Mistral Saba är Mistral AI:s specialiserade regionala textmodell, skapad genom finjustering av en modell i Small-familjen med utvalt material från Mellanöstern och Sydasien. Tillverkaren beskriver en modell med 24 miljarder parametrar avsedd att återspegla regionalt språk, kulturellt sammanhang och lokala uttrycksformer. Den tar emot en skriftlig uppgift och källmaterial och returnerar text.
Regionalt språk och sammanhang
Utgåvan identifierar uttryckligen arabiska och många språk med indiskt ursprung, med särskild styrka i språk med sydindiskt ursprung som tamil. Fokus är mer specifikt än att bara ändra målspråket i ett allmänt svar: träningsmaterialet väljs för det regionala språkliga och kulturella sammanhang där svaret ska användas.
Ange målgrupp, region, språk och önskad stilnivå innan du begär ett resultat. En formell förklaring, ett kundmeddelande och en utbildningstext kan kräva olika terminologi och tilltalsformer. Tillhandahåll en ordlista för produktnamn eller specialisttermer som måste vara konsekventa och ange om resultatet ska bevara källans ordalydelse eller anpassa förklaringen till läsaren.
Tillverkarens sida anger ett kontextfönster på 32k token och identifierar utgåvan som mistral-saba-2502. Använd kontexten för relevanta källavsnitt, samtal och instruktioner tillsammans. Ett regionalt anpassat svar behöver fortfarande faktiska produktvillkor, rutiner eller dokumentinnehåll som underlag; kulturell kännedom tillhandahåller inte ett företags privata information.
Samtalsbaserad support
Tillverkaren framhåller arabiska samtalsassistenter som ett centralt användningsfall. En praktisk supportbegäran kan innehålla användarens meddelande och det godkända referensmaterialet och sedan efterfråga ett svar på en angiven stilnivå. Begär nästa åtgärd, villkoret som gör den tillämplig och eventuella detaljer som användaren fortfarande behöver lämna. Det håller svaret förankrat i det specifika problemet i stället för att generera en allmän regional hälsning.
För en tvåspråkig förklaring identifierar du källspråket och språket för det slutliga meddelandet. Bevara namn, belopp och enheter som finns i materialet och beskriv målgruppen som ska förstå svaret. En följdfråga kan efterfråga en kortare version eller ett förtydligande av en term samtidigt som samma villkor behålls.
Domänspecifik anpassning
Tillkännagivandet beskriver finjustering av Saba för specifika domäner, inklusive energi och andra regionala yrkeskontexter. Det är en anpassningsprocess snarare än ett påstående om att varje specialiserad datamängd redan ingår i standardmodellen. För en domäninriktad textuppgift tillhandahåller du terminologi, källdokument och svarsregler som är relevanta för den faktiska applikationen.
En teknisk förklaring kan be modellen återge en rutin med läsarens regionala terminologi samtidigt som de ursprungliga stegen och villkoren behålls. En dokumentfråga kan identifiera klausulen som ska förklaras och begära ett kortfattat svar med det stödjande avsnittet. Skilj fakta från källan, förklaringen och eventuella olösta termer åt när utdata förbereds.
Skapande av kulturellt innehåll
Tillverkaren beskriver också kulturellt relevant skrivande och utbildningsresurser. Ange ämne, avsedd målgrupp, språk och fakta eller exempel som ska finnas med. För en utbildningstext anger du vad eleven ska förstå i slutet och begär en förklaring följd av ett praktiskt exempel. För ett organisationsmeddelande tillhandahåller du syftet och informationen som läsaren måste agera på.
När lokala idiom eller kulturella referenser ingår i uppgiften anger du sammanhanget där de ska användas. Begär en alternativ formulering när en formell eller mer neutral version skulle passa en annan målgrupp. Detta är praktiska sätt att använda modellens regionala specialisering samtidigt som innehållet och den avsedda användningen hålls tydliga.
Utgåvans och resultatets gränser
Sabas dokumenterade specialisering är textbaserat regionalt språkarbete med en kontext på 32k token. Den ska inte ärva bildindata, hybridkontroller för resonemang eller verktygsformatfunktioner från senare Small- eller Medium-modeller bara för att den är en finjustering inom Small-familjen. De lästa källorna anger ingen separat maximal kapacitet för utmatningstoken för den här utgåvan.
Förbered hela den skriftliga uppgiften, relevanta fakta från källan och önskad leverans: ett supportsvar, en förklaring, ett anpassat avsnitt eller en kort utbildningstext. Håll den namngivna Saba-utgåvan och målgruppens språk och stilnivå tydliga så att den resulterande texten besvarar det faktiska regionala kommunikationsbehovet.
", "aboutText": "Mistral Saba är Mistral AI:s specialiserade regionala textmodell, skapad genom finjustering av en modell i Small-familjen med utvalt material från Mellanöstern och Sydasien. Tillverkaren beskriver en modell med 24 miljarder parametrar avsedd att återspegla regionalt språk, kulturellt sammanhang och lokala uttrycksformer. Den tar emot en skriftlig uppgift och källmaterial och returnerar text.\n\nRegionalt språk och sammanhang\n\nUtgåvan identifierar uttryckligen arabiska och många språk med indiskt ursprung, med särskild styrka i språk med sydindiskt ursprung som tamil. Fokus är mer specifikt än att bara ändra målspråket i ett allmänt svar: träningsmaterialet väljs för det regionala språkliga och kulturella sammanhang där svaret ska användas.\n\nAnge målgrupp, region, språk och önskad stilnivå innan du begär ett resultat. En formell förklaring, ett kundmeddelande och en utbildningstext kan kräva olika terminologi och tilltalsformer. Tillhandahåll en ordlista för produktnamn eller specialisttermer som måste vara konsekventa och ange om resultatet ska bevara källans ordalydelse eller anpassa förklaringen till läsaren.\n\nTillverkarens sida anger ett kontextfönster på 32k token och identifierar utgåvan som mistral-saba-2502. Använd kontexten för relevanta källavsnitt, samtal och instruktioner tillsammans. Ett regionalt anpassat svar behöver fortfarande faktiska produktvillkor, rutiner eller dokumentinnehåll som underlag; kulturell kännedom tillhandahåller inte ett företags privata information.\n\nSamtalsbaserad support\n\nTillverkaren framhåller arabiska samtalsassistenter som ett centralt användningsfall. En praktisk supportbegäran kan innehålla användarens meddelande och det godkända referensmaterialet och sedan efterfråga ett svar på en angiven stilnivå. Begär nästa åtgärd, villkoret som gör den tillämplig och eventuella detaljer som användaren fortfarande behöver lämna. Det håller svaret förankrat i det specifika problemet i stället för att generera en allmän regional hälsning.\n\nFör en tvåspråkig förklaring identifierar du källspråket och språket för det slutliga meddelandet. Bevara namn, belopp och enheter som finns i materialet och beskriv målgruppen som ska förstå svaret. En följdfråga kan efterfråga en kortare version eller ett förtydligande av en term samtidigt som samma villkor behålls.\n\nDomänspecifik anpassning\n\nTillkännagivandet beskriver finjustering av Saba för specifika domäner, inklusive energi och andra regionala yrkeskontexter. Det är en anpassningsprocess snarare än ett påstående om att varje specialiserad datamängd redan ingår i standardmodellen. För en domäninriktad textuppgift tillhandahåller du terminologi, källdokument och svarsregler som är relevanta för den faktiska applikationen.\n\nEn teknisk förklaring kan be modellen återge en rutin med läsarens regionala terminologi samtidigt som de ursprungliga stegen och villkoren behålls. En dokumentfråga kan identifiera klausulen som ska förklaras och begära ett kortfattat svar med det stödjande avsnittet. Skilj fakta från källan, förklaringen och eventuella olösta termer åt när utdata förbereds.\n\nSkapande av kulturellt innehåll\n\nTillverkaren beskriver också kulturellt relevant skrivande och utbildningsresurser. Ange ämne, avsedd målgrupp, språk och fakta eller exempel som ska finnas med. För en utbildningstext anger du vad eleven ska förstå i slutet och begär en förklaring följd av ett praktiskt exempel. För ett organisationsmeddelande tillhandahåller du syftet och informationen som läsaren måste agera på.\n\nNär lokala idiom eller kulturella referenser ingår i uppgiften anger du sammanhanget där de ska användas. Begär en alternativ formulering när en formell eller mer neutral version skulle passa en annan målgrupp. Detta är praktiska sätt att använda modellens regionala specialisering samtidigt som innehållet och den avsedda användningen hålls tydliga.\n\nUtgåvans och resultatets gränser\n\nSabas dokumenterade specialisering är textbaserat regionalt språkarbete med en kontext på 32k token. Den ska inte ärva bildindata, hybridkontroller för resonemang eller verktygsformatfunktioner från senare Small- eller Medium-modeller bara för att den är en finjustering inom Small-familjen. De lästa källorna anger ingen separat maximal kapacitet för utmatningstoken för den här utgåvan.\n\nFörbered hela den skriftliga uppgiften, relevanta fakta från källan och önskad leverans: ett supportsvar, en förklaring, ett anpassat avsnitt eller en kort utbildningstext. Håll den namngivna Saba-utgåvan och målgruppens språk och stilnivå tydliga så att den resulterande texten besvarar det faktiska regionala kommunikationsbehovet.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.mistralai/mistral-sabaMistral Saba är en textmodell med 24 miljarder parametrar som tränats med utvalt material från Mellanöstern och Sydasien. Den fokuserar på regionalt språk och kulturellt sammanhang, inklusive arabiska och språk med indiskt ursprung som tamil, med en kontext på 32k token enligt tillverkaren för skriftliga uppgifter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Saba är Mistral AI:s specialiserade regionala textmodell, skapad genom finjustering av en modell i Small-familjen med utvalt material från Mellanöstern och Sydasien. Tillverkaren beskriver en modell med 24 miljarder parametrar avsedd att återspegla regionalt språk, kulturellt sammanhang och lokala uttrycksformer. Den tar emot en skriftlig uppgift och källmaterial och returnerar text.
Regionalt språk och sammanhang
Utgåvan identifierar uttryckligen arabiska och många språk med indiskt ursprung, med särskild styrka i språk med sydindiskt ursprung som tamil. Fokus är mer specifikt än att bara ändra målspråket i ett allmänt svar: träningsmaterialet väljs för det regionala språkliga och kulturella sammanhang där svaret ska användas.
Ange målgrupp, region, språk och önskad stilnivå innan du begär ett resultat. En formell förklaring, ett kundmeddelande och en utbildningstext kan kräva olika terminologi och tilltalsformer. Tillhandahåll en ordlista för produktnamn eller specialisttermer som måste vara konsekventa och ange om resultatet ska bevara källans ordalydelse eller anpassa förklaringen till läsaren.
Tillverkarens sida anger ett kontextfönster på 32k token och identifierar utgåvan som mistral-saba-2502. Använd kontexten för relevanta källavsnitt, samtal och instruktioner tillsammans. Ett regionalt anpassat svar behöver fortfarande faktiska produktvillkor, rutiner eller dokumentinnehåll som underlag; kulturell kännedom tillhandahåller inte ett företags privata information.
Samtalsbaserad support
Tillverkaren framhåller arabiska samtalsassistenter som ett centralt användningsfall. En praktisk supportbegäran kan innehålla användarens meddelande och det godkända referensmaterialet och sedan efterfråga ett svar på en angiven stilnivå. Begär nästa åtgärd, villkoret som gör den tillämplig och eventuella detaljer som användaren fortfarande behöver lämna. Det håller svaret förankrat i det specifika problemet i stället för att generera en allmän regional hälsning.
För en tvåspråkig förklaring identifierar du källspråket och språket för det slutliga meddelandet. Bevara namn, belopp och enheter som finns i materialet och beskriv målgruppen som ska förstå svaret. En följdfråga kan efterfråga en kortare version eller ett förtydligande av en term samtidigt som samma villkor behålls.
Domänspecifik anpassning
Tillkännagivandet beskriver finjustering av Saba för specifika domäner, inklusive energi och andra regionala yrkeskontexter. Det är en anpassningsprocess snarare än ett påstående om att varje specialiserad datamängd redan ingår i standardmodellen. För en domäninriktad textuppgift tillhandahåller du terminologi, källdokument och svarsregler som är relevanta för den faktiska applikationen.
En teknisk förklaring kan be modellen återge en rutin med läsarens regionala terminologi samtidigt som de ursprungliga stegen och villkoren behålls. En dokumentfråga kan identifiera klausulen som ska förklaras och begära ett kortfattat svar med det stödjande avsnittet. Skilj fakta från källan, förklaringen och eventuella olösta termer åt när utdata förbereds.
Skapande av kulturellt innehåll
Tillverkaren beskriver också kulturellt relevant skrivande och utbildningsresurser. Ange ämne, avsedd målgrupp, språk och fakta eller exempel som ska finnas med. För en utbildningstext anger du vad eleven ska förstå i slutet och begär en förklaring följd av ett praktiskt exempel. För ett organisationsmeddelande tillhandahåller du syftet och informationen som läsaren måste agera på.
När lokala idiom eller kulturella referenser ingår i uppgiften anger du sammanhanget där de ska användas. Begär en alternativ formulering när en formell eller mer neutral version skulle passa en annan målgrupp. Detta är praktiska sätt att använda modellens regionala specialisering samtidigt som innehållet och den avsedda användningen hålls tydliga.
Utgåvans och resultatets gränser
Sabas dokumenterade specialisering är textbaserat regionalt språkarbete med en kontext på 32k token. Den ska inte ärva bildindata, hybridkontroller för resonemang eller verktygsformatfunktioner från senare Small- eller Medium-modeller bara för att den är en finjustering inom Small-familjen. De lästa källorna anger ingen separat maximal kapacitet för utmatningstoken för den här utgåvan.
Förbered hela den skriftliga uppgiften, relevanta fakta från källan och önskad leverans: ett supportsvar, en förklaring, ett anpassat avsnitt eller en kort utbildningstext. Håll den namngivna Saba-utgåvan och målgruppens språk och stilnivå tydliga så att den resulterande texten besvarar det faktiska regionala kommunikationsbehovet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-saba | 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 $0.0004 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00004 / 1K token Indata · Skrivning till cache — / 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 $0.0004 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-saba", "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/mistral-saba',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/mistral-saba',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/mistral-saba
Använd metodsökvägarna som visas ovan.
mistralai/mistral-sabaMistral Saba är en textmodell med 24 miljarder parametrar som tränats med utvalt material från Mellanöstern och Sydasien. Den fokuserar på regionalt språk och kulturellt sammanhang, inklusive arabiska och språk med indiskt ursprung som tamil, med en kontext på 32k token enligt tillverkaren för skriftliga uppgifter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Saba är Mistral AI:s specialiserade regionala textmodell, skapad genom finjustering av en modell i Small-familjen med utvalt material från Mellanöstern och Sydasien. Tillverkaren beskriver en modell med 24 miljarder parametrar avsedd att återspegla regionalt språk, kulturellt sammanhang och lokala uttrycksformer. Den tar emot en skriftlig uppgift och källmaterial och returnerar text.
Regionalt språk och sammanhang
Utgåvan identifierar uttryckligen arabiska och många språk med indiskt ursprung, med särskild styrka i språk med sydindiskt ursprung som tamil. Fokus är mer specifikt än att bara ändra målspråket i ett allmänt svar: träningsmaterialet väljs för det regionala språkliga och kulturella sammanhang där svaret ska användas.
Ange målgrupp, region, språk och önskad stilnivå innan du begär ett resultat. En formell förklaring, ett kundmeddelande och en utbildningstext kan kräva olika terminologi och tilltalsformer. Tillhandahåll en ordlista för produktnamn eller specialisttermer som måste vara konsekventa och ange om resultatet ska bevara källans ordalydelse eller anpassa förklaringen till läsaren.
Tillverkarens sida anger ett kontextfönster på 32k token och identifierar utgåvan som mistral-saba-2502. Använd kontexten för relevanta källavsnitt, samtal och instruktioner tillsammans. Ett regionalt anpassat svar behöver fortfarande faktiska produktvillkor, rutiner eller dokumentinnehåll som underlag; kulturell kännedom tillhandahåller inte ett företags privata information.
Samtalsbaserad support
Tillverkaren framhåller arabiska samtalsassistenter som ett centralt användningsfall. En praktisk supportbegäran kan innehålla användarens meddelande och det godkända referensmaterialet och sedan efterfråga ett svar på en angiven stilnivå. Begär nästa åtgärd, villkoret som gör den tillämplig och eventuella detaljer som användaren fortfarande behöver lämna. Det håller svaret förankrat i det specifika problemet i stället för att generera en allmän regional hälsning.
För en tvåspråkig förklaring identifierar du källspråket och språket för det slutliga meddelandet. Bevara namn, belopp och enheter som finns i materialet och beskriv målgruppen som ska förstå svaret. En följdfråga kan efterfråga en kortare version eller ett förtydligande av en term samtidigt som samma villkor behålls.
Domänspecifik anpassning
Tillkännagivandet beskriver finjustering av Saba för specifika domäner, inklusive energi och andra regionala yrkeskontexter. Det är en anpassningsprocess snarare än ett påstående om att varje specialiserad datamängd redan ingår i standardmodellen. För en domäninriktad textuppgift tillhandahåller du terminologi, källdokument och svarsregler som är relevanta för den faktiska applikationen.
En teknisk förklaring kan be modellen återge en rutin med läsarens regionala terminologi samtidigt som de ursprungliga stegen och villkoren behålls. En dokumentfråga kan identifiera klausulen som ska förklaras och begära ett kortfattat svar med det stödjande avsnittet. Skilj fakta från källan, förklaringen och eventuella olösta termer åt när utdata förbereds.
Skapande av kulturellt innehåll
Tillverkaren beskriver också kulturellt relevant skrivande och utbildningsresurser. Ange ämne, avsedd målgrupp, språk och fakta eller exempel som ska finnas med. För en utbildningstext anger du vad eleven ska förstå i slutet och begär en förklaring följd av ett praktiskt exempel. För ett organisationsmeddelande tillhandahåller du syftet och informationen som läsaren måste agera på.
När lokala idiom eller kulturella referenser ingår i uppgiften anger du sammanhanget där de ska användas. Begär en alternativ formulering när en formell eller mer neutral version skulle passa en annan målgrupp. Detta är praktiska sätt att använda modellens regionala specialisering samtidigt som innehållet och den avsedda användningen hålls tydliga.
Utgåvans och resultatets gränser
Sabas dokumenterade specialisering är textbaserat regionalt språkarbete med en kontext på 32k token. Den ska inte ärva bildindata, hybridkontroller för resonemang eller verktygsformatfunktioner från senare Small- eller Medium-modeller bara för att den är en finjustering inom Small-familjen. De lästa källorna anger ingen separat maximal kapacitet för utmatningstoken för den här utgåvan.
Förbered hela den skriftliga uppgiften, relevanta fakta från källan och önskad leverans: ett supportsvar, en förklaring, ett anpassat avsnitt eller en kort utbildningstext. Håll den namngivna Saba-utgåvan och målgruppens språk och stilnivå tydliga så att den resulterande texten besvarar det faktiska regionala kommunikationsbehovet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-saba | 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 $0.0004 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00004 / 1K token Indata · Skrivning till cache — / 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 $0.0004 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-saba",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/mistral-saba', '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/mistral-saba', '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/mistral-saba
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Draft an Arabic service reply\n\nWrite a polite Modern Standard Arabic support reply for customers in the Gulf. Approved facts: service desk hours are Sunday through Thursday, 09:00-17:00; ticket T-46 is received; no appointment has been assigned. Confirm receipt and explain the hours in two sentences. Keep T-46 unchanged and do not promise a visit time.A two-sentence Arabic reply retaining the ticket ID, workdays, hours and unassigned appointment status.Review the Arabic for meaning and verify that no appointment or Friday service is promised.