Mistral Small 3.1 24B Instruct 2503 bygger vidare på Small 3 2501 genom att tillföra bildförståelse och utöka stödet för lång kontext till 128k token. Den har 24 miljarder parametrar och är instruktionsanpassad från den separat namngivna utgåvan Small 3.1 Base. Modellen tar emot text och bilder och producerar text, inklusive en förklaring, kod eller en strukturerad post.
Viktiga funktioner
Bildförståelse låter modellen analysera synligt material tillsammans med användarens fråga. En dokumentbild kan innehålla fältet eller utsagan som ska granskas, en schematisk bild kan visa sambandet som ska förklaras och ett diagram kan tillhandahålla data bakom en jämförelse. Håll etiketter, enheter och relevant omgivande innehåll läsbara så att frågan hänvisar till underlag som faktiskt finns i bilden.
Tillverkaren listar stöd för tiotals språk, däribland ryska, engelska, franska, tyska, grekiska, hindi, indonesiska, italienska, japanska, koreanska, malajiska, nepali, polska, portugisiska, rumänska, serbiska, spanska, svenska, turkiska, ukrainska, vietnamesiska, arabiska, bengali, kinesiska och farsi. Definiera målspråk, läsare och terminologi för ett flerspråkigt svar. Namn, citerade etiketter, variabelidentifierare och enheter kan lämnas oförändrade medan den omgivande texten anpassas.
Modellkortet beskriver också samtals- och resonemangsfunktioner, inbyggda funktionsanrop, JSON-utdata och följsamhet till systemprompter. Tokenizern är Tekken, med en vokabulär märkt 131k. Detta är funktioner i den namngivna instruktionsanpassade utgåvan; Base-utgåvan har en annan roll och de senare utgåvorna Small 3.2 och Small 4 behåller sina egna ändringar och lägen.
Förberedelse för dokument, kodning och matematik
För en uppgift med långa dokument identifierar du dokumenten och ställer en definierad fråga. En jämförelse kan efterfråga en kravmatris med utsagan, dess källavsnitt och eventuella skillnader mellan dokumenten. En sammanfattning kan efterfråga enbart det material som är relevant för en namngiven ändring. Den långa kontexten håller källorna samlade, medan det slutliga svaret kan förbli kortfattat.
För en kodförklaring tillhandahåller du funktionen och de indata vars beteende ska följas. Inkludera relevanta hjälpfunktioner eller deklarationer och fråga hur tillståndet förändras innan värdet returneras. För en föreslagen ändring anger du kravet, det publika gränssnitt som ska bevaras och förväntade utdata. Begär den reviderade koden separat från förklaringen och exemplen.
För en matematisk uppgift definierar du symbolerna och domänantagandena innan du begär en härledning. Ange om slutresultatet ska vara exakt, avrundat eller ett bevis för ett påstående. Om villkoret finns i en bild håller du formeln och tillhörande etiketter tydliga och ber modellen bevara notationen i svaret. Dessa förberedelser omvandlar modellens dokumenterade fokus på programmering och matematiskt resonemang till en granskningsbar leverans.
Instruktionsformat och rekommenderad användning
Tillverkaren publicerar en samtalsmall V7-Tekken som skiljer system-, användar- och assistentroller åt och rekommenderar att den matchande tokenizerimplementationen används som auktoritativ referens. En systeminstruktion bör definiera assistentens roll och svarsregler, medan användarmeddelandet innehåller den faktiska uppgiften och källmaterialet. Korrekt samtalsformatering skiljer sig från att placera rolliknande etiketter inuti ett citerat dokument.
Modellkortet rekommenderar en relativt låg temperatur, som 0.15, och en systemprompt anpassad till användningsfallet. Definiera utdatafälten eller avsnitten och villkoren som måste bevaras vid omskrivning. För upprepad extraktion begär du JSON med specificerade namn och typer och en representation för värden som saknas i källan. Ett förklarande stycke kan returneras separat när en person behöver granska tolkningen.
Arbetsflöde för funktionsanrop
Modellen kan välja en funktion bland verktyg som applikationen beskriver och generera dess argument. Applikationen kör funktionen, returnerar resultatet med motsvarande verktygsanrop och modellen använder resultatet i ett efterföljande svar. Tillverkarens exempel visar denna samtalscykel, inklusive tidigare verktygsanvändning och en ny användarfråga. En föreslagen uppslagning skiljer sig därmed från de data som uppslagningen faktiskt returnerar.
En praktisk assistent kan först extrahera en fråga ur ett dokument och sedan använda en tillhandahållen referensfunktion för att få fram ett saknat villkor. Beskriv funktionen tydligt, inkludera obligatoriska argument och håll det returnerade resultatet kopplat till den ursprungliga operationen. JSON organiserar ett textresultat; funktionsanrop begär en ansluten operation i stället för att tyst köra kod eller läsa en databas.
Innehållsliga begränsningar
Den dokumenterade bildfunktionen läser bilder; den genererar dem inte. Det publicerade modellkortets assistentvägledning skiljer också modellen från ljud- och videotranskription, så en fråga med tal eller video behöver sitt relevanta innehåll tillhandahållet genom ett lämpligt separat förberedelsesteg. Webbåtkomst och externa åtgärder kommer likaså från anslutna verktyg, inte enbart från modellen för text och bilder.
Kontexten på 128k token avser uppgiftens indata och det genererade samtalet, medan modellkortets genereringsexempel på 512 token bara är en exempelinställning. Ingen separat strikt svarslängdskapacitet anges i de lästa källorna. Bevara den exakta utgåvan Instruct 2503, dess samtalsformat och den begärda förklaringen, posten eller kodleveransen.
", "aboutText": "Mistral Small 3.1 24B Instruct 2503 bygger vidare på Small 3 2501 genom att tillföra bildförståelse och utöka stödet för lång kontext till 128k token. Den har 24 miljarder parametrar och är instruktionsanpassad från den separat namngivna utgåvan Small 3.1 Base. Modellen tar emot text och bilder och producerar text, inklusive en förklaring, kod eller en strukturerad post.\n\nViktiga funktioner\n\nBildförståelse låter modellen analysera synligt material tillsammans med användarens fråga. En dokumentbild kan innehålla fältet eller utsagan som ska granskas, en schematisk bild kan visa sambandet som ska förklaras och ett diagram kan tillhandahålla data bakom en jämförelse. Håll etiketter, enheter och relevant omgivande innehåll läsbara så att frågan hänvisar till underlag som faktiskt finns i bilden.\n\nTillverkaren listar stöd för tiotals språk, däribland ryska, engelska, franska, tyska, grekiska, hindi, indonesiska, italienska, japanska, koreanska, malajiska, nepali, polska, portugisiska, rumänska, serbiska, spanska, svenska, turkiska, ukrainska, vietnamesiska, arabiska, bengali, kinesiska och farsi. Definiera målspråk, läsare och terminologi för ett flerspråkigt svar. Namn, citerade etiketter, variabelidentifierare och enheter kan lämnas oförändrade medan den omgivande texten anpassas.\n\nModellkortet beskriver också samtals- och resonemangsfunktioner, inbyggda funktionsanrop, JSON-utdata och följsamhet till systemprompter. Tokenizern är Tekken, med en vokabulär märkt 131k. Detta är funktioner i den namngivna instruktionsanpassade utgåvan; Base-utgåvan har en annan roll och de senare utgåvorna Small 3.2 och Small 4 behåller sina egna ändringar och lägen.\n\nFörberedelse för dokument, kodning och matematik\n\nFör en uppgift med långa dokument identifierar du dokumenten och ställer en definierad fråga. En jämförelse kan efterfråga en kravmatris med utsagan, dess källavsnitt och eventuella skillnader mellan dokumenten. En sammanfattning kan efterfråga enbart det material som är relevant för en namngiven ändring. Den långa kontexten håller källorna samlade, medan det slutliga svaret kan förbli kortfattat.\n\nFör en kodförklaring tillhandahåller du funktionen och de indata vars beteende ska följas. Inkludera relevanta hjälpfunktioner eller deklarationer och fråga hur tillståndet förändras innan värdet returneras. För en föreslagen ändring anger du kravet, det publika gränssnitt som ska bevaras och förväntade utdata. Begär den reviderade koden separat från förklaringen och exemplen.\n\nFör en matematisk uppgift definierar du symbolerna och domänantagandena innan du begär en härledning. Ange om slutresultatet ska vara exakt, avrundat eller ett bevis för ett påstående. Om villkoret finns i en bild håller du formeln och tillhörande etiketter tydliga och ber modellen bevara notationen i svaret. Dessa förberedelser omvandlar modellens dokumenterade fokus på programmering och matematiskt resonemang till en granskningsbar leverans.\n\nInstruktionsformat och rekommenderad användning\n\nTillverkaren publicerar en samtalsmall V7-Tekken som skiljer system-, användar- och assistentroller åt och rekommenderar att den matchande tokenizerimplementationen används som auktoritativ referens. En systeminstruktion bör definiera assistentens roll och svarsregler, medan användarmeddelandet innehåller den faktiska uppgiften och källmaterialet. Korrekt samtalsformatering skiljer sig från att placera rolliknande etiketter inuti ett citerat dokument.\n\nModellkortet rekommenderar en relativt låg temperatur, som 0.15, och en systemprompt anpassad till användningsfallet. Definiera utdatafälten eller avsnitten och villkoren som måste bevaras vid omskrivning. För upprepad extraktion begär du JSON med specificerade namn och typer och en representation för värden som saknas i källan. Ett förklarande stycke kan returneras separat när en person behöver granska tolkningen.\n\nArbetsflöde för funktionsanrop\n\nModellen kan välja en funktion bland verktyg som applikationen beskriver och generera dess argument. Applikationen kör funktionen, returnerar resultatet med motsvarande verktygsanrop och modellen använder resultatet i ett efterföljande svar. Tillverkarens exempel visar denna samtalscykel, inklusive tidigare verktygsanvändning och en ny användarfråga. En föreslagen uppslagning skiljer sig därmed från de data som uppslagningen faktiskt returnerar.\n\nEn praktisk assistent kan först extrahera en fråga ur ett dokument och sedan använda en tillhandahållen referensfunktion för att få fram ett saknat villkor. Beskriv funktionen tydligt, inkludera obligatoriska argument och håll det returnerade resultatet kopplat till den ursprungliga operationen. JSON organiserar ett textresultat; funktionsanrop begär en ansluten operation i stället för att tyst köra kod eller läsa en databas.\n\nInnehållsliga begränsningar\n\nDen dokumenterade bildfunktionen läser bilder; den genererar dem inte. Det publicerade modellkortets assistentvägledning skiljer också modellen från ljud- och videotranskription, så en fråga med tal eller video behöver sitt relevanta innehåll tillhandahållet genom ett lämpligt separat förberedelsesteg. Webbåtkomst och externa åtgärder kommer likaså från anslutna verktyg, inte enbart från modellen för text och bilder.\n\nKontexten på 128k token avser uppgiftens indata och det genererade samtalet, medan modellkortets genereringsexempel på 512 token bara är en exempelinställning. Ingen separat strikt svarslängdskapacitet anges i de lästa källorna. Bevara den exakta utgåvan Instruct 2503, dess samtalsformat och den begärda förklaringen, posten eller kodleveransen.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 tillför bildförståelse och en kontext på 128k token enligt tillverkaren till Small 3-serien. Den kombinerar flerspråkig text, programmering och matematiskt resonemang med systeminstruktioner, JSON och inbyggda funktionsanrop i en separat instruktionsanpassad utgåva.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Small 3.1 24B Instruct 2503 bygger vidare på Small 3 2501 genom att tillföra bildförståelse och utöka stödet för lång kontext till 128k token. Den har 24 miljarder parametrar och är instruktionsanpassad från den separat namngivna utgåvan Small 3.1 Base. Modellen tar emot text och bilder och producerar text, inklusive en förklaring, kod eller en strukturerad post.
Viktiga funktioner
Bildförståelse låter modellen analysera synligt material tillsammans med användarens fråga. En dokumentbild kan innehålla fältet eller utsagan som ska granskas, en schematisk bild kan visa sambandet som ska förklaras och ett diagram kan tillhandahålla data bakom en jämförelse. Håll etiketter, enheter och relevant omgivande innehåll läsbara så att frågan hänvisar till underlag som faktiskt finns i bilden.
Tillverkaren listar stöd för tiotals språk, däribland ryska, engelska, franska, tyska, grekiska, hindi, indonesiska, italienska, japanska, koreanska, malajiska, nepali, polska, portugisiska, rumänska, serbiska, spanska, svenska, turkiska, ukrainska, vietnamesiska, arabiska, bengali, kinesiska och farsi. Definiera målspråk, läsare och terminologi för ett flerspråkigt svar. Namn, citerade etiketter, variabelidentifierare och enheter kan lämnas oförändrade medan den omgivande texten anpassas.
Modellkortet beskriver också samtals- och resonemangsfunktioner, inbyggda funktionsanrop, JSON-utdata och följsamhet till systemprompter. Tokenizern är Tekken, med en vokabulär märkt 131k. Detta är funktioner i den namngivna instruktionsanpassade utgåvan; Base-utgåvan har en annan roll och de senare utgåvorna Small 3.2 och Small 4 behåller sina egna ändringar och lägen.
Förberedelse för dokument, kodning och matematik
För en uppgift med långa dokument identifierar du dokumenten och ställer en definierad fråga. En jämförelse kan efterfråga en kravmatris med utsagan, dess källavsnitt och eventuella skillnader mellan dokumenten. En sammanfattning kan efterfråga enbart det material som är relevant för en namngiven ändring. Den långa kontexten håller källorna samlade, medan det slutliga svaret kan förbli kortfattat.
För en kodförklaring tillhandahåller du funktionen och de indata vars beteende ska följas. Inkludera relevanta hjälpfunktioner eller deklarationer och fråga hur tillståndet förändras innan värdet returneras. För en föreslagen ändring anger du kravet, det publika gränssnitt som ska bevaras och förväntade utdata. Begär den reviderade koden separat från förklaringen och exemplen.
För en matematisk uppgift definierar du symbolerna och domänantagandena innan du begär en härledning. Ange om slutresultatet ska vara exakt, avrundat eller ett bevis för ett påstående. Om villkoret finns i en bild håller du formeln och tillhörande etiketter tydliga och ber modellen bevara notationen i svaret. Dessa förberedelser omvandlar modellens dokumenterade fokus på programmering och matematiskt resonemang till en granskningsbar leverans.
Instruktionsformat och rekommenderad användning
Tillverkaren publicerar en samtalsmall V7-Tekken som skiljer system-, användar- och assistentroller åt och rekommenderar att den matchande tokenizerimplementationen används som auktoritativ referens. En systeminstruktion bör definiera assistentens roll och svarsregler, medan användarmeddelandet innehåller den faktiska uppgiften och källmaterialet. Korrekt samtalsformatering skiljer sig från att placera rolliknande etiketter inuti ett citerat dokument.
Modellkortet rekommenderar en relativt låg temperatur, som 0.15, och en systemprompt anpassad till användningsfallet. Definiera utdatafälten eller avsnitten och villkoren som måste bevaras vid omskrivning. För upprepad extraktion begär du JSON med specificerade namn och typer och en representation för värden som saknas i källan. Ett förklarande stycke kan returneras separat när en person behöver granska tolkningen.
Arbetsflöde för funktionsanrop
Modellen kan välja en funktion bland verktyg som applikationen beskriver och generera dess argument. Applikationen kör funktionen, returnerar resultatet med motsvarande verktygsanrop och modellen använder resultatet i ett efterföljande svar. Tillverkarens exempel visar denna samtalscykel, inklusive tidigare verktygsanvändning och en ny användarfråga. En föreslagen uppslagning skiljer sig därmed från de data som uppslagningen faktiskt returnerar.
En praktisk assistent kan först extrahera en fråga ur ett dokument och sedan använda en tillhandahållen referensfunktion för att få fram ett saknat villkor. Beskriv funktionen tydligt, inkludera obligatoriska argument och håll det returnerade resultatet kopplat till den ursprungliga operationen. JSON organiserar ett textresultat; funktionsanrop begär en ansluten operation i stället för att tyst köra kod eller läsa en databas.
Innehållsliga begränsningar
Den dokumenterade bildfunktionen läser bilder; den genererar dem inte. Det publicerade modellkortets assistentvägledning skiljer också modellen från ljud- och videotranskription, så en fråga med tal eller video behöver sitt relevanta innehåll tillhandahållet genom ett lämpligt separat förberedelsesteg. Webbåtkomst och externa åtgärder kommer likaså från anslutna verktyg, inte enbart från modellen för text och bilder.
Kontexten på 128k token avser uppgiftens indata och det genererade samtalet, medan modellkortets genereringsexempel på 512 token bara är en exempelinställning. Ingen separat strikt svarslängdskapacitet anges i de lästa källorna. Bevara den exakta utgåvan Instruct 2503, dess samtalsformat och den begärda förklaringen, posten eller kodleveransen.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Utdata · Utdatatoken $0.00111 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0011 / 1K token Utdata · Utdatatoken $0.00111 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-small-3.1-24b-instruct", "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-3.1-24b-instruct',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-3.1-24b-instruct',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-3.1-24b-instruct
Använd metodsökvägarna som visas ovan.
mistralai/mistral-small-3.1-24b-instructMistral Small 3.1 24B Instruct 2503 tillför bildförståelse och en kontext på 128k token enligt tillverkaren till Small 3-serien. Den kombinerar flerspråkig text, programmering och matematiskt resonemang med systeminstruktioner, JSON och inbyggda funktionsanrop i en separat instruktionsanpassad utgåva.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Small 3.1 24B Instruct 2503 bygger vidare på Small 3 2501 genom att tillföra bildförståelse och utöka stödet för lång kontext till 128k token. Den har 24 miljarder parametrar och är instruktionsanpassad från den separat namngivna utgåvan Small 3.1 Base. Modellen tar emot text och bilder och producerar text, inklusive en förklaring, kod eller en strukturerad post.
Viktiga funktioner
Bildförståelse låter modellen analysera synligt material tillsammans med användarens fråga. En dokumentbild kan innehålla fältet eller utsagan som ska granskas, en schematisk bild kan visa sambandet som ska förklaras och ett diagram kan tillhandahålla data bakom en jämförelse. Håll etiketter, enheter och relevant omgivande innehåll läsbara så att frågan hänvisar till underlag som faktiskt finns i bilden.
Tillverkaren listar stöd för tiotals språk, däribland ryska, engelska, franska, tyska, grekiska, hindi, indonesiska, italienska, japanska, koreanska, malajiska, nepali, polska, portugisiska, rumänska, serbiska, spanska, svenska, turkiska, ukrainska, vietnamesiska, arabiska, bengali, kinesiska och farsi. Definiera målspråk, läsare och terminologi för ett flerspråkigt svar. Namn, citerade etiketter, variabelidentifierare och enheter kan lämnas oförändrade medan den omgivande texten anpassas.
Modellkortet beskriver också samtals- och resonemangsfunktioner, inbyggda funktionsanrop, JSON-utdata och följsamhet till systemprompter. Tokenizern är Tekken, med en vokabulär märkt 131k. Detta är funktioner i den namngivna instruktionsanpassade utgåvan; Base-utgåvan har en annan roll och de senare utgåvorna Small 3.2 och Small 4 behåller sina egna ändringar och lägen.
Förberedelse för dokument, kodning och matematik
För en uppgift med långa dokument identifierar du dokumenten och ställer en definierad fråga. En jämförelse kan efterfråga en kravmatris med utsagan, dess källavsnitt och eventuella skillnader mellan dokumenten. En sammanfattning kan efterfråga enbart det material som är relevant för en namngiven ändring. Den långa kontexten håller källorna samlade, medan det slutliga svaret kan förbli kortfattat.
För en kodförklaring tillhandahåller du funktionen och de indata vars beteende ska följas. Inkludera relevanta hjälpfunktioner eller deklarationer och fråga hur tillståndet förändras innan värdet returneras. För en föreslagen ändring anger du kravet, det publika gränssnitt som ska bevaras och förväntade utdata. Begär den reviderade koden separat från förklaringen och exemplen.
För en matematisk uppgift definierar du symbolerna och domänantagandena innan du begär en härledning. Ange om slutresultatet ska vara exakt, avrundat eller ett bevis för ett påstående. Om villkoret finns i en bild håller du formeln och tillhörande etiketter tydliga och ber modellen bevara notationen i svaret. Dessa förberedelser omvandlar modellens dokumenterade fokus på programmering och matematiskt resonemang till en granskningsbar leverans.
Instruktionsformat och rekommenderad användning
Tillverkaren publicerar en samtalsmall V7-Tekken som skiljer system-, användar- och assistentroller åt och rekommenderar att den matchande tokenizerimplementationen används som auktoritativ referens. En systeminstruktion bör definiera assistentens roll och svarsregler, medan användarmeddelandet innehåller den faktiska uppgiften och källmaterialet. Korrekt samtalsformatering skiljer sig från att placera rolliknande etiketter inuti ett citerat dokument.
Modellkortet rekommenderar en relativt låg temperatur, som 0.15, och en systemprompt anpassad till användningsfallet. Definiera utdatafälten eller avsnitten och villkoren som måste bevaras vid omskrivning. För upprepad extraktion begär du JSON med specificerade namn och typer och en representation för värden som saknas i källan. Ett förklarande stycke kan returneras separat när en person behöver granska tolkningen.
Arbetsflöde för funktionsanrop
Modellen kan välja en funktion bland verktyg som applikationen beskriver och generera dess argument. Applikationen kör funktionen, returnerar resultatet med motsvarande verktygsanrop och modellen använder resultatet i ett efterföljande svar. Tillverkarens exempel visar denna samtalscykel, inklusive tidigare verktygsanvändning och en ny användarfråga. En föreslagen uppslagning skiljer sig därmed från de data som uppslagningen faktiskt returnerar.
En praktisk assistent kan först extrahera en fråga ur ett dokument och sedan använda en tillhandahållen referensfunktion för att få fram ett saknat villkor. Beskriv funktionen tydligt, inkludera obligatoriska argument och håll det returnerade resultatet kopplat till den ursprungliga operationen. JSON organiserar ett textresultat; funktionsanrop begär en ansluten operation i stället för att tyst köra kod eller läsa en databas.
Innehållsliga begränsningar
Den dokumenterade bildfunktionen läser bilder; den genererar dem inte. Det publicerade modellkortets assistentvägledning skiljer också modellen från ljud- och videotranskription, så en fråga med tal eller video behöver sitt relevanta innehåll tillhandahållet genom ett lämpligt separat förberedelsesteg. Webbåtkomst och externa åtgärder kommer likaså från anslutna verktyg, inte enbart från modellen för text och bilder.
Kontexten på 128k token avser uppgiftens indata och det genererade samtalet, medan modellkortets genereringsexempel på 512 token bara är en exempelinställning. Ingen separat strikt svarslängdskapacitet anges i de lästa källorna. Bevara den exakta utgåvan Instruct 2503, dess samtalsformat och den begärda förklaringen, posten eller kodleveransen.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-small-3.1-24b-instruct | 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 $0.0011 / 1K token Utdata · Utdatatoken $0.00111 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0011 / 1K token Utdata · Utdatatoken $0.00111 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-small-3.1-24b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3.1-24b-instruct', '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-3.1-24b-instruct', '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-3.1-24b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Trace an accumulator function\n\nTrace this Python function on [3, -1, 4]: 'def running_sum(xs):\n total = 0\n out = []\n for x in xs:\n total += x\n out.append(total)\n return out'. Give a row for each iteration showing x, total and out, then the return value. Explain in one sentence why out differs from doubling each element.A three-row state trace, the final list and one sentence distinguishing cumulative addition from elementwise multiplication.Each row uses the prior total, including the negative input, rather than restarting the accumulator.