Mistral Small 4 kombinerar allmän instruktionsföljning, resonemang och kodning i en enda multimodal modell. Tillverkaren beskriver den som en förening av familjerna Instruct, Magistral för resonemang och Devstral för kodning. Den tar emot text och bilder och returnerar text, med funktionsanrop och JSON-utdata för applikationer med verktygsstöd.
Arkitektur och nyckelfunktioner
Utgåvan har totalt 119 miljarder parametrar och aktiverar 6,5 miljarder per token. Dess mixture-of-experts-arkitektur innehåller 128 experter, varav 4 aktiva, och tillverkaren dokumenterar ett kontextfönster på 256k token. Antalet aktiva parametrar och antalet experter beskriver hur modellen är organiserad; de är skilda från mängden text- eller bildinnehåll som ingår i en uppgift.
Modellen erbjuder instruktions- och resonemangsfunktioner i samma modellversion. Tillverkaren anger också bildförståelse, följsamhet till systemprompten och stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. En textinstruktion kan därför ställa en fråga om en bild eller kombinera ett skriftligt krav med synligt underlag, med svaret returnerat som text.
En bilduppgift kan innehålla en dokumentsida och efterfråga värden som är relevanta för ett namngivet villkor. Håll etiketter och enheter läsbara och ange om resultatet ska bevara originalets ordalydelse, sammanfatta den eller jämföra den med en annan källa. En gränssnittsuppgift kan kombinera en skärmbild med användarens mål och efterfråga den relevanta synliga kontrollen och underlaget som stöder ett föreslaget nästa steg.
Val av instruktions- eller resonemangsläge
Det publicerade modellkortet dokumenterar resonemangsinsatsen none för ett omedelbart instruktionsbaserat svar och high för resonemang, med high rekommenderat för komplexa prompter. Valet görs per begäran inom samma Small 4-modell. En vanlig klassificering eller kort omskrivning kan ha ett annat svarskontrakt än ett matematiskt problem, bildproblem eller kodproblem som behöver en utvecklad förklaring.
Tillverkaren rekommenderar temperatur 0.7 för hög resonemangsinsats. För none anges temperaturer mellan 0.0 och 0.7 beroende på uppgiften. Inställningarna beskriver de dokumenterade lägena och gör inte resonemangsinsats till en garanti för ett korrekt resultat. Definiera antaganden, utdataform och relevant källmaterial innan du väljer hur mycket resonemang uppgiften kräver.
För ett genomarbetat problem tillhandahåller du hela villkoret och begär de viktiga motiverade stegen följda av det slutliga uttrycket. För en koduppgift tillhandahåller du kravet, den berörda funktionen och konkreta indata; begär den föreslagna implementationen separat från förklaringen och exemplen. Tillverkarens användningsdemonstrationer omfattar instruktionsföljning, ett beräkningsverktyg tillämpat på en bild och visuellt resonemang, vilket illustrerar hur text- och bildunderlag kan ingå i dessa olika uppgifter.
Kodning, dokument och verktyg
Modellen positioneras för utforskning av kodbaser och mjukvaruutvecklingsagenter, allmänna assistenter, dokumentförståelse och forskning. En begäran till en kodagent kan ange modulen som ska ändras, gränssnittet som ska bevaras och beteendet som ska uppstå. Tillhandahåll relevant källkod och underlag för felet. Modellen kan föreslå nästa operation eller en kodändring, medan applikationen tillhandahåller åtkomst till kodarkivet, exekvering och återkoppling.
För dokumentextraktion identifierar du obligatoriska fält och hur saknad information ska representeras. En användbar post kan skilja dokumentidentifierare, källutsaga, tolkat krav och obesvarad fråga åt. Tillverkarens tjänstekort listar anpassade strukturerade utdata och frågor om dokument; det senare använder dokumentbearbetning och OCR för att förbereda text och struktur före språkmodellsanalysen. En direkt bildfråga och ett OCR-assisterat dokumentflöde bör behålla sina egna förberedelser av indata.
Funktionsanrop kräver tydligt beskrivna verktyg. Modellen väljer en funktion och skapar argument; applikationen kör operationen och returnerar resultatet för det efterföljande svaret. Samma logik gäller oavsett om uppgiften är en uppslagning, beräkning eller kodoperation. JSON-formatering organiserar ett svar, medan ett verktygsanrop begär en extern åtgärd; de två ska inte behandlas som utbytbara resultat.
Tjänstekortet listar också förutsagda utdata, svarsprefix, batchbearbetning och agentsamtal. Förutsagda utdata är användbara när ett dokument eller en kodfil måste återskapas med endast en begränsad ändring och resten av innehållet är känt. Ange ändringen och materialet som ska bevaras. Prefixfortsättning använder en känd början på svaret, medan batchbearbetning avser inskickning av arbete snarare än ett ytterligare resonemangsläge.
Kontextens och utgåvans gränser
Planera den skriftliga uppgiften, det visuella materialet, samtalet och önskat svar utifrån den dokumenterade kontexten på 256k token. Det publicerade användningsexemplet konfigurerar en kontext på 262 144 token, medan genereringsexemplet på 1 024 token inte är en separat maximal utmatningskapacitet. De lästa källorna anger ingen oberoende strikt svarslängdsgräns som kan ersätta den valda uppgiftslängden.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 miljarder parametrar och egna hybridlägen. Den ska inte ärva den täta arkitekturen med 128 miljarder parametrar från Medium 3.5 eller de separata Instruct- och Reasoning-utgåvorna av Ministral 3. Tillverkaren publicerar också separata kvantiserade leveranser och leveranser för spekulativ avkodning; de är separata driftsättningsleveranser snarare än olika innehållsmodaliteter. Bevara den namngivna utgåvan Small 4 och det läge som begärts för den faktiska förklaringen, strukturerade posten eller kodresultatet.
", "aboutText": "Mistral Small 4 kombinerar allmän instruktionsföljning, resonemang och kodning i en enda multimodal modell. Tillverkaren beskriver den som en förening av familjerna Instruct, Magistral för resonemang och Devstral för kodning. Den tar emot text och bilder och returnerar text, med funktionsanrop och JSON-utdata för applikationer med verktygsstöd.\n\nArkitektur och nyckelfunktioner\n\nUtgåvan har totalt 119 miljarder parametrar och aktiverar 6,5 miljarder per token. Dess mixture-of-experts-arkitektur innehåller 128 experter, varav 4 aktiva, och tillverkaren dokumenterar ett kontextfönster på 256k token. Antalet aktiva parametrar och antalet experter beskriver hur modellen är organiserad; de är skilda från mängden text- eller bildinnehåll som ingår i en uppgift.\n\nModellen erbjuder instruktions- och resonemangsfunktioner i samma modellversion. Tillverkaren anger också bildförståelse, följsamhet till systemprompten och stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. En textinstruktion kan därför ställa en fråga om en bild eller kombinera ett skriftligt krav med synligt underlag, med svaret returnerat som text.\n\nEn bilduppgift kan innehålla en dokumentsida och efterfråga värden som är relevanta för ett namngivet villkor. Håll etiketter och enheter läsbara och ange om resultatet ska bevara originalets ordalydelse, sammanfatta den eller jämföra den med en annan källa. En gränssnittsuppgift kan kombinera en skärmbild med användarens mål och efterfråga den relevanta synliga kontrollen och underlaget som stöder ett föreslaget nästa steg.\n\nVal av instruktions- eller resonemangsläge\n\nDet publicerade modellkortet dokumenterar resonemangsinsatsen none för ett omedelbart instruktionsbaserat svar och high för resonemang, med high rekommenderat för komplexa prompter. Valet görs per begäran inom samma Small 4-modell. En vanlig klassificering eller kort omskrivning kan ha ett annat svarskontrakt än ett matematiskt problem, bildproblem eller kodproblem som behöver en utvecklad förklaring.\n\nTillverkaren rekommenderar temperatur 0.7 för hög resonemangsinsats. För none anges temperaturer mellan 0.0 och 0.7 beroende på uppgiften. Inställningarna beskriver de dokumenterade lägena och gör inte resonemangsinsats till en garanti för ett korrekt resultat. Definiera antaganden, utdataform och relevant källmaterial innan du väljer hur mycket resonemang uppgiften kräver.\n\nFör ett genomarbetat problem tillhandahåller du hela villkoret och begär de viktiga motiverade stegen följda av det slutliga uttrycket. För en koduppgift tillhandahåller du kravet, den berörda funktionen och konkreta indata; begär den föreslagna implementationen separat från förklaringen och exemplen. Tillverkarens användningsdemonstrationer omfattar instruktionsföljning, ett beräkningsverktyg tillämpat på en bild och visuellt resonemang, vilket illustrerar hur text- och bildunderlag kan ingå i dessa olika uppgifter.\n\nKodning, dokument och verktyg\n\nModellen positioneras för utforskning av kodbaser och mjukvaruutvecklingsagenter, allmänna assistenter, dokumentförståelse och forskning. En begäran till en kodagent kan ange modulen som ska ändras, gränssnittet som ska bevaras och beteendet som ska uppstå. Tillhandahåll relevant källkod och underlag för felet. Modellen kan föreslå nästa operation eller en kodändring, medan applikationen tillhandahåller åtkomst till kodarkivet, exekvering och återkoppling.\n\nFör dokumentextraktion identifierar du obligatoriska fält och hur saknad information ska representeras. En användbar post kan skilja dokumentidentifierare, källutsaga, tolkat krav och obesvarad fråga åt. Tillverkarens tjänstekort listar anpassade strukturerade utdata och frågor om dokument; det senare använder dokumentbearbetning och OCR för att förbereda text och struktur före språkmodellsanalysen. En direkt bildfråga och ett OCR-assisterat dokumentflöde bör behålla sina egna förberedelser av indata.\n\nFunktionsanrop kräver tydligt beskrivna verktyg. Modellen väljer en funktion och skapar argument; applikationen kör operationen och returnerar resultatet för det efterföljande svaret. Samma logik gäller oavsett om uppgiften är en uppslagning, beräkning eller kodoperation. JSON-formatering organiserar ett svar, medan ett verktygsanrop begär en extern åtgärd; de två ska inte behandlas som utbytbara resultat.\n\nTjänstekortet listar också förutsagda utdata, svarsprefix, batchbearbetning och agentsamtal. Förutsagda utdata är användbara när ett dokument eller en kodfil måste återskapas med endast en begränsad ändring och resten av innehållet är känt. Ange ändringen och materialet som ska bevaras. Prefixfortsättning använder en känd början på svaret, medan batchbearbetning avser inskickning av arbete snarare än ett ytterligare resonemangsläge.\n\nKontextens och utgåvans gränser\n\nPlanera den skriftliga uppgiften, det visuella materialet, samtalet och önskat svar utifrån den dokumenterade kontexten på 256k token. Det publicerade användningsexemplet konfigurerar en kontext på 262 144 token, medan genereringsexemplet på 1 024 token inte är en separat maximal utmatningskapacitet. De lästa källorna anger ingen oberoende strikt svarslängdsgräns som kan ersätta den valda uppgiftslängden.\n\nSmall 4 har sin egen mixture-of-experts-arkitektur med 119 miljarder parametrar och egna hybridlägen. Den ska inte ärva den täta arkitekturen med 128 miljarder parametrar från Medium 3.5 eller de separata Instruct- och Reasoning-utgåvorna av Ministral 3. Tillverkaren publicerar också separata kvantiserade leveranser och leveranser för spekulativ avkodning; de är separata driftsättningsleveranser snarare än olika innehållsmodaliteter. Bevara den namngivna utgåvan Small 4 och det läge som begärts för den faktiska förklaringen, strukturerade posten eller kodresultatet.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.mistralai/mistral-small-2603Mistral Small 4 är en hybridmodell för text och bilder med instruktions-, resonemangs- och kodningsfunktioner. Dess mixture-of-experts-utgåva med 119 miljarder parametrar aktiverar 6,5 miljarder parametrar per token och stöder en kontext på 256k token enligt tillverkaren, valbar resonemangsinsats, JSON och funktionsanrop.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Small 4 kombinerar allmän instruktionsföljning, resonemang och kodning i en enda multimodal modell. Tillverkaren beskriver den som en förening av familjerna Instruct, Magistral för resonemang och Devstral för kodning. Den tar emot text och bilder och returnerar text, med funktionsanrop och JSON-utdata för applikationer med verktygsstöd.
Arkitektur och nyckelfunktioner
Utgåvan har totalt 119 miljarder parametrar och aktiverar 6,5 miljarder per token. Dess mixture-of-experts-arkitektur innehåller 128 experter, varav 4 aktiva, och tillverkaren dokumenterar ett kontextfönster på 256k token. Antalet aktiva parametrar och antalet experter beskriver hur modellen är organiserad; de är skilda från mängden text- eller bildinnehåll som ingår i en uppgift.
Modellen erbjuder instruktions- och resonemangsfunktioner i samma modellversion. Tillverkaren anger också bildförståelse, följsamhet till systemprompten och stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. En textinstruktion kan därför ställa en fråga om en bild eller kombinera ett skriftligt krav med synligt underlag, med svaret returnerat som text.
En bilduppgift kan innehålla en dokumentsida och efterfråga värden som är relevanta för ett namngivet villkor. Håll etiketter och enheter läsbara och ange om resultatet ska bevara originalets ordalydelse, sammanfatta den eller jämföra den med en annan källa. En gränssnittsuppgift kan kombinera en skärmbild med användarens mål och efterfråga den relevanta synliga kontrollen och underlaget som stöder ett föreslaget nästa steg.
Val av instruktions- eller resonemangsläge
Det publicerade modellkortet dokumenterar resonemangsinsatsen none för ett omedelbart instruktionsbaserat svar och high för resonemang, med high rekommenderat för komplexa prompter. Valet görs per begäran inom samma Small 4-modell. En vanlig klassificering eller kort omskrivning kan ha ett annat svarskontrakt än ett matematiskt problem, bildproblem eller kodproblem som behöver en utvecklad förklaring.
Tillverkaren rekommenderar temperatur 0.7 för hög resonemangsinsats. För none anges temperaturer mellan 0.0 och 0.7 beroende på uppgiften. Inställningarna beskriver de dokumenterade lägena och gör inte resonemangsinsats till en garanti för ett korrekt resultat. Definiera antaganden, utdataform och relevant källmaterial innan du väljer hur mycket resonemang uppgiften kräver.
För ett genomarbetat problem tillhandahåller du hela villkoret och begär de viktiga motiverade stegen följda av det slutliga uttrycket. För en koduppgift tillhandahåller du kravet, den berörda funktionen och konkreta indata; begär den föreslagna implementationen separat från förklaringen och exemplen. Tillverkarens användningsdemonstrationer omfattar instruktionsföljning, ett beräkningsverktyg tillämpat på en bild och visuellt resonemang, vilket illustrerar hur text- och bildunderlag kan ingå i dessa olika uppgifter.
Kodning, dokument och verktyg
Modellen positioneras för utforskning av kodbaser och mjukvaruutvecklingsagenter, allmänna assistenter, dokumentförståelse och forskning. En begäran till en kodagent kan ange modulen som ska ändras, gränssnittet som ska bevaras och beteendet som ska uppstå. Tillhandahåll relevant källkod och underlag för felet. Modellen kan föreslå nästa operation eller en kodändring, medan applikationen tillhandahåller åtkomst till kodarkivet, exekvering och återkoppling.
För dokumentextraktion identifierar du obligatoriska fält och hur saknad information ska representeras. En användbar post kan skilja dokumentidentifierare, källutsaga, tolkat krav och obesvarad fråga åt. Tillverkarens tjänstekort listar anpassade strukturerade utdata och frågor om dokument; det senare använder dokumentbearbetning och OCR för att förbereda text och struktur före språkmodellsanalysen. En direkt bildfråga och ett OCR-assisterat dokumentflöde bör behålla sina egna förberedelser av indata.
Funktionsanrop kräver tydligt beskrivna verktyg. Modellen väljer en funktion och skapar argument; applikationen kör operationen och returnerar resultatet för det efterföljande svaret. Samma logik gäller oavsett om uppgiften är en uppslagning, beräkning eller kodoperation. JSON-formatering organiserar ett svar, medan ett verktygsanrop begär en extern åtgärd; de två ska inte behandlas som utbytbara resultat.
Tjänstekortet listar också förutsagda utdata, svarsprefix, batchbearbetning och agentsamtal. Förutsagda utdata är användbara när ett dokument eller en kodfil måste återskapas med endast en begränsad ändring och resten av innehållet är känt. Ange ändringen och materialet som ska bevaras. Prefixfortsättning använder en känd början på svaret, medan batchbearbetning avser inskickning av arbete snarare än ett ytterligare resonemangsläge.
Kontextens och utgåvans gränser
Planera den skriftliga uppgiften, det visuella materialet, samtalet och önskat svar utifrån den dokumenterade kontexten på 256k token. Det publicerade användningsexemplet konfigurerar en kontext på 262 144 token, medan genereringsexemplet på 1 024 token inte är en separat maximal utmatningskapacitet. De lästa källorna anger ingen oberoende strikt svarslängdsgräns som kan ersätta den valda uppgiftslängden.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 miljarder parametrar och egna hybridlägen. Den ska inte ärva den täta arkitekturen med 128 miljarder parametrar från Medium 3.5 eller de separata Instruct- och Reasoning-utgåvorna av Ministral 3. Tillverkaren publicerar också separata kvantiserade leveranser och leveranser för spekulativ avkodning; de är separata driftsättningsleveranser snarare än olika innehållsmodaliteter. Bevara den namngivna utgåvan Small 4 och det läge som begärts för den faktiska förklaringen, strukturerade posten eller kodresultatet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-small-2603 | 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00003 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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-2603", "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-2603',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-2603',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-2603
Använd metodsökvägarna som visas ovan.
mistralai/mistral-small-2603Mistral Small 4 är en hybridmodell för text och bilder med instruktions-, resonemangs- och kodningsfunktioner. Dess mixture-of-experts-utgåva med 119 miljarder parametrar aktiverar 6,5 miljarder parametrar per token och stöder en kontext på 256k token enligt tillverkaren, valbar resonemangsinsats, JSON och funktionsanrop.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Small 4 kombinerar allmän instruktionsföljning, resonemang och kodning i en enda multimodal modell. Tillverkaren beskriver den som en förening av familjerna Instruct, Magistral för resonemang och Devstral för kodning. Den tar emot text och bilder och returnerar text, med funktionsanrop och JSON-utdata för applikationer med verktygsstöd.
Arkitektur och nyckelfunktioner
Utgåvan har totalt 119 miljarder parametrar och aktiverar 6,5 miljarder per token. Dess mixture-of-experts-arkitektur innehåller 128 experter, varav 4 aktiva, och tillverkaren dokumenterar ett kontextfönster på 256k token. Antalet aktiva parametrar och antalet experter beskriver hur modellen är organiserad; de är skilda från mängden text- eller bildinnehåll som ingår i en uppgift.
Modellen erbjuder instruktions- och resonemangsfunktioner i samma modellversion. Tillverkaren anger också bildförståelse, följsamhet till systemprompten och stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. En textinstruktion kan därför ställa en fråga om en bild eller kombinera ett skriftligt krav med synligt underlag, med svaret returnerat som text.
En bilduppgift kan innehålla en dokumentsida och efterfråga värden som är relevanta för ett namngivet villkor. Håll etiketter och enheter läsbara och ange om resultatet ska bevara originalets ordalydelse, sammanfatta den eller jämföra den med en annan källa. En gränssnittsuppgift kan kombinera en skärmbild med användarens mål och efterfråga den relevanta synliga kontrollen och underlaget som stöder ett föreslaget nästa steg.
Val av instruktions- eller resonemangsläge
Det publicerade modellkortet dokumenterar resonemangsinsatsen none för ett omedelbart instruktionsbaserat svar och high för resonemang, med high rekommenderat för komplexa prompter. Valet görs per begäran inom samma Small 4-modell. En vanlig klassificering eller kort omskrivning kan ha ett annat svarskontrakt än ett matematiskt problem, bildproblem eller kodproblem som behöver en utvecklad förklaring.
Tillverkaren rekommenderar temperatur 0.7 för hög resonemangsinsats. För none anges temperaturer mellan 0.0 och 0.7 beroende på uppgiften. Inställningarna beskriver de dokumenterade lägena och gör inte resonemangsinsats till en garanti för ett korrekt resultat. Definiera antaganden, utdataform och relevant källmaterial innan du väljer hur mycket resonemang uppgiften kräver.
För ett genomarbetat problem tillhandahåller du hela villkoret och begär de viktiga motiverade stegen följda av det slutliga uttrycket. För en koduppgift tillhandahåller du kravet, den berörda funktionen och konkreta indata; begär den föreslagna implementationen separat från förklaringen och exemplen. Tillverkarens användningsdemonstrationer omfattar instruktionsföljning, ett beräkningsverktyg tillämpat på en bild och visuellt resonemang, vilket illustrerar hur text- och bildunderlag kan ingå i dessa olika uppgifter.
Kodning, dokument och verktyg
Modellen positioneras för utforskning av kodbaser och mjukvaruutvecklingsagenter, allmänna assistenter, dokumentförståelse och forskning. En begäran till en kodagent kan ange modulen som ska ändras, gränssnittet som ska bevaras och beteendet som ska uppstå. Tillhandahåll relevant källkod och underlag för felet. Modellen kan föreslå nästa operation eller en kodändring, medan applikationen tillhandahåller åtkomst till kodarkivet, exekvering och återkoppling.
För dokumentextraktion identifierar du obligatoriska fält och hur saknad information ska representeras. En användbar post kan skilja dokumentidentifierare, källutsaga, tolkat krav och obesvarad fråga åt. Tillverkarens tjänstekort listar anpassade strukturerade utdata och frågor om dokument; det senare använder dokumentbearbetning och OCR för att förbereda text och struktur före språkmodellsanalysen. En direkt bildfråga och ett OCR-assisterat dokumentflöde bör behålla sina egna förberedelser av indata.
Funktionsanrop kräver tydligt beskrivna verktyg. Modellen väljer en funktion och skapar argument; applikationen kör operationen och returnerar resultatet för det efterföljande svaret. Samma logik gäller oavsett om uppgiften är en uppslagning, beräkning eller kodoperation. JSON-formatering organiserar ett svar, medan ett verktygsanrop begär en extern åtgärd; de två ska inte behandlas som utbytbara resultat.
Tjänstekortet listar också förutsagda utdata, svarsprefix, batchbearbetning och agentsamtal. Förutsagda utdata är användbara när ett dokument eller en kodfil måste återskapas med endast en begränsad ändring och resten av innehållet är känt. Ange ändringen och materialet som ska bevaras. Prefixfortsättning använder en känd början på svaret, medan batchbearbetning avser inskickning av arbete snarare än ett ytterligare resonemangsläge.
Kontextens och utgåvans gränser
Planera den skriftliga uppgiften, det visuella materialet, samtalet och önskat svar utifrån den dokumenterade kontexten på 256k token. Det publicerade användningsexemplet konfigurerar en kontext på 262 144 token, medan genereringsexemplet på 1 024 token inte är en separat maximal utmatningskapacitet. De lästa källorna anger ingen oberoende strikt svarslängdsgräns som kan ersätta den valda uppgiftslängden.
Small 4 har sin egen mixture-of-experts-arkitektur med 119 miljarder parametrar och egna hybridlägen. Den ska inte ärva den täta arkitekturen med 128 miljarder parametrar från Medium 3.5 eller de separata Instruct- och Reasoning-utgåvorna av Ministral 3. Tillverkaren publicerar också separata kvantiserade leveranser och leveranser för spekulativ avkodning; de är separata driftsättningsleveranser snarare än olika innehållsmodaliteter. Bevara den namngivna utgåvan Small 4 och det läge som begärts för den faktiska förklaringen, strukturerade posten eller kodresultatet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-small-2603 | 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00003 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0.00003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-small-2603",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2603', '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-2603', '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-2603
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Repair a last-line parser\n\nThis Python parser loses a final line without a trailing newline: def lines(text):\n return text.split("\\n")[:-1]\nReturn a corrected function that preserves nonempty final lines, avoids an artificial last empty line when text ends in a newline and returns [] for empty text. Include tests for all three cases.A corrected Python function, a short explanation and tests for newline, no-newline and empty input.Check that the last real line is retained and that only a trailing separator’s artificial empty entry is removed.