Mistral Medium 3.5 je hustý model Mistral AI se 128 miliardami parametrů, který v jedné sadě vah spojuje plnění pokynů, uvažování a programování. Přijímá text a obrázky a vrací text. Výrobce jej určuje pro agentní a programátorské úlohy, přičemž stejný checkpoint může vytvořit přímou konverzační odpověď nebo využít zdokumentovaný režim uvažování pro náročnější úlohu.
Sjednocený model a vizuální schopnosti
Vydaná karta specifikuje 128 miliard hustých parametrů a kontextové okno 256 tisíc tokenů. Vizuální enkodér je trénován pro různé velikosti obrázků a poměry stran. Obrázky mohou poskytnout podklady pro programátorskou nebo dokumentovou úlohu: snímek rozhraní, diagram doprovázející požadavek nebo stránku s informacemi, které musí model vyložit. Výsledkem může být písemné vysvětlení, kód nebo strukturovaná pole místo vygenerovaného obrázku.
Výrobce popisuje vícejazyčnou podporu desítek jazyků, včetně angličtiny, francouzštiny, španělštiny, němčiny, italštiny, portugalštiny, nizozemštiny, čínštiny, japonštiny, korejštiny a arabštiny. Zdůrazňuje také dodržování systémového promptu a nativní volání funkcí s výstupem JSON. Publikum, jazyk a pravidla odpovědi nastavte odděleně od zkoumaných materiálů, aby znění zdrojového dokumentu zůstalo podkladem pro úlohu.
Nastavení uvažování
Karta dokumentuje dvě hodnoty intenzity uvažování pro každý požadavek. Hodnota none poskytuje odpověď ve stylu plnění pokynů bez režimu uvažování; high uvažování zapíná a doporučuje se pro složité prompty a agentní programování. Jde o volbu režimu v rámci stejného checkpointu Medium 3.5, nikoli o jinou identitu modelu.
Pro vysokou intenzitu uvažování výrobce doporučuje teplotu 0.7 a top-p 0.95. Pro none dokumentuje teploty mezi 0.0 a 0.7 podle úlohy a ponechává top-p nenastavené nebo na 1.0. Jde o doporučení pro toto vydání. Nejprve zvolte účel výstupu: stručnou extrakci polí, změnu kódu s vysvětlením nebo srovnání vyžadující několik zdůvodněných rozhodnutí.
Praktická úloha uvažování může dodat požadavek, implementaci a vstup odhalující nesoulad. Požádejte model, aby určil relevantní cestu, vysvětlil rozpor a navrhl nejmenší změnu zachovávající veřejné rozhraní. Upravený kód požadujte odděleně od předpokladů a příkladů. Model generuje návrh; jeho kompilace, spuštění a použití vyžadují vývojové prostředí připojené k agentovi.
Nástroje, dokumenty a předvídatelné úpravy
Karta služby výrobce uvádí také strukturované výstupy, předpovězené výstupy, otázky k dokumentům, prefixy odpovědí, dávkové zpracování a konverzace agentů. Pro extrakci definujte názvy polí, typy a zacházení s chybějícími hodnotami. Režim JSON poskytuje strukturovanou reprezentaci, zatímco vlastní schéma definuje konkrétnější podobu v připojeném rozhraní. Pokud jej bude parsovat program, požadujte pouze záznam; pokud člověk potřebuje zkontrolovat výklad, požadujte samostatné vysvětlení.
Odpovídání na otázky k dokumentům spojuje text a strukturu připravené pomocí OCR s porozuměním jazykového modelu. Pro srovnání určete dokumenty a podmínku k posouzení a poté požadujte každé zjištění s jeho zdrojovým umístěním. Užitečný výstup může oddělit společné požadavky, rozpory a otevřené otázky. Přímé otázky k obrázkům se mohou zaměřit na označení grafu nebo prvek rozhraní; zachování nadpisů, jednotek a rolí obrázků pomáhá propojit odpověď s dodanými podklady.
Předpovězené výstupy jsou zdokumentovány pro úlohy, kde je velká část požadované odpovědi již známa, například opětovné generování souboru kódu nebo dokumentu s omezenými úpravami. Dodejte existující obsah a určete konkrétní změnu, přičemž zachovejte části, které mají zůstat. To se liší od požadavku na zcela nový artefakt nebo pokračování od známého prefixu odpovědi. Funkce služby popisují možnosti odesílání a formátování; nemění textový a obrazový vstup ani textový výstup modelu.
V postupu s podporou nástrojů aplikace dodává popisy funkcí a parametry, model vybere funkci a připraví argumenty a aplikace ji provede a vrátí výsledek. Výpočetní nástroj může obdržet hodnoty přečtené z dodaného obrázku, zatímco vyhledávací nástroj může poskytnout chybějící informace pro další odpověď. Výsledek nástroje udržujte propojený s operací, která jej vytvořila. Agentní uvažování se opírá o toto prostředí; samotné generování textu neprovádí externí akce.
Příprava dlouhých relací
Kontext 256 tisíc tokenů využijte pro související zdrojový kód, dokumenty a historii konverzace a skutečný cíl ponechte výslovný. Programátorská relace může zachovat modul, jeho volajícího a požadavky a současně žádat jednu definovanou změnu. Dokumentová relace může držet relevantní sekce pohromadě a vrátit krátkou tabulku nebo upravenou pasáž. Kapacita kontextu neurčuje samostatnou maximální délku odpovědi; příklad generování 1 024 tokenů v kartě je ilustrací, nikoli tímto limitem.
Výrobce uvádí, že starší vydaná konfigurace obsahovala chybu pro dlouhý kontext a že byla opravena, včetně dopadu na odvozené checkpointy. Při použití vah pro dlouhé relace zachovejte opravenou konfiguraci vydání. Hybridní režimy a architekturu se 128 miliardami parametrů Medium 3.5 nelze přiřazovat Medium 3.1 nebo samostatně pojmenovanému checkpointu draft-head jen proto, že jejich názvy sdílejí rodinu.
", "aboutText": "Mistral Medium 3.5 je hustý model Mistral AI se 128 miliardami parametrů, který v jedné sadě vah spojuje plnění pokynů, uvažování a programování. Přijímá text a obrázky a vrací text. Výrobce jej určuje pro agentní a programátorské úlohy, přičemž stejný checkpoint může vytvořit přímou konverzační odpověď nebo využít zdokumentovaný režim uvažování pro náročnější úlohu.\n\nSjednocený model a vizuální schopnosti\n\nVydaná karta specifikuje 128 miliard hustých parametrů a kontextové okno 256 tisíc tokenů. Vizuální enkodér je trénován pro různé velikosti obrázků a poměry stran. Obrázky mohou poskytnout podklady pro programátorskou nebo dokumentovou úlohu: snímek rozhraní, diagram doprovázející požadavek nebo stránku s informacemi, které musí model vyložit. Výsledkem může být písemné vysvětlení, kód nebo strukturovaná pole místo vygenerovaného obrázku.\n\nVýrobce popisuje vícejazyčnou podporu desítek jazyků, včetně angličtiny, francouzštiny, španělštiny, němčiny, italštiny, portugalštiny, nizozemštiny, čínštiny, japonštiny, korejštiny a arabštiny. Zdůrazňuje také dodržování systémového promptu a nativní volání funkcí s výstupem JSON. Publikum, jazyk a pravidla odpovědi nastavte odděleně od zkoumaných materiálů, aby znění zdrojového dokumentu zůstalo podkladem pro úlohu.\n\nNastavení uvažování\n\nKarta dokumentuje dvě hodnoty intenzity uvažování pro každý požadavek. Hodnota none poskytuje odpověď ve stylu plnění pokynů bez režimu uvažování; high uvažování zapíná a doporučuje se pro složité prompty a agentní programování. Jde o volbu režimu v rámci stejného checkpointu Medium 3.5, nikoli o jinou identitu modelu.\n\nPro vysokou intenzitu uvažování výrobce doporučuje teplotu 0.7 a top-p 0.95. Pro none dokumentuje teploty mezi 0.0 a 0.7 podle úlohy a ponechává top-p nenastavené nebo na 1.0. Jde o doporučení pro toto vydání. Nejprve zvolte účel výstupu: stručnou extrakci polí, změnu kódu s vysvětlením nebo srovnání vyžadující několik zdůvodněných rozhodnutí.\n\nPraktická úloha uvažování může dodat požadavek, implementaci a vstup odhalující nesoulad. Požádejte model, aby určil relevantní cestu, vysvětlil rozpor a navrhl nejmenší změnu zachovávající veřejné rozhraní. Upravený kód požadujte odděleně od předpokladů a příkladů. Model generuje návrh; jeho kompilace, spuštění a použití vyžadují vývojové prostředí připojené k agentovi.\n\nNástroje, dokumenty a předvídatelné úpravy\n\nKarta služby výrobce uvádí také strukturované výstupy, předpovězené výstupy, otázky k dokumentům, prefixy odpovědí, dávkové zpracování a konverzace agentů. Pro extrakci definujte názvy polí, typy a zacházení s chybějícími hodnotami. Režim JSON poskytuje strukturovanou reprezentaci, zatímco vlastní schéma definuje konkrétnější podobu v připojeném rozhraní. Pokud jej bude parsovat program, požadujte pouze záznam; pokud člověk potřebuje zkontrolovat výklad, požadujte samostatné vysvětlení.\n\nOdpovídání na otázky k dokumentům spojuje text a strukturu připravené pomocí OCR s porozuměním jazykového modelu. Pro srovnání určete dokumenty a podmínku k posouzení a poté požadujte každé zjištění s jeho zdrojovým umístěním. Užitečný výstup může oddělit společné požadavky, rozpory a otevřené otázky. Přímé otázky k obrázkům se mohou zaměřit na označení grafu nebo prvek rozhraní; zachování nadpisů, jednotek a rolí obrázků pomáhá propojit odpověď s dodanými podklady.\n\nPředpovězené výstupy jsou zdokumentovány pro úlohy, kde je velká část požadované odpovědi již známa, například opětovné generování souboru kódu nebo dokumentu s omezenými úpravami. Dodejte existující obsah a určete konkrétní změnu, přičemž zachovejte části, které mají zůstat. To se liší od požadavku na zcela nový artefakt nebo pokračování od známého prefixu odpovědi. Funkce služby popisují možnosti odesílání a formátování; nemění textový a obrazový vstup ani textový výstup modelu.\n\nV postupu s podporou nástrojů aplikace dodává popisy funkcí a parametry, model vybere funkci a připraví argumenty a aplikace ji provede a vrátí výsledek. Výpočetní nástroj může obdržet hodnoty přečtené z dodaného obrázku, zatímco vyhledávací nástroj může poskytnout chybějící informace pro další odpověď. Výsledek nástroje udržujte propojený s operací, která jej vytvořila. Agentní uvažování se opírá o toto prostředí; samotné generování textu neprovádí externí akce.\n\nPříprava dlouhých relací\n\nKontext 256 tisíc tokenů využijte pro související zdrojový kód, dokumenty a historii konverzace a skutečný cíl ponechte výslovný. Programátorská relace může zachovat modul, jeho volajícího a požadavky a současně žádat jednu definovanou změnu. Dokumentová relace může držet relevantní sekce pohromadě a vrátit krátkou tabulku nebo upravenou pasáž. Kapacita kontextu neurčuje samostatnou maximální délku odpovědi; příklad generování 1 024 tokenů v kartě je ilustrací, nikoli tímto limitem.\n\nVýrobce uvádí, že starší vydaná konfigurace obsahovala chybu pro dlouhý kontext a že byla opravena, včetně dopadu na odvozené checkpointy. Při použití vah pro dlouhé relace zachovejte opravenou konfiguraci vydání. Hybridní režimy a architekturu se 128 miliardami parametrů Medium 3.5 nelze přiřazovat Medium 3.1 nebo samostatně pojmenovanému checkpointu draft-head jen proto, že jejich názvy sdílejí rodinu.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral Medium 3.5 spojuje plnění pokynů, uvažování a programování v hustém modelu se 128 miliardami parametrů pro textový a obrazový vstup. Nabízí kontext 256 tisíc tokenů uváděný výrobcem, nastavení uvažování pro jednotlivé požadavky, nativní volání funkcí a strukturovaný výstup pro dokumentové a agentní postupy.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Mistral Medium 3.5 je hustý model Mistral AI se 128 miliardami parametrů, který v jedné sadě vah spojuje plnění pokynů, uvažování a programování. Přijímá text a obrázky a vrací text. Výrobce jej určuje pro agentní a programátorské úlohy, přičemž stejný checkpoint může vytvořit přímou konverzační odpověď nebo využít zdokumentovaný režim uvažování pro náročnější úlohu.
Sjednocený model a vizuální schopnosti
Vydaná karta specifikuje 128 miliard hustých parametrů a kontextové okno 256 tisíc tokenů. Vizuální enkodér je trénován pro různé velikosti obrázků a poměry stran. Obrázky mohou poskytnout podklady pro programátorskou nebo dokumentovou úlohu: snímek rozhraní, diagram doprovázející požadavek nebo stránku s informacemi, které musí model vyložit. Výsledkem může být písemné vysvětlení, kód nebo strukturovaná pole místo vygenerovaného obrázku.
Výrobce popisuje vícejazyčnou podporu desítek jazyků, včetně angličtiny, francouzštiny, španělštiny, němčiny, italštiny, portugalštiny, nizozemštiny, čínštiny, japonštiny, korejštiny a arabštiny. Zdůrazňuje také dodržování systémového promptu a nativní volání funkcí s výstupem JSON. Publikum, jazyk a pravidla odpovědi nastavte odděleně od zkoumaných materiálů, aby znění zdrojového dokumentu zůstalo podkladem pro úlohu.
Nastavení uvažování
Karta dokumentuje dvě hodnoty intenzity uvažování pro každý požadavek. Hodnota none poskytuje odpověď ve stylu plnění pokynů bez režimu uvažování; high uvažování zapíná a doporučuje se pro složité prompty a agentní programování. Jde o volbu režimu v rámci stejného checkpointu Medium 3.5, nikoli o jinou identitu modelu.
Pro vysokou intenzitu uvažování výrobce doporučuje teplotu 0.7 a top-p 0.95. Pro none dokumentuje teploty mezi 0.0 a 0.7 podle úlohy a ponechává top-p nenastavené nebo na 1.0. Jde o doporučení pro toto vydání. Nejprve zvolte účel výstupu: stručnou extrakci polí, změnu kódu s vysvětlením nebo srovnání vyžadující několik zdůvodněných rozhodnutí.
Praktická úloha uvažování může dodat požadavek, implementaci a vstup odhalující nesoulad. Požádejte model, aby určil relevantní cestu, vysvětlil rozpor a navrhl nejmenší změnu zachovávající veřejné rozhraní. Upravený kód požadujte odděleně od předpokladů a příkladů. Model generuje návrh; jeho kompilace, spuštění a použití vyžadují vývojové prostředí připojené k agentovi.
Nástroje, dokumenty a předvídatelné úpravy
Karta služby výrobce uvádí také strukturované výstupy, předpovězené výstupy, otázky k dokumentům, prefixy odpovědí, dávkové zpracování a konverzace agentů. Pro extrakci definujte názvy polí, typy a zacházení s chybějícími hodnotami. Režim JSON poskytuje strukturovanou reprezentaci, zatímco vlastní schéma definuje konkrétnější podobu v připojeném rozhraní. Pokud jej bude parsovat program, požadujte pouze záznam; pokud člověk potřebuje zkontrolovat výklad, požadujte samostatné vysvětlení.
Odpovídání na otázky k dokumentům spojuje text a strukturu připravené pomocí OCR s porozuměním jazykového modelu. Pro srovnání určete dokumenty a podmínku k posouzení a poté požadujte každé zjištění s jeho zdrojovým umístěním. Užitečný výstup může oddělit společné požadavky, rozpory a otevřené otázky. Přímé otázky k obrázkům se mohou zaměřit na označení grafu nebo prvek rozhraní; zachování nadpisů, jednotek a rolí obrázků pomáhá propojit odpověď s dodanými podklady.
Předpovězené výstupy jsou zdokumentovány pro úlohy, kde je velká část požadované odpovědi již známa, například opětovné generování souboru kódu nebo dokumentu s omezenými úpravami. Dodejte existující obsah a určete konkrétní změnu, přičemž zachovejte části, které mají zůstat. To se liší od požadavku na zcela nový artefakt nebo pokračování od známého prefixu odpovědi. Funkce služby popisují možnosti odesílání a formátování; nemění textový a obrazový vstup ani textový výstup modelu.
V postupu s podporou nástrojů aplikace dodává popisy funkcí a parametry, model vybere funkci a připraví argumenty a aplikace ji provede a vrátí výsledek. Výpočetní nástroj může obdržet hodnoty přečtené z dodaného obrázku, zatímco vyhledávací nástroj může poskytnout chybějící informace pro další odpověď. Výsledek nástroje udržujte propojený s operací, která jej vytvořila. Agentní uvažování se opírá o toto prostředí; samotné generování textu neprovádí externí akce.
Příprava dlouhých relací
Kontext 256 tisíc tokenů využijte pro související zdrojový kód, dokumenty a historii konverzace a skutečný cíl ponechte výslovný. Programátorská relace může zachovat modul, jeho volajícího a požadavky a současně žádat jednu definovanou změnu. Dokumentová relace může držet relevantní sekce pohromadě a vrátit krátkou tabulku nebo upravenou pasáž. Kapacita kontextu neurčuje samostatnou maximální délku odpovědi; příklad generování 1 024 tokenů v kartě je ilustrací, nikoli tímto limitem.
Výrobce uvádí, že starší vydaná konfigurace obsahovala chybu pro dlouhý kontext a že byla opravena, včetně dopadu na odvozené checkpointy. Při použití vah pro dlouhé relace zachovejte opravenou konfiguraci vydání. Hybridní režimy a architekturu se 128 miliardami parametrů Medium 3.5 nelze přiřazovat Medium 3.1 nebo samostatně pojmenovanému checkpointu draft-head jen proto, že jejich názvy sdílejí rodinu.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistralai/mistral-medium-3-5 | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.003 / 1K tokenů Výstup · Výstupní tokeny $0.015 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.003 / 1K tokenů Výstup · Výstupní tokeny $0.015 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "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-medium-3-5',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-medium-3-5',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 nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra mistralai/mistral-medium-3-5
Použijte cesty metod uvedené výše.
mistralai/mistral-medium-3-5Mistral Medium 3.5 spojuje plnění pokynů, uvažování a programování v hustém modelu se 128 miliardami parametrů pro textový a obrazový vstup. Nabízí kontext 256 tisíc tokenů uváděný výrobcem, nastavení uvažování pro jednotlivé požadavky, nativní volání funkcí a strukturovaný výstup pro dokumentové a agentní postupy.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Mistral Medium 3.5 je hustý model Mistral AI se 128 miliardami parametrů, který v jedné sadě vah spojuje plnění pokynů, uvažování a programování. Přijímá text a obrázky a vrací text. Výrobce jej určuje pro agentní a programátorské úlohy, přičemž stejný checkpoint může vytvořit přímou konverzační odpověď nebo využít zdokumentovaný režim uvažování pro náročnější úlohu.
Sjednocený model a vizuální schopnosti
Vydaná karta specifikuje 128 miliard hustých parametrů a kontextové okno 256 tisíc tokenů. Vizuální enkodér je trénován pro různé velikosti obrázků a poměry stran. Obrázky mohou poskytnout podklady pro programátorskou nebo dokumentovou úlohu: snímek rozhraní, diagram doprovázející požadavek nebo stránku s informacemi, které musí model vyložit. Výsledkem může být písemné vysvětlení, kód nebo strukturovaná pole místo vygenerovaného obrázku.
Výrobce popisuje vícejazyčnou podporu desítek jazyků, včetně angličtiny, francouzštiny, španělštiny, němčiny, italštiny, portugalštiny, nizozemštiny, čínštiny, japonštiny, korejštiny a arabštiny. Zdůrazňuje také dodržování systémového promptu a nativní volání funkcí s výstupem JSON. Publikum, jazyk a pravidla odpovědi nastavte odděleně od zkoumaných materiálů, aby znění zdrojového dokumentu zůstalo podkladem pro úlohu.
Nastavení uvažování
Karta dokumentuje dvě hodnoty intenzity uvažování pro každý požadavek. Hodnota none poskytuje odpověď ve stylu plnění pokynů bez režimu uvažování; high uvažování zapíná a doporučuje se pro složité prompty a agentní programování. Jde o volbu režimu v rámci stejného checkpointu Medium 3.5, nikoli o jinou identitu modelu.
Pro vysokou intenzitu uvažování výrobce doporučuje teplotu 0.7 a top-p 0.95. Pro none dokumentuje teploty mezi 0.0 a 0.7 podle úlohy a ponechává top-p nenastavené nebo na 1.0. Jde o doporučení pro toto vydání. Nejprve zvolte účel výstupu: stručnou extrakci polí, změnu kódu s vysvětlením nebo srovnání vyžadující několik zdůvodněných rozhodnutí.
Praktická úloha uvažování může dodat požadavek, implementaci a vstup odhalující nesoulad. Požádejte model, aby určil relevantní cestu, vysvětlil rozpor a navrhl nejmenší změnu zachovávající veřejné rozhraní. Upravený kód požadujte odděleně od předpokladů a příkladů. Model generuje návrh; jeho kompilace, spuštění a použití vyžadují vývojové prostředí připojené k agentovi.
Nástroje, dokumenty a předvídatelné úpravy
Karta služby výrobce uvádí také strukturované výstupy, předpovězené výstupy, otázky k dokumentům, prefixy odpovědí, dávkové zpracování a konverzace agentů. Pro extrakci definujte názvy polí, typy a zacházení s chybějícími hodnotami. Režim JSON poskytuje strukturovanou reprezentaci, zatímco vlastní schéma definuje konkrétnější podobu v připojeném rozhraní. Pokud jej bude parsovat program, požadujte pouze záznam; pokud člověk potřebuje zkontrolovat výklad, požadujte samostatné vysvětlení.
Odpovídání na otázky k dokumentům spojuje text a strukturu připravené pomocí OCR s porozuměním jazykového modelu. Pro srovnání určete dokumenty a podmínku k posouzení a poté požadujte každé zjištění s jeho zdrojovým umístěním. Užitečný výstup může oddělit společné požadavky, rozpory a otevřené otázky. Přímé otázky k obrázkům se mohou zaměřit na označení grafu nebo prvek rozhraní; zachování nadpisů, jednotek a rolí obrázků pomáhá propojit odpověď s dodanými podklady.
Předpovězené výstupy jsou zdokumentovány pro úlohy, kde je velká část požadované odpovědi již známa, například opětovné generování souboru kódu nebo dokumentu s omezenými úpravami. Dodejte existující obsah a určete konkrétní změnu, přičemž zachovejte části, které mají zůstat. To se liší od požadavku na zcela nový artefakt nebo pokračování od známého prefixu odpovědi. Funkce služby popisují možnosti odesílání a formátování; nemění textový a obrazový vstup ani textový výstup modelu.
V postupu s podporou nástrojů aplikace dodává popisy funkcí a parametry, model vybere funkci a připraví argumenty a aplikace ji provede a vrátí výsledek. Výpočetní nástroj může obdržet hodnoty přečtené z dodaného obrázku, zatímco vyhledávací nástroj může poskytnout chybějící informace pro další odpověď. Výsledek nástroje udržujte propojený s operací, která jej vytvořila. Agentní uvažování se opírá o toto prostředí; samotné generování textu neprovádí externí akce.
Příprava dlouhých relací
Kontext 256 tisíc tokenů využijte pro související zdrojový kód, dokumenty a historii konverzace a skutečný cíl ponechte výslovný. Programátorská relace může zachovat modul, jeho volajícího a požadavky a současně žádat jednu definovanou změnu. Dokumentová relace může držet relevantní sekce pohromadě a vrátit krátkou tabulku nebo upravenou pasáž. Kapacita kontextu neurčuje samostatnou maximální délku odpovědi; příklad generování 1 024 tokenů v kartě je ilustrací, nikoli tímto limitem.
Výrobce uvádí, že starší vydaná konfigurace obsahovala chybu pro dlouhý kontext a že byla opravena, včetně dopadu na odvozené checkpointy. Při použití vah pro dlouhé relace zachovejte opravenou konfiguraci vydání. Hybridní režimy a architekturu se 128 miliardami parametrů Medium 3.5 nelze přiřazovat Medium 3.1 nebo samostatně pojmenovanému checkpointu draft-head jen proto, že jejich názvy sdílejí rodinu.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistralai/mistral-medium-3-5 | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.003 / 1K tokenů Výstup · Výstupní tokeny $0.015 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.003 / 1K tokenů Výstup · Výstupní tokeny $0.015 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3-5', '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-medium-3-5', '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 nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra mistralai/mistral-medium-3-5
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.