Mistral Small 3 Instruct 2501 är den instruktionsanpassade utgåvan av Mistral Small 3 med 24 miljarder parametrar. Den är finjusterad från den separat namngivna modellen Small 24B Base 2501. Tillverkaren positionerar den för snabb samtalsassistans, funktionsanrop och ämnesspecifik anpassning, med text som både indata och genererat resultat.
Kärnfunktioner och skillnader i träning
Modellkortet dokumenterar flerspråkigt stöd, samtals- och resonemangsfunktioner, inbyggda funktionsanrop, JSON-utdata och följsamhet till systemprompter. Kontextfönstret är 32k token, och den använder en Tekken-tokenizer med en vokabulär märkt 131k. Kontextangivelsen avser texten som behålls för uppgiften, medan vokabulärangivelsen beskriver tokenisering; de är olika specifikationer.
Tillverkaren listar språk som engelska, franska, tyska, spanska, italienska, kinesiska, japanska, koreanska, portugisiska, nederländska och polska, med ryska också angivet i det publicerade modellkortets språkmetadata. Definiera målspråket och eventuell terminologi som ska lämnas oförändrad. En översatt förklaring kan bevara identifierare, namn och enheter samtidigt som den omgivande texten anpassas till läsaren.
Tillkännagivandet av utgåvan anger att Small 3 inte tränats med förstärkningsinlärning eller syntetiska data och skiljer förtränade och instruktionsanpassade modellversioner åt. Det beskriver modellen som en grund som kan anpassas vidare snarare än en hybridversion med de senare resonemangskontrollerna från Small 4. Den här posten avser utgåvan Instruct 2501 för att följa en samtalsuppgift.
Samtalsuppgifter och strukturerade uppgifter
För en supportassistent tillhandahåller du användarens fråga, relevant referensmaterial och svarsreglerna. Begär åtgärden som besvarar frågan och villkoret under vilket den gäller. Praktiska utdata kan skilja ett kortfattat svar från extraherade fält som applikationen behöver för nästa steg, i stället för att blanda dem i en ostrukturerad förklaring.
För klassificering tillhandahåller du tillåtna etiketter och skillnaderna mellan dem. För extraktion anger du fälten, förväntade typer och representation för saknad information. En post kan innehålla ärendekategori, en identifierare kopierad från meddelandet och en kort sammanfattning av den begärda åtgärden. JSON organiserar resultatet, medan fältutformningen och tolkningsreglerna förblir en del av den tillhandahållna uppgiften.
För en kodförklaring inkluderar du funktionen, relevanta deklarationer och konkreta indata. Fråga vilken väg genom koden som bestämmer resultatet. För en matematisk förklaring definierar du variabler och antaganden och identifierar uttrycket eller påståendet som ska fastställas. Dessa textbaserade uppgifter kan returnera en metod, en förklaring och den slutliga leveransen utan att anta att modellen själv kör koden eller en extern beräkning.
Systeminstruktioner och rekommenderade inställningar
Modellkortet rekommenderar en systemprompt anpassad till den avsedda assistenten och en relativt låg temperatur, som 0.15. Använd systeminstruktionen för att definiera roll, stil och svarsregler, medan användarmeddelandet innehåller det faktiska problemet eller källmaterialet. Håll citerade instruktioner inuti ett dokument skilda från applikationens instruktion om vad som ska göras med dokumentet.
För en vardagsassistent anger du om resultatet ska vara ett kort svar, en strukturerad post eller en längre förklaring. Om ett svar ska tolkas maskinellt begär du posten separat från eventuell löptext. I ett återkommande dokumentflöde bevarar du källidentifieraren bredvid varje resultat så att applikationen kan returnera rätt material till användaren.
Funktionsanrop och specialisering
Modellen kan välja en beskriven funktion och producera dess argument. Applikationen kör operationen och returnerar resultatet med motsvarande verktygsanrop, varefter nästa svar kan använda informationen. Modellkortets exempel visar ett samtal med tidigare verktygsanvändning följt av en ny fråga. Detta ger assistenten ett sätt att begära information från anslutna verktyg utan att behandla ett föreslaget anrop som en slutförd uppslagning.
Beskriv varje funktions syfte och nödvändiga värden tydligt. En uppslagningsuppgift kan ange informationen som behövs och återföra det faktiska verktygsresultatet till samtalet; en textbearbetningsfunktion kan tillhandahålla ett omvandlat avsnitt för nästa svar. Håll verktygsuppsättningen relaterad till den aktuella processen och bevara kopplingen mellan den föreslagna operationen och resultatet.
Tillverkaren beskriver också finjustering för ämnesspecialisering. Den processen förändrar en modell för en definierad domän; att tillhandahålla ett dokument i ett samtal är i stället källstyrning för den uppgiften. Tillhandahåll domänmaterialet och svarskraven som den specifika assistenten behöver i stället för att anta att en anpassning redan har gjorts.
Kontext och innehållsliga begränsningar
Small 3 2501 är en modell med enbart text och en kontext på 32k token. Bildfunktionen och kontexten på 128k token som introducerades i Small 3.1 hör till den senare utgåvan, och hybridlägena i Small 4 ska inte heller överföras hit. En bild, ljudinspelning eller video måste få sitt relevanta innehåll förberett genom en annan komponent före denna textuppgift.
Modellkortets genereringsinställningar på 256 och 512 token är användningsexempel, inte separata maximala utmatningskapaciteter. Håll den exakta identiteten Instruct 2501, tokenizern och det begärda resultatet tydliga. Den användbara slutliga leveransen är svaret, JSON-posten eller den föreslagna koden vars betydelse och format stämmer med den ursprungliga skriftliga uppgiften.
", "aboutText": "Mistral Small 3 Instruct 2501 är den instruktionsanpassade utgåvan av Mistral Small 3 med 24 miljarder parametrar. Den är finjusterad från den separat namngivna modellen Small 24B Base 2501. Tillverkaren positionerar den för snabb samtalsassistans, funktionsanrop och ämnesspecifik anpassning, med text som både indata och genererat resultat.\n\nKärnfunktioner och skillnader i träning\n\nModellkortet dokumenterar flerspråkigt stöd, samtals- och resonemangsfunktioner, inbyggda funktionsanrop, JSON-utdata och följsamhet till systemprompter. Kontextfönstret är 32k token, och den använder en Tekken-tokenizer med en vokabulär märkt 131k. Kontextangivelsen avser texten som behålls för uppgiften, medan vokabulärangivelsen beskriver tokenisering; de är olika specifikationer.\n\nTillverkaren listar språk som engelska, franska, tyska, spanska, italienska, kinesiska, japanska, koreanska, portugisiska, nederländska och polska, med ryska också angivet i det publicerade modellkortets språkmetadata. Definiera målspråket och eventuell terminologi som ska lämnas oförändrad. En översatt förklaring kan bevara identifierare, namn och enheter samtidigt som den omgivande texten anpassas till läsaren.\n\nTillkännagivandet av utgåvan anger att Small 3 inte tränats med förstärkningsinlärning eller syntetiska data och skiljer förtränade och instruktionsanpassade modellversioner åt. Det beskriver modellen som en grund som kan anpassas vidare snarare än en hybridversion med de senare resonemangskontrollerna från Small 4. Den här posten avser utgåvan Instruct 2501 för att följa en samtalsuppgift.\n\nSamtalsuppgifter och strukturerade uppgifter\n\nFör en supportassistent tillhandahåller du användarens fråga, relevant referensmaterial och svarsreglerna. Begär åtgärden som besvarar frågan och villkoret under vilket den gäller. Praktiska utdata kan skilja ett kortfattat svar från extraherade fält som applikationen behöver för nästa steg, i stället för att blanda dem i en ostrukturerad förklaring.\n\nFör klassificering tillhandahåller du tillåtna etiketter och skillnaderna mellan dem. För extraktion anger du fälten, förväntade typer och representation för saknad information. En post kan innehålla ärendekategori, en identifierare kopierad från meddelandet och en kort sammanfattning av den begärda åtgärden. JSON organiserar resultatet, medan fältutformningen och tolkningsreglerna förblir en del av den tillhandahållna uppgiften.\n\nFör en kodförklaring inkluderar du funktionen, relevanta deklarationer och konkreta indata. Fråga vilken väg genom koden som bestämmer resultatet. För en matematisk förklaring definierar du variabler och antaganden och identifierar uttrycket eller påståendet som ska fastställas. Dessa textbaserade uppgifter kan returnera en metod, en förklaring och den slutliga leveransen utan att anta att modellen själv kör koden eller en extern beräkning.\n\nSysteminstruktioner och rekommenderade inställningar\n\nModellkortet rekommenderar en systemprompt anpassad till den avsedda assistenten och en relativt låg temperatur, som 0.15. Använd systeminstruktionen för att definiera roll, stil och svarsregler, medan användarmeddelandet innehåller det faktiska problemet eller källmaterialet. Håll citerade instruktioner inuti ett dokument skilda från applikationens instruktion om vad som ska göras med dokumentet.\n\nFör en vardagsassistent anger du om resultatet ska vara ett kort svar, en strukturerad post eller en längre förklaring. Om ett svar ska tolkas maskinellt begär du posten separat från eventuell löptext. I ett återkommande dokumentflöde bevarar du källidentifieraren bredvid varje resultat så att applikationen kan returnera rätt material till användaren.\n\nFunktionsanrop och specialisering\n\nModellen kan välja en beskriven funktion och producera dess argument. Applikationen kör operationen och returnerar resultatet med motsvarande verktygsanrop, varefter nästa svar kan använda informationen. Modellkortets exempel visar ett samtal med tidigare verktygsanvändning följt av en ny fråga. Detta ger assistenten ett sätt att begära information från anslutna verktyg utan att behandla ett föreslaget anrop som en slutförd uppslagning.\n\nBeskriv varje funktions syfte och nödvändiga värden tydligt. En uppslagningsuppgift kan ange informationen som behövs och återföra det faktiska verktygsresultatet till samtalet; en textbearbetningsfunktion kan tillhandahålla ett omvandlat avsnitt för nästa svar. Håll verktygsuppsättningen relaterad till den aktuella processen och bevara kopplingen mellan den föreslagna operationen och resultatet.\n\nTillverkaren beskriver också finjustering för ämnesspecialisering. Den processen förändrar en modell för en definierad domän; att tillhandahålla ett dokument i ett samtal är i stället källstyrning för den uppgiften. Tillhandahåll domänmaterialet och svarskraven som den specifika assistenten behöver i stället för att anta att en anpassning redan har gjorts.\n\nKontext och innehållsliga begränsningar\n\nSmall 3 2501 är en modell med enbart text och en kontext på 32k token. Bildfunktionen och kontexten på 128k token som introducerades i Small 3.1 hör till den senare utgåvan, och hybridlägena i Small 4 ska inte heller överföras hit. En bild, ljudinspelning eller video måste få sitt relevanta innehåll förberett genom en annan komponent före denna textuppgift.\n\nModellkortets genereringsinställningar på 256 och 512 token är användningsexempel, inte separata maximala utmatningskapaciteter. Håll den exakta identiteten Instruct 2501, tokenizern och det begärda resultatet tydliga. Den användbara slutliga leveransen är svaret, JSON-posten eller den föreslagna koden vars betydelse och format stämmer med den ursprungliga skriftliga uppgiften.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 är en textmodell med 24 miljarder parametrar för samtalsinstruktioner, strukturerad extraktion och applikationer med verktygsstöd. Den ger en kontext på 32k token enligt tillverkaren, flerspråkiga svar, stöd för systemprompt, JSON och inbyggda funktionsanrop i en separat utgåva med enbart text.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Small 3 Instruct 2501 är den instruktionsanpassade utgåvan av Mistral Small 3 med 24 miljarder parametrar. Den är finjusterad från den separat namngivna modellen Small 24B Base 2501. Tillverkaren positionerar den för snabb samtalsassistans, funktionsanrop och ämnesspecifik anpassning, med text som både indata och genererat resultat.
Kärnfunktioner och skillnader i träning
Modellkortet dokumenterar flerspråkigt stöd, samtals- och resonemangsfunktioner, inbyggda funktionsanrop, JSON-utdata och följsamhet till systemprompter. Kontextfönstret är 32k token, och den använder en Tekken-tokenizer med en vokabulär märkt 131k. Kontextangivelsen avser texten som behålls för uppgiften, medan vokabulärangivelsen beskriver tokenisering; de är olika specifikationer.
Tillverkaren listar språk som engelska, franska, tyska, spanska, italienska, kinesiska, japanska, koreanska, portugisiska, nederländska och polska, med ryska också angivet i det publicerade modellkortets språkmetadata. Definiera målspråket och eventuell terminologi som ska lämnas oförändrad. En översatt förklaring kan bevara identifierare, namn och enheter samtidigt som den omgivande texten anpassas till läsaren.
Tillkännagivandet av utgåvan anger att Small 3 inte tränats med förstärkningsinlärning eller syntetiska data och skiljer förtränade och instruktionsanpassade modellversioner åt. Det beskriver modellen som en grund som kan anpassas vidare snarare än en hybridversion med de senare resonemangskontrollerna från Small 4. Den här posten avser utgåvan Instruct 2501 för att följa en samtalsuppgift.
Samtalsuppgifter och strukturerade uppgifter
För en supportassistent tillhandahåller du användarens fråga, relevant referensmaterial och svarsreglerna. Begär åtgärden som besvarar frågan och villkoret under vilket den gäller. Praktiska utdata kan skilja ett kortfattat svar från extraherade fält som applikationen behöver för nästa steg, i stället för att blanda dem i en ostrukturerad förklaring.
För klassificering tillhandahåller du tillåtna etiketter och skillnaderna mellan dem. För extraktion anger du fälten, förväntade typer och representation för saknad information. En post kan innehålla ärendekategori, en identifierare kopierad från meddelandet och en kort sammanfattning av den begärda åtgärden. JSON organiserar resultatet, medan fältutformningen och tolkningsreglerna förblir en del av den tillhandahållna uppgiften.
För en kodförklaring inkluderar du funktionen, relevanta deklarationer och konkreta indata. Fråga vilken väg genom koden som bestämmer resultatet. För en matematisk förklaring definierar du variabler och antaganden och identifierar uttrycket eller påståendet som ska fastställas. Dessa textbaserade uppgifter kan returnera en metod, en förklaring och den slutliga leveransen utan att anta att modellen själv kör koden eller en extern beräkning.
Systeminstruktioner och rekommenderade inställningar
Modellkortet rekommenderar en systemprompt anpassad till den avsedda assistenten och en relativt låg temperatur, som 0.15. Använd systeminstruktionen för att definiera roll, stil och svarsregler, medan användarmeddelandet innehåller det faktiska problemet eller källmaterialet. Håll citerade instruktioner inuti ett dokument skilda från applikationens instruktion om vad som ska göras med dokumentet.
För en vardagsassistent anger du om resultatet ska vara ett kort svar, en strukturerad post eller en längre förklaring. Om ett svar ska tolkas maskinellt begär du posten separat från eventuell löptext. I ett återkommande dokumentflöde bevarar du källidentifieraren bredvid varje resultat så att applikationen kan returnera rätt material till användaren.
Funktionsanrop och specialisering
Modellen kan välja en beskriven funktion och producera dess argument. Applikationen kör operationen och returnerar resultatet med motsvarande verktygsanrop, varefter nästa svar kan använda informationen. Modellkortets exempel visar ett samtal med tidigare verktygsanvändning följt av en ny fråga. Detta ger assistenten ett sätt att begära information från anslutna verktyg utan att behandla ett föreslaget anrop som en slutförd uppslagning.
Beskriv varje funktions syfte och nödvändiga värden tydligt. En uppslagningsuppgift kan ange informationen som behövs och återföra det faktiska verktygsresultatet till samtalet; en textbearbetningsfunktion kan tillhandahålla ett omvandlat avsnitt för nästa svar. Håll verktygsuppsättningen relaterad till den aktuella processen och bevara kopplingen mellan den föreslagna operationen och resultatet.
Tillverkaren beskriver också finjustering för ämnesspecialisering. Den processen förändrar en modell för en definierad domän; att tillhandahålla ett dokument i ett samtal är i stället källstyrning för den uppgiften. Tillhandahåll domänmaterialet och svarskraven som den specifika assistenten behöver i stället för att anta att en anpassning redan har gjorts.
Kontext och innehållsliga begränsningar
Small 3 2501 är en modell med enbart text och en kontext på 32k token. Bildfunktionen och kontexten på 128k token som introducerades i Small 3.1 hör till den senare utgåvan, och hybridlägena i Small 4 ska inte heller överföras hit. En bild, ljudinspelning eller video måste få sitt relevanta innehåll förberett genom en annan komponent före denna textuppgift.
Modellkortets genereringsinställningar på 256 och 512 token är användningsexempel, inte separata maximala utmatningskapaciteter. Håll den exakta identiteten Instruct 2501, tokenizern och det begärda resultatet tydliga. Den användbara slutliga leveransen är svaret, JSON-posten eller den föreslagna koden vars betydelse och format stämmer med den ursprungliga skriftliga uppgiften.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K token Utdata · Utdatatoken $0.00016 / 1K token Indata · Cacheläsning — / 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 $0.0001 / 1K token Utdata · Utdatatoken $0.00016 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-24b-instruct-2501", "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-small-24b-instruct-2501',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-small-24b-instruct-2501',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-small-24b-instruct-2501
Använd metodsökvägarna som visas ovan.
mistralai/mistral-small-24b-instruct-2501Mistral Small 3 Instruct 2501 är en textmodell med 24 miljarder parametrar för samtalsinstruktioner, strukturerad extraktion och applikationer med verktygsstöd. Den ger en kontext på 32k token enligt tillverkaren, flerspråkiga svar, stöd för systemprompt, JSON och inbyggda funktionsanrop i en separat utgåva med enbart text.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Small 3 Instruct 2501 är den instruktionsanpassade utgåvan av Mistral Small 3 med 24 miljarder parametrar. Den är finjusterad från den separat namngivna modellen Small 24B Base 2501. Tillverkaren positionerar den för snabb samtalsassistans, funktionsanrop och ämnesspecifik anpassning, med text som både indata och genererat resultat.
Kärnfunktioner och skillnader i träning
Modellkortet dokumenterar flerspråkigt stöd, samtals- och resonemangsfunktioner, inbyggda funktionsanrop, JSON-utdata och följsamhet till systemprompter. Kontextfönstret är 32k token, och den använder en Tekken-tokenizer med en vokabulär märkt 131k. Kontextangivelsen avser texten som behålls för uppgiften, medan vokabulärangivelsen beskriver tokenisering; de är olika specifikationer.
Tillverkaren listar språk som engelska, franska, tyska, spanska, italienska, kinesiska, japanska, koreanska, portugisiska, nederländska och polska, med ryska också angivet i det publicerade modellkortets språkmetadata. Definiera målspråket och eventuell terminologi som ska lämnas oförändrad. En översatt förklaring kan bevara identifierare, namn och enheter samtidigt som den omgivande texten anpassas till läsaren.
Tillkännagivandet av utgåvan anger att Small 3 inte tränats med förstärkningsinlärning eller syntetiska data och skiljer förtränade och instruktionsanpassade modellversioner åt. Det beskriver modellen som en grund som kan anpassas vidare snarare än en hybridversion med de senare resonemangskontrollerna från Small 4. Den här posten avser utgåvan Instruct 2501 för att följa en samtalsuppgift.
Samtalsuppgifter och strukturerade uppgifter
För en supportassistent tillhandahåller du användarens fråga, relevant referensmaterial och svarsreglerna. Begär åtgärden som besvarar frågan och villkoret under vilket den gäller. Praktiska utdata kan skilja ett kortfattat svar från extraherade fält som applikationen behöver för nästa steg, i stället för att blanda dem i en ostrukturerad förklaring.
För klassificering tillhandahåller du tillåtna etiketter och skillnaderna mellan dem. För extraktion anger du fälten, förväntade typer och representation för saknad information. En post kan innehålla ärendekategori, en identifierare kopierad från meddelandet och en kort sammanfattning av den begärda åtgärden. JSON organiserar resultatet, medan fältutformningen och tolkningsreglerna förblir en del av den tillhandahållna uppgiften.
För en kodförklaring inkluderar du funktionen, relevanta deklarationer och konkreta indata. Fråga vilken väg genom koden som bestämmer resultatet. För en matematisk förklaring definierar du variabler och antaganden och identifierar uttrycket eller påståendet som ska fastställas. Dessa textbaserade uppgifter kan returnera en metod, en förklaring och den slutliga leveransen utan att anta att modellen själv kör koden eller en extern beräkning.
Systeminstruktioner och rekommenderade inställningar
Modellkortet rekommenderar en systemprompt anpassad till den avsedda assistenten och en relativt låg temperatur, som 0.15. Använd systeminstruktionen för att definiera roll, stil och svarsregler, medan användarmeddelandet innehåller det faktiska problemet eller källmaterialet. Håll citerade instruktioner inuti ett dokument skilda från applikationens instruktion om vad som ska göras med dokumentet.
För en vardagsassistent anger du om resultatet ska vara ett kort svar, en strukturerad post eller en längre förklaring. Om ett svar ska tolkas maskinellt begär du posten separat från eventuell löptext. I ett återkommande dokumentflöde bevarar du källidentifieraren bredvid varje resultat så att applikationen kan returnera rätt material till användaren.
Funktionsanrop och specialisering
Modellen kan välja en beskriven funktion och producera dess argument. Applikationen kör operationen och returnerar resultatet med motsvarande verktygsanrop, varefter nästa svar kan använda informationen. Modellkortets exempel visar ett samtal med tidigare verktygsanvändning följt av en ny fråga. Detta ger assistenten ett sätt att begära information från anslutna verktyg utan att behandla ett föreslaget anrop som en slutförd uppslagning.
Beskriv varje funktions syfte och nödvändiga värden tydligt. En uppslagningsuppgift kan ange informationen som behövs och återföra det faktiska verktygsresultatet till samtalet; en textbearbetningsfunktion kan tillhandahålla ett omvandlat avsnitt för nästa svar. Håll verktygsuppsättningen relaterad till den aktuella processen och bevara kopplingen mellan den föreslagna operationen och resultatet.
Tillverkaren beskriver också finjustering för ämnesspecialisering. Den processen förändrar en modell för en definierad domän; att tillhandahålla ett dokument i ett samtal är i stället källstyrning för den uppgiften. Tillhandahåll domänmaterialet och svarskraven som den specifika assistenten behöver i stället för att anta att en anpassning redan har gjorts.
Kontext och innehållsliga begränsningar
Small 3 2501 är en modell med enbart text och en kontext på 32k token. Bildfunktionen och kontexten på 128k token som introducerades i Small 3.1 hör till den senare utgåvan, och hybridlägena i Small 4 ska inte heller överföras hit. En bild, ljudinspelning eller video måste få sitt relevanta innehåll förberett genom en annan komponent före denna textuppgift.
Modellkortets genereringsinställningar på 256 och 512 token är användningsexempel, inte separata maximala utmatningskapaciteter. Håll den exakta identiteten Instruct 2501, tokenizern och det begärda resultatet tydliga. Den användbara slutliga leveransen är svaret, JSON-posten eller den föreslagna koden vars betydelse och format stämmer med den ursprungliga skriftliga uppgiften.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-small-24b-instruct-2501 | 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 $0.0001 / 1K token Utdata · Utdatatoken $0.00016 / 1K token Indata · Cacheläsning — / 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 $0.0001 / 1K token Utdata · Utdatatoken $0.00016 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-small-24b-instruct-2501",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-small-24b-instruct-2501', '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-small-24b-instruct-2501', '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-small-24b-instruct-2501
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Prepare a reference-grounded support answer\n\nAnswer this customer question using only the reference: 'Can I change the pickup location after the parcel is handed to the carrier?' Reference: 'Before handover, support may change the pickup location. After handover, the recipient must request a change from the carrier; availability depends on its route.' Return a concise reply and the condition supporting it.A short customer reply plus the reference condition that determines the next contact.The reply directs the handed-over parcel's request to the carrier and does not promise that a change is available.