Mistral Large er Mistral AI's multimodale familie til generelle formål inden for komplekst dokumentarbejde, softwareudvikling og agentopgaver. Large 4 kombinerer instruktionsefterlevelse, ræsonnement og værktøjsbrug med indbygget visuel forståelse. Dens finkornede mixture-of-experts-arkitektur har i alt 1,05 billioner parametre og 52 milliarder aktive parametre sammen med en visuel encoder på 1,6 milliarder parametre. Large 4's kontekstvindue er på 1M tokens. Large 3 er en særskilt udgave med i alt 675 milliarder parametre, 41 milliarder aktive parametre og et kontekstvindue på 256K.
Modellen arbejder med skriftlige opgaver og visuelt materiale for at producere tekst, kode eller strukturerede resultater. I Large 4's ræsonnementsarbejdsgang returnerer en indstilling med minimal indsats svaret direkte, mens høj indsats omfatter et ræsonnementsafsnit før det endelige svar. Komplette assistentbeskeder bevarer kontinuiteten over opfølgende samtaleture. Struktureret output kan bruge JSON eller et brugerdefineret skema, og applikationen kan give et præfiks til en kontrolleret indledning af svaret.
Funktionskald forbinder en analytisk opgave med eksterne oplysninger og handlinger. Giv funktionsbeskrivelserne, inputfelterne og brugerens mål. Modellen vælger en funktion og forbereder argumenter; applikationen udfører den, returnerer resultatet og fortsætter samtalen. Arbejdsgangen kan omfatte successive kald eller flere parallelle kald. Besvarelse af dokumentspørgsmål kombinerer dokumentudtrækning med sprogforståelse, mens batchbehandling håndterer samlinger af anmodninger asynkront. Værktøjernes tilgængelighed og eksekvering leveres af applikationen omkring modellen.
Large 4's kompetenceområder begynder med sikkerhedsanalyse: producenten beskriver indledende vurdering af malware, prioritering af sårbarheder og forberedelse af detektionsregler til defensivt arbejde. Ved agentbaseret kodning er fokus på forståelse af kodebaser, softwareændringer og komplekse terminalarbejdsgange. En nyttig kodeopgave identificerer den berørte adfærd, de involverede filer og afhængigheder samt de kontroller, der vil fastslå et korrekt resultat.
Til generelle agentarbejdsgange kan modellen indsamle materiale, bruge tilsluttede værktøjer og samle leverancer såsom dokumenter, regneark og diasindhold. Dens multimodale arbejde dækker diagrammer, komplekse sider, naturlige scener og tekniske tegninger. Visuel forankring forbinder et spørgsmål med et objekt eller område; en teknisk opgave kan undersøge den givne tegning, sammenligne synlige dele og returnere en forklaring knyttet til bevismaterialet. Ved dokumentanalyse skal du bede om den konkrete side, tabel eller passage, der understøtter hver konklusion.
Videnskabelige og matematiske anvendelser omfatter dataanalyse, modellering, simuleringskode og omfattende opgaver i anvendt matematik. Vidensarbejde omfatter redigering af dokumenter og regneark og sammenligning af oplysninger fra flere kilder. En opgave via Ailoot API kan angive en redigerbar rapportdisposition, et struktureret sæt fund eller kode, som applikationen skal udføre og verificere. Det er forskellige output: en forklaring besvarer et spørgsmål, et struktureret resultat sender data videre, og en værktøjsassisteret arbejdsgang bruger applikationen til at oprette eller opdatere den endelige artefakt.
Large 4's træning omfatter flersproget materiale på mere end 160 sprog, herunder alle officielle sprog i Den Europæiske Union. Eftertræningen kombinerer superviseret finjustering med forstærkningslæring inden for ræsonnement, videnskabeligt arbejde, værktøjsbrug, faktuel korrekthed og sikkerhedstilpasning. Sikkerhedsarbejdet omhandler indirekte promptinjektion og ondsindede cybersikkerhedsanmodninger. Familievalget forbliver en opdateret modellinje: de numeriske arkitekturer, kontekstvinduer og den ræsonnementsadfærd, der er beskrevet ovenfor, tilhører de udtrykkeligt navngivne udgaver, som holdes adskilt ved valg af en fast version.
", "aboutText": "Mistral Large er Mistral AI's multimodale familie til generelle formål inden for komplekst dokumentarbejde, softwareudvikling og agentopgaver. Large 4 kombinerer instruktionsefterlevelse, ræsonnement og værktøjsbrug med indbygget visuel forståelse. Dens finkornede mixture-of-experts-arkitektur har i alt 1,05 billioner parametre og 52 milliarder aktive parametre sammen med en visuel encoder på 1,6 milliarder parametre. Large 4's kontekstvindue er på 1M tokens. Large 3 er en særskilt udgave med i alt 675 milliarder parametre, 41 milliarder aktive parametre og et kontekstvindue på 256K.\n\nModellen arbejder med skriftlige opgaver og visuelt materiale for at producere tekst, kode eller strukturerede resultater. I Large 4's ræsonnementsarbejdsgang returnerer en indstilling med minimal indsats svaret direkte, mens høj indsats omfatter et ræsonnementsafsnit før det endelige svar. Komplette assistentbeskeder bevarer kontinuiteten over opfølgende samtaleture. Struktureret output kan bruge JSON eller et brugerdefineret skema, og applikationen kan give et præfiks til en kontrolleret indledning af svaret.\n\nFunktionskald forbinder en analytisk opgave med eksterne oplysninger og handlinger. Giv funktionsbeskrivelserne, inputfelterne og brugerens mål. Modellen vælger en funktion og forbereder argumenter; applikationen udfører den, returnerer resultatet og fortsætter samtalen. Arbejdsgangen kan omfatte successive kald eller flere parallelle kald. Besvarelse af dokumentspørgsmål kombinerer dokumentudtrækning med sprogforståelse, mens batchbehandling håndterer samlinger af anmodninger asynkront. Værktøjernes tilgængelighed og eksekvering leveres af applikationen omkring modellen.\n\nLarge 4's kompetenceområder begynder med sikkerhedsanalyse: producenten beskriver indledende vurdering af malware, prioritering af sårbarheder og forberedelse af detektionsregler til defensivt arbejde. Ved agentbaseret kodning er fokus på forståelse af kodebaser, softwareændringer og komplekse terminalarbejdsgange. En nyttig kodeopgave identificerer den berørte adfærd, de involverede filer og afhængigheder samt de kontroller, der vil fastslå et korrekt resultat.\n\nTil generelle agentarbejdsgange kan modellen indsamle materiale, bruge tilsluttede værktøjer og samle leverancer såsom dokumenter, regneark og diasindhold. Dens multimodale arbejde dækker diagrammer, komplekse sider, naturlige scener og tekniske tegninger. Visuel forankring forbinder et spørgsmål med et objekt eller område; en teknisk opgave kan undersøge den givne tegning, sammenligne synlige dele og returnere en forklaring knyttet til bevismaterialet. Ved dokumentanalyse skal du bede om den konkrete side, tabel eller passage, der understøtter hver konklusion.\n\nVidenskabelige og matematiske anvendelser omfatter dataanalyse, modellering, simuleringskode og omfattende opgaver i anvendt matematik. Vidensarbejde omfatter redigering af dokumenter og regneark og sammenligning af oplysninger fra flere kilder. En opgave via Ailoot API kan angive en redigerbar rapportdisposition, et struktureret sæt fund eller kode, som applikationen skal udføre og verificere. Det er forskellige output: en forklaring besvarer et spørgsmål, et struktureret resultat sender data videre, og en værktøjsassisteret arbejdsgang bruger applikationen til at oprette eller opdatere den endelige artefakt.\n\nLarge 4's træning omfatter flersproget materiale på mere end 160 sprog, herunder alle officielle sprog i Den Europæiske Union. Eftertræningen kombinerer superviseret finjustering med forstærkningslæring inden for ræsonnement, videnskabeligt arbejde, værktøjsbrug, faktuel korrekthed og sikkerhedstilpasning. Sikkerhedsarbejdet omhandler indirekte promptinjektion og ondsindede cybersikkerhedsanmodninger. Familievalget forbliver en opdateret modellinje: de numeriske arkitekturer, kontekstvinduer og den ræsonnementsadfærd, der er beskrevet ovenfor, tilhører de udtrykkeligt navngivne udgaver, som holdes adskilt ved valg af en fast version.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Find a report inconsistency\n\nReview these report sections. [Summary] The pilot covered 120 orders and had 6 returns. [Table] Delivered: 114; returned: 6; cancelled before dispatch: 5. Identify which totals can be reconciled and which scope is unclear. Draft a correction question for the report author, retaining section labels and avoiding an invented denominator.A source-linked finding table and a precise question about the order population and cancellations.Ensure the five cancellations are not silently added to or removed from the stated 120-order pilot.mistral-large-latestMistral AI's Large-familie kombinerer dokument- og billedforståelse med ræsonnement, kodning og værktøjsbaserede arbejdsgange. De offentliggjorte Large-udgaver understøtter strukturerede svar og arbejde med lang kontekst, mens arkitektur og kontekststørrelser er knyttet til hver navngiven version.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Large er Mistral AI's multimodale familie til generelle formål inden for komplekst dokumentarbejde, softwareudvikling og agentopgaver. Large 4 kombinerer instruktionsefterlevelse, ræsonnement og værktøjsbrug med indbygget visuel forståelse. Dens finkornede mixture-of-experts-arkitektur har i alt 1,05 billioner parametre og 52 milliarder aktive parametre sammen med en visuel encoder på 1,6 milliarder parametre. Large 4's kontekstvindue er på 1M tokens. Large 3 er en særskilt udgave med i alt 675 milliarder parametre, 41 milliarder aktive parametre og et kontekstvindue på 256K.
Modellen arbejder med skriftlige opgaver og visuelt materiale for at producere tekst, kode eller strukturerede resultater. I Large 4's ræsonnementsarbejdsgang returnerer en indstilling med minimal indsats svaret direkte, mens høj indsats omfatter et ræsonnementsafsnit før det endelige svar. Komplette assistentbeskeder bevarer kontinuiteten over opfølgende samtaleture. Struktureret output kan bruge JSON eller et brugerdefineret skema, og applikationen kan give et præfiks til en kontrolleret indledning af svaret.
Funktionskald forbinder en analytisk opgave med eksterne oplysninger og handlinger. Giv funktionsbeskrivelserne, inputfelterne og brugerens mål. Modellen vælger en funktion og forbereder argumenter; applikationen udfører den, returnerer resultatet og fortsætter samtalen. Arbejdsgangen kan omfatte successive kald eller flere parallelle kald. Besvarelse af dokumentspørgsmål kombinerer dokumentudtrækning med sprogforståelse, mens batchbehandling håndterer samlinger af anmodninger asynkront. Værktøjernes tilgængelighed og eksekvering leveres af applikationen omkring modellen.
Large 4's kompetenceområder begynder med sikkerhedsanalyse: producenten beskriver indledende vurdering af malware, prioritering af sårbarheder og forberedelse af detektionsregler til defensivt arbejde. Ved agentbaseret kodning er fokus på forståelse af kodebaser, softwareændringer og komplekse terminalarbejdsgange. En nyttig kodeopgave identificerer den berørte adfærd, de involverede filer og afhængigheder samt de kontroller, der vil fastslå et korrekt resultat.
Til generelle agentarbejdsgange kan modellen indsamle materiale, bruge tilsluttede værktøjer og samle leverancer såsom dokumenter, regneark og diasindhold. Dens multimodale arbejde dækker diagrammer, komplekse sider, naturlige scener og tekniske tegninger. Visuel forankring forbinder et spørgsmål med et objekt eller område; en teknisk opgave kan undersøge den givne tegning, sammenligne synlige dele og returnere en forklaring knyttet til bevismaterialet. Ved dokumentanalyse skal du bede om den konkrete side, tabel eller passage, der understøtter hver konklusion.
Videnskabelige og matematiske anvendelser omfatter dataanalyse, modellering, simuleringskode og omfattende opgaver i anvendt matematik. Vidensarbejde omfatter redigering af dokumenter og regneark og sammenligning af oplysninger fra flere kilder. En opgave via Ailoot API kan angive en redigerbar rapportdisposition, et struktureret sæt fund eller kode, som applikationen skal udføre og verificere. Det er forskellige output: en forklaring besvarer et spørgsmål, et struktureret resultat sender data videre, og en værktøjsassisteret arbejdsgang bruger applikationen til at oprette eller opdatere den endelige artefakt.
Large 4's træning omfatter flersproget materiale på mere end 160 sprog, herunder alle officielle sprog i Den Europæiske Union. Eftertræningen kombinerer superviseret finjustering med forstærkningslæring inden for ræsonnement, videnskabeligt arbejde, værktøjsbrug, faktuel korrekthed og sikkerhedstilpasning. Sikkerhedsarbejdet omhandler indirekte promptinjektion og ondsindede cybersikkerhedsanmodninger. Familievalget forbliver en opdateret modellinje: de numeriske arkitekturer, kontekstvinduer og den ræsonnementsadfærd, der er beskrevet ovenfor, tilhører de udtrykkeligt navngivne udgaver, som holdes adskilt ved valg af en fast version.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistral-large-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0044 / 1K tokens Output · Outputtokens $0.0132 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-large-latest", "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='mistral-large-latest',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='mistral-large-latest',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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra mistral-large-latest
Brug metodestierne vist ovenfor.
mistral-large-latestMistral AI's Large-familie kombinerer dokument- og billedforståelse med ræsonnement, kodning og værktøjsbaserede arbejdsgange. De offentliggjorte Large-udgaver understøtter strukturerede svar og arbejde med lang kontekst, mens arkitektur og kontekststørrelser er knyttet til hver navngiven version.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Large er Mistral AI's multimodale familie til generelle formål inden for komplekst dokumentarbejde, softwareudvikling og agentopgaver. Large 4 kombinerer instruktionsefterlevelse, ræsonnement og værktøjsbrug med indbygget visuel forståelse. Dens finkornede mixture-of-experts-arkitektur har i alt 1,05 billioner parametre og 52 milliarder aktive parametre sammen med en visuel encoder på 1,6 milliarder parametre. Large 4's kontekstvindue er på 1M tokens. Large 3 er en særskilt udgave med i alt 675 milliarder parametre, 41 milliarder aktive parametre og et kontekstvindue på 256K.
Modellen arbejder med skriftlige opgaver og visuelt materiale for at producere tekst, kode eller strukturerede resultater. I Large 4's ræsonnementsarbejdsgang returnerer en indstilling med minimal indsats svaret direkte, mens høj indsats omfatter et ræsonnementsafsnit før det endelige svar. Komplette assistentbeskeder bevarer kontinuiteten over opfølgende samtaleture. Struktureret output kan bruge JSON eller et brugerdefineret skema, og applikationen kan give et præfiks til en kontrolleret indledning af svaret.
Funktionskald forbinder en analytisk opgave med eksterne oplysninger og handlinger. Giv funktionsbeskrivelserne, inputfelterne og brugerens mål. Modellen vælger en funktion og forbereder argumenter; applikationen udfører den, returnerer resultatet og fortsætter samtalen. Arbejdsgangen kan omfatte successive kald eller flere parallelle kald. Besvarelse af dokumentspørgsmål kombinerer dokumentudtrækning med sprogforståelse, mens batchbehandling håndterer samlinger af anmodninger asynkront. Værktøjernes tilgængelighed og eksekvering leveres af applikationen omkring modellen.
Large 4's kompetenceområder begynder med sikkerhedsanalyse: producenten beskriver indledende vurdering af malware, prioritering af sårbarheder og forberedelse af detektionsregler til defensivt arbejde. Ved agentbaseret kodning er fokus på forståelse af kodebaser, softwareændringer og komplekse terminalarbejdsgange. En nyttig kodeopgave identificerer den berørte adfærd, de involverede filer og afhængigheder samt de kontroller, der vil fastslå et korrekt resultat.
Til generelle agentarbejdsgange kan modellen indsamle materiale, bruge tilsluttede værktøjer og samle leverancer såsom dokumenter, regneark og diasindhold. Dens multimodale arbejde dækker diagrammer, komplekse sider, naturlige scener og tekniske tegninger. Visuel forankring forbinder et spørgsmål med et objekt eller område; en teknisk opgave kan undersøge den givne tegning, sammenligne synlige dele og returnere en forklaring knyttet til bevismaterialet. Ved dokumentanalyse skal du bede om den konkrete side, tabel eller passage, der understøtter hver konklusion.
Videnskabelige og matematiske anvendelser omfatter dataanalyse, modellering, simuleringskode og omfattende opgaver i anvendt matematik. Vidensarbejde omfatter redigering af dokumenter og regneark og sammenligning af oplysninger fra flere kilder. En opgave via Ailoot API kan angive en redigerbar rapportdisposition, et struktureret sæt fund eller kode, som applikationen skal udføre og verificere. Det er forskellige output: en forklaring besvarer et spørgsmål, et struktureret resultat sender data videre, og en værktøjsassisteret arbejdsgang bruger applikationen til at oprette eller opdatere den endelige artefakt.
Large 4's træning omfatter flersproget materiale på mere end 160 sprog, herunder alle officielle sprog i Den Europæiske Union. Eftertræningen kombinerer superviseret finjustering med forstærkningslæring inden for ræsonnement, videnskabeligt arbejde, værktøjsbrug, faktuel korrekthed og sikkerhedstilpasning. Sikkerhedsarbejdet omhandler indirekte promptinjektion og ondsindede cybersikkerhedsanmodninger. Familievalget forbliver en opdateret modellinje: de numeriske arkitekturer, kontekstvinduer og den ræsonnementsadfærd, der er beskrevet ovenfor, tilhører de udtrykkeligt navngivne udgaver, som holdes adskilt ved valg af en fast version.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistral-large-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0044 / 1K tokens Output · Outputtokens $0.0132 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistral-large-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-large-latest', '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': 'mistral-large-latest', '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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra mistral-large-latest
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Find a report inconsistency\n\nReview these report sections. [Summary] The pilot covered 120 orders and had 6 returns. [Table] Delivered: 114; returned: 6; cancelled before dispatch: 5. Identify which totals can be reconciled and which scope is unclear. Draft a correction question for the report author, retaining section labels and avoiding an invented denominator.A source-linked finding table and a precise question about the order population and cancellations.Ensure the five cancellations are not silently added to or removed from the stated 120-order pilot.