token, och de publicerade användningsanvisningarna använder en förinställd kontextlängd på 262 144. Dessa uppgifter beskriver utgåvan i 8B-storlek; familjens mindre 3B- och större 14B-modeller behåller sina egna komponentstorlekar och konfigurationer.
Bildförståelse utökar modellens indata bortom ett skriftligt samtal. En dokumentbild kan kombineras med en fråga om ett valt fält, stycke eller synligt samband. En skärmbild kan kombineras med användarens mål och en begäran att identifiera den relevanta kontrollen. Begär observationen som stöder varje slutsats när svaret beror på bilddetaljer, och bevara rubriker, etiketter och enheter som behövs för att tolka ett utsnitt.
Modellkortet beskriver flerspråkigt arbete på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Det anger också följsamhet till systeminstruktioner, inbyggda funktionsanrop och JSON-utdata. Definiera målspråk, roll och utmatningskrav uttryckligen i stället för att låta modellen härleda den avsedda leveransen ur stora indata.
Dokument-, samtals- och agentuppgifter
Tillverkarens användningsfall omfattar chattgränssnitt, vardagsassistenter, bild- och dokumentbeskrivning, översättning, innehållsgenerering och specialiserade agenter. För en dokumentassistent tillhandahåller du sidan och anger informationen som ska returneras. En extraktionsbegäran kan ange fältetiketter, förväntade typer och hantering av saknade värden. Ett användbart svar kan innehålla dokumentidentifieraren, det extraherade värdet och en kort förklaring knuten till den synliga källan.
För ett pågående samtal behåller du det relevanta tidigare svaret och ställer en fokuserad följdfråga. En användare kan först begära en dokumentsammanfattning och sedan fråga vilken utsaga som stöder en slutsats. Det ändrar de nödvändiga utdata från en allmän översikt till en källanknuten förklaring, samtidigt som originalmaterialet och dialogens syfte behålls.
För flerspråkig redigering tillhandahåller du originalavsnittet, den avsedda läsaren och en terminologilista. Begär en reviderad version som bevarar namn, villkor och enheter, följd av en kort förklaring av ändringarna om det är användbart. För innehållsgenerering anger du målgruppen och fakta som ska finnas med innan du begär ett kort utkast eller en alternativ formulering.
I en agentuppgift tillhandahåller applikationen verktygen och deras parametrar. Modellen kan välja en funktion och förbereda argument, medan applikationen kör den och returnerar resultatet. Modellkortets funktionsexempel kombinerar en bildfråga med ett beräkningsverktyg. Håll verktygsresultatet skilt från det föreslagna anropet så att det efterföljande skriftliga svaret använder den information som operationen faktiskt returnerade.
Rekommenderad förberedelse och inställningar
Tillverkaren rekommenderar en systeminstruktion som beskriver miljön, användningsfallet och hur verktyg ska användas. Håll verktygsuppsättningen väldefinierad och begränsad till det minsta som uppgiften behöver. Ett litet uppslagningsflöde kan erbjuda funktionerna som är relevanta för den aktuella frågan, med tydligt namngivna obligatoriska argument, i stället för att presentera en stor samling orelaterade operationer.
För vardaglig användning och produktionsliknande användning rekommenderar modellkortet en temperatur under 0.1, med högre temperaturer tillgängliga för kreativ utforskning. Behandla detta som en rekommendation för instruktionsflödet, inte som en separat kontroll för resonemangsläge. Familjen har separata Base-, Instruct- och Reasoning-versioner; den här posten är utgåvan Instruct 2512, inte den separata Reasoning-utgåvan i samma storlek.
För bilder rekommenderar tillverkaren bildförhållanden nära 1:1 och att undvika mycket smala eller mycket breda indata. Beskär vid behov och bevara samtidigt de etiketter och det sammanhang som frågan behöver. Om en sida innehåller flera orelaterade områden anger du delen som ska granskas och resultatet som ska returneras. En läsbar, fokuserad bild är mer användbar än att be modellen gissa vilken liten detalj på en stor sida som är viktig.
Kontextens och utgåvans gränser
Planera text, bilder, samtal och önskat svar utifrån den konfigurerade kontexten. Användningsanvisningarna tillåter uttryckligen att den konfigurerade modellängden minskas när mindre kontext behövs, så hela fönstret är inte en instruktion att fylla varje begäran med allt tillgängligt material. Modellkortets genereringsexempel på 512 token är bara en exempelinställning, och de lästa källorna fastställer ingen separat strikt maximal svarslängd.
FP8 Instruct-versionen, den förtränade Base-utgåvan och Reasoning-utgåvan är separata utgåvor. Tillverkaren beskriver också specialisering och finjustering som användningsfall. Bevara den namngivna modellversionen och dess tokenizer när samtalet förbereds och håll textgenerering skild från åtkomst till kodarkiv, funktionskörning eller andra åtgärder som den omgivande applikationen tillhandahåller.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/ministral-8b-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 $0.00003 / 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 $0.00003 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/ministral-8b-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-2512
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Extract a compact invoice record\n\nExtract the invoice identifier, supplier, total and currency from this text: Invoice INV-731. Supplier: Cedar Works. Subtotal: 80 EUR. Tax: 16 EUR. Total: 96 EUR. Payment due: not stated. Return those fields plus payment_due; use null when absent and preserve the identifier exactly.A labelled record with invoice_id, supplier, total, currency and payment_due, using null for the unstated date.Check that the total is taken from the Total line rather than the subtotal and that EUR is retained.