模型概述
模型特點
模型能力
使用案例
🚀 MistralAI Devstral-Small-2505模型
Devstral是一款專為軟件工程任務打造的大語言模型(LLM),由Mistral AI和All Hands AI合作開發🙌。它在探索代碼庫、編輯多個文件以及驅動軟件工程智能體等方面表現出色。該模型在SWE-bench基準測試中取得了顯著成績,成為該基準測試中的開源模型第一名。
它基於Mistral-Small-3.1進行微調,因此擁有長達128k token的上下文窗口。作為一個僅處理文本的編碼智能體,在從Mistral-Small-3.1
微調之前,其視覺編碼器已被移除。
對於有特殊需求(如增加上下文、特定領域知識等)的企業,我們將發佈商業模型,其功能將超越Mistral AI向社區貢獻的版本。
您可以在我們的博客文章中瞭解更多關於Devstral的信息。
🚀 快速開始
環境準備
確保您的環境滿足以下要求:
- 支持的語言:英語、法語、德語、西班牙語、葡萄牙語、意大利語、日語、韓語、俄語、中文、阿拉伯語、波斯語、印尼語、馬來語、尼泊爾語、波蘭語、羅馬尼亞語、塞爾維亞語、瑞典語、土耳其語、烏克蘭語、越南語、印地語、孟加拉語。
- 許可證:Apache 2.0許可證。
- 依賴庫:建議使用vllm庫進行推理。
模型使用
您可以通過API或本地運行的方式使用Devstral。具體步驟如下:
- API方式:
- 按照說明創建Mistral賬戶並獲取API密鑰。
- 運行以下命令啟動OpenHands Docker容器:
export MISTRAL_API_KEY=<MY_KEY>
docker pull docker.all-hands.dev/all-hands-ai/runtime:0.39-nikolaik
mkdir -p ~/.openhands-state && echo '{"language":"en","agent":"CodeActAgent","max_iterations":null,"security_analyzer":null,"confirmation_mode":false,"llm_model":"mistral/devstral-small-2505","llm_api_key":"'$MISTRAL_API_KEY'","remote_runtime_resource_factor":null,"github_token":null,"enable_default_condenser":true}' > ~/.openhands-state/settings.json
docker run -it --rm --pull=always \
-e SANDBOX_RUNTIME_CONTAINER_IMAGE=docker.all-hands.dev/all-hands-ai/runtime:0.39-nikolaik \
-e LOG_ALL_EVENTS=true \
-v /var/run/docker.sock:/var/run/docker.sock \
-v ~/.openhands-state:/.openhands-state \
-p 3000:3000 \
--add-host host.docker.internal:host-gateway \
--name openhands-app \
docker.all-hands.dev/all-hands-ai/openhands:0.39
- 本地推理方式:
- 可以使用LMStudio或其他庫進行本地部署,具體支持的庫如下:
OpenHands使用(推薦)
啟動服務器部署Devstral-Small-2505
確保您已按照上述說明啟動了兼容OpenAI的服務器(如vLLM或Ollama),然後可以使用OpenHands與Devstral-Small-2505
進行交互。
在本教程中,我們通過以下命令啟動vLLM服務器:
vllm serve mistralai/Devstral-Small-2505 --tokenizer_mode mistral --config_format mistral --load_format mistral --tool-call-parser mistral --enable-auto-tool-choice --tensor-parallel-size 2
服務器地址應採用以下格式:http://<your-server-url>:8000/v1
啟動OpenHands
您可以按照此處的說明安裝OpenHands。 啟動OpenHands最簡單的方法是使用Docker鏡像:
docker pull docker.all-hands.dev/all-hands-ai/runtime:0.38-nikolaik
docker run -it --rm --pull=always \
-e SANDBOX_RUNTIME_CONTAINER_IMAGE=docker.all-hands.dev/all-hands-ai/runtime:0.38-nikolaik \
-e LOG_ALL_EVENTS=true \
-v /var/run/docker.sock:/var/run/docker.sock \
-v ~/.openhands-state:/.openhands-state \
-p 3000:3000 \
--add-host host.docker.internal:host-gateway \
--name openhands-app \
docker.all-hands.dev/all-hands-ai/openhands:0.38
然後,您可以通過http://localhost:3000
訪問OpenHands的用戶界面。
連接到服務器
訪問OpenHands用戶界面時,系統會提示您連接到服務器。您可以使用高級模式連接到之前啟動的服務器。 填寫以下字段:
- 自定義模型:
openai/mistralai/Devstral-Small-2505
- 基礎URL:
http://<your-server-url>:8000/v1
- API密鑰:
token
(如果在啟動服務器時使用了其他令牌,請填寫相應的令牌)
使用由Devstral驅動的OpenHands
現在,您可以通過開始新對話在OpenHands中使用Devstral Small。讓我們來構建一個待辦事項列表應用程序。
待辦事項列表應用程序
- 讓我們使用以下提示讓Devstral生成應用程序:
構建一個待辦事項列表應用程序,滿足以下要求:
- 使用FastAPI和React構建。
- 使其成為單頁應用程序,具備以下功能:
- 允許添加任務。
- 允許刪除任務。
- 允許將任務標記為已完成。
- 顯示任務列表。
- 將任務存儲在SQLite數據庫中。
-
查看結果 您應該會看到智能體構建應用程序,並能夠查看它生成的代碼。 如果它沒有自動完成部署,您可以要求Devstral部署應用程序,或者手動進行部署,然後訪問前端部署URL查看應用程序。
-
迭代優化 現在您已經得到了第一個結果,可以通過要求智能體進行改進來進行迭代。例如,在生成的應用程序中,我們可以點擊任務將其標記為已選中,但添加一個複選框將改善用戶體驗。您還可以要求它添加編輯任務的功能,或者添加按狀態過濾任務的功能。
享受使用Devstral Small和OpenHands進行開發的樂趣!
✨ 主要特性
- 智能編碼:專為智能編碼任務設計,是軟件工程智能體的理想選擇。
- 輕量級:僅具有240億參數,體積小巧,可在單個RTX 4090或配備32GB RAM的Mac上運行,適合本地部署和設備端使用。
- Apache 2.0許可證:開放許可證,允許商業和非商業用途的使用和修改。
- 上下文窗口:擁有128k的上下文窗口。
- 分詞器:使用Tekken分詞器,詞彙量為131k。
📚 詳細文檔
基準測試結果
SWE-Bench
Devstral在SWE-Bench Verified測試中獲得了46.8%的分數,比之前的開源最優模型高出6%。
模型 | 腳手架 | SWE-Bench Verified (%) |
---|---|---|
Devstral | OpenHands Scaffold | 46.8 |
GPT-4.1-mini | OpenAI Scaffold | 23.6 |
Claude 3.5 Haiku | Anthropic Scaffold | 40.6 |
SWE-smith-LM 32B | SWE-agent Scaffold | 40.2 |
在相同的測試腳手架(由All Hands AI提供的OpenHands🙌)下進行評估時,Devstral的表現遠超Deepseek-V3-0324和Qwen3 232B-A22B等更大的模型。
不同庫的使用說明
LMStudio(推薦用於量化模型)
從Hugging Face下載權重:
pip install -U "huggingface_hub[cli]"
huggingface-cli download \
"mistralai/Devstral-Small-2505_gguf" \
--include "devstralQ4_K_M.gguf" \
--local-dir "mistralai/Devstral-Small-2505_gguf/"
您可以使用LMStudio在本地提供模型服務:
- 下載並安裝LM Studio。
- 安裝
lms cli ~/.lmstudio/bin/lms bootstrap
。 - 在bash終端中,在下載模型檢查點的目錄(例如
mistralai/Devstral-Small-2505_gguf
)中運行lms import devstralQ4_K_M.ggu
。 - 打開LMStudio應用程序,點擊終端圖標進入開發者選項卡。點擊“選擇要加載的模型”並選擇Devstral Q4 K M。切換狀態按鈕以啟動模型,在設置中切換“在本地網絡上提供服務”為開啟狀態。
- 在右側選項卡中,您將看到一個API標識符(應為devstralq4_k_m)和一個API地址。請記錄此地址,我們將在下一步中使用。
啟動Openhands:
docker pull docker.all-hands.dev/all-hands-ai/runtime:0.38-nikolaik
docker run -it --rm --pull=always \
-e SANDBOX_RUNTIME_CONTAINER_IMAGE=docker.all-hands.dev/all-hands-ai/runtime:0.38-nikolaik \
-e LOG_ALL_EVENTS=true \
-v /var/run/docker.sock:/var/run/docker.sock \
-v ~/.openhands-state:/.openhands-state \
-p 3000:3000 \
--add-host host.docker.internal:host-gateway \
--name openhands-app \
docker.all-hands.dev/all-hands-ai/openhands:0.38
點擊第二行的“查看高級設置”。
在新選項卡中,將“高級”切換為開啟狀態。將自定義模型設置為mistral/devstralq4_k_m
,將基礎URL設置為我們在LM Studio中獲得的API地址。將API密鑰設置為dummy
。點擊“保存更改”。
vLLM(推薦)
我們建議使用vLLM庫來實現生產就緒的推理管道。
安裝
確保您安裝了vLLM >= 0.8.5
:
pip install vllm --upgrade
這樣做應該會自動安裝mistral_common >= 1.5.5
。
檢查安裝情況:
python -c "import mistral_common; print(mistral_common.__version__)"
您還可以使用現成的Docker鏡像或在Docker Hub上獲取。
服務器部署
我們建議在服務器/客戶端環境中使用Devstral。
- 啟動服務器:
vllm serve mistralai/Devstral-Small-2505 --tokenizer_mode mistral --config_format mistral --load_format mistral --tool-call-parser mistral --enable-auto-tool-choice --tensor-parallel-size 2
- 您可以使用以下簡單的Python代碼片段來測試客戶端:
import requests
import json
from huggingface_hub import hf_hub_download
url = "http://<your-server-url>:8000/v1/chat/completions"
headers = {"Content-Type": "application/json", "Authorization": "Bearer token"}
model = "mistralai/Devstral-Small-2505"
def load_system_prompt(repo_id: str, filename: str) -> str:
file_path = hf_hub_download(repo_id=repo_id, filename=filename)
with open(file_path, "r") as file:
system_prompt = file.read()
return system_prompt
SYSTEM_PROMPT = load_system_prompt(model, "SYSTEM_PROMPT.txt")
messages = [
{"role": "system", "content": SYSTEM_PROMPT},
{
"role": "user",
"content": [
{
"type": "text",
"text": "<your-command>",
},
],
},
]
data = {"model": model, "messages": messages, "temperature": 0.15}
response = requests.post(url, headers=headers, data=json.dumps(data))
print(response.json()["choices"][0]["message"]["content"])
Mistral-inference
我們建議使用mistral-inference
快速試用Devstral。
安裝
確保安裝了mistral_inference >= 1.6.0
:
pip install mistral_inference --upgrade
下載
from huggingface_hub import snapshot_download
from pathlib import Path
mistral_models_path = Path.home().joinpath('mistral_models', 'Devstral')
mistral_models_path.mkdir(parents=True, exist_ok=True)
snapshot_download(repo_id="mistralai/Devstral-Small-2505", allow_patterns=["params.json", "consolidated.safetensors", "tekken.json"], local_dir=mistral_models_path)
運行
您可以使用以下命令運行模型:
mistral-chat $HOME/mistral_models/Devstral --instruct --max_tokens 300
然後,您可以輸入任何提示進行交互。
Ollama
您可以使用Ollama命令行界面運行Devstral:
ollama run devstral
Transformers
為了在transformers
中充分利用我們的模型,請確保安裝了mistral-common >= 1.5.5
以使用我們的分詞器:
pip install mistral-common --upgrade
然後加載我們的分詞器和模型並進行生成:
import torch
from mistral_common.protocol.instruct.messages import (
SystemMessage, UserMessage
)
from mistral_common.protocol.instruct.request import ChatCompletionRequest
from mistral_common.tokens.tokenizers.mistral import MistralTokenizer
from mistral_common.tokens.tokenizers.tekken import SpecialTokenPolicy
from huggingface_hub import hf_hub_download
from transformers import AutoModelForCausalLM
def load_system_prompt(repo_id: str, filename: str) -> str:
file_path = hf_hub_download(repo_id=repo_id, filename=filename)
with open(file_path, "r") as file:
system_prompt = file.read()
return system_prompt
model_id = "mistralai/Devstral-Small-2505"
tekken_file = hf_hub_download(repo_id=model_id, filename="tekken.json")
SYSTEM_PROMPT = load_system_prompt(model_id, "SYSTEM_PROMPT.txt")
tokenizer = MistralTokenizer.from_file(tekken_file)
model = AutoModelForCausalLM.from_pretrained(model_id)
tokenized = tokenizer.encode_chat_completion(
ChatCompletionRequest(
messages=[
SystemMessage(content=SYSTEM_PROMPT),
UserMessage(content="<your-command>"),
],
)
)
output = model.generate(
input_ids=torch.tensor([tokenized.tokens]),
max_new_tokens=1000,
)[0]
decoded_output = tokenizer.decode(output[len(tokenized.tokens):])
print(decoded_output)
📄 許可證
本項目採用Apache 2.0許可證。
⚠️ 重要提示
如果您想了解更多關於我們如何處理您的個人數據的信息,請閱讀我們的隱私政策。



