Ministral 3 8B Instruct 2512 er den mellemstore, instruktionsfinjusterede model i Mistral AI's Ministral 3-familie. Det udgivne checkpoint er eftertrænet til chat- og instruktionsopgaver i FP8-præcision. Det kombinerer en sprogkomponent med en visuel encoder, tager imod tekst og billeder og returnerer tekst frem for en billed- eller lydartefakt.
Arkitektur og centrale funktioner
Producenten angiver en sprogmodel med 8,4 milliarder parametre og en visuel encoder med 0,4 milliarder parametre. Kontekstvinduet beskrives som 256k, og de offentliggjorte brugsnoter anvender en konfigureret standardlængde på 262.144. Det beskriver denne udgave i 8B-størrelse; familiens mindre 3B- og større 14B-medlemmer bevarer deres egne komponentstørrelser og konfigurationer.
Syn udvider modellens input ud over en skriftlig samtale. Et dokumentbillede kan kombineres med et spørgsmål om et udvalgt felt, afsnit eller en synlig relation. Et skærmbillede kan kombineres med brugerens mål og en anmodning om at identificere det relevante kontrolelement. Bed om den observation, der understøtter hver konklusion, når svaret afhænger af visuelle detaljer, og bevar de overskrifter, etiketter og enheder, der kræves for at fortolke en beskæring.
Modelkortet beskriver flersproget arbejde på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Det identificerer også efterlevelse af systeminstruktioner, indbygget funktionskald og JSON-output. Definer målsprog, rolle og outputkrav udtrykkeligt frem for at lade modellen udlede den tilsigtede artefakt fra et stort input.
Dokument-, samtale- og agentopgaver
Producentens anvendelser omfatter chatgrænseflader, hverdagsassistenter, billed- og dokumentbeskrivelse, oversættelse, indholdsgenerering og specialiserede agenter. Til en dokumentassistent skal du give siden og angive, hvilke oplysninger der skal returneres. En udtrækningsanmodning kan navngive feltetiketter, forventede typer og behandlingen af manglende værdier. Et nyttigt svar kan indeholde dokumentidentifikatoren, den udtrukne værdi og en kort forklaring knyttet til den synlige kilde.
Til en løbende samtale skal du bevare det relevante tidligere svar og stille et fokuseret opfølgningsspørgsmål. En bruger kan først bede om et dokumentresumé og derefter spørge, hvilket udsagn der understøtter én konklusion. Det ændrer det krævede output fra en generel oversigt til en kildehenvisende forklaring og bevarer samtidig originalmaterialet og dialogens formål.
Til flersproget redigering skal du give originalpassagen, den tilsigtede læser og en terminologiliste. Bed om en revideret version, der bevarer navne, betingelser og enheder, efterfulgt af en kort forklaring af ændringerne, hvis det er nyttigt. Til indholdsgenerering skal du angive målgruppen og de fakta, der skal indgå, før du beder om et kort udkast eller en alternativ formulering.
I en agentopgave leverer applikationen værktøjerne og deres parametre. Modellen kan vælge en funktion og forberede argumenter, mens applikationen udfører den og returnerer resultatet. Modelkortets funktionseksempel kombinerer et billedspørgsmål med et beregningsværktøj. Hold værktøjsresultatet adskilt fra det foreslåede kald, så det efterfølgende skriftlige svar bruger de oplysninger, operationen faktisk returnerede.
Anbefalet forberedelse og indstillinger
Producenten anbefaler en systeminstruktion, der beskriver miljøet, anvendelsen og hvordan værktøjer skal bruges. Hold værktøjssættet veldefineret og begrænset til det minimum, opgaven kræver. En lille opslagsarbejdsgang kan tilbyde de funktioner, der er relevante for det aktuelle spørgsmål, med tydeligt navngivne krævede argumenter frem for at præsentere en stor samling uvedkommende operationer.
Til daglig og produktionslignende brug anbefaler modelkortet en temperatur under 0,1, mens højere temperaturer kan bruges til kreativ udforskning. Behandl det som en anbefaling til instruktionsarbejdsgangen og ikke som en særskilt styring af ræsonnementstilstand. Familien har forskellige Base-, Instruct- og Reasoning-checkpoints; denne post er Instruct 2512-udgaven og ikke den særskilte Reasoning-udgivelse i samme størrelse.
Til billeder anbefaler producenten billedformater tæt på 1:1 og at undgå meget smalle eller meget brede input. Beskær efter behov, men bevar de etiketter og den kontekst, spørgsmålet kræver. Hvis en side indeholder flere uvedkommende områder, skal du identificere den del, der skal undersøges, og resultatet, der skal returneres. Et læseligt, fokuseret billede er mere nyttigt end at bede modellen gætte, hvilken lille detalje på en stor side der betyder noget.
Kontekst og udgavegrænser
Planlæg tekst, billeder, samtale og ønsket svar omkring den konfigurerede kontekst. Brugsnoterne tillader udtrykkeligt at reducere den konfigurerede modellængde, når mindre kontekst er nødvendig, så hele vinduet er ikke en instruktion om at fylde hver anmodning med alt tilgængeligt materiale. Modelkortets genereringseksempel på 512 tokens er kun en eksempelindstilling, og de læste kilder fastlægger ikke en særskilt fast maksimal svarlængde.
FP8 Instruct-checkpointet, den fortrænede Base-udgivelse og Reasoning-udgivelsen er særskilte udgaver. Producenten beskriver også specialisering og finjustering som anvendelser. Bevar det navngivne checkpoint og dets tokenizer ved forberedelse af samtalen, og hold tekstgenerering adskilt fra adgang til kodebaser, funktionseksekvering eller andre handlinger leveret af den omgivende applikation.
", "aboutText": "Ministral 3 8B Instruct 2512 er den mellemstore, instruktionsfinjusterede model i Mistral AI's Ministral 3-familie. Det udgivne checkpoint er eftertrænet til chat- og instruktionsopgaver i FP8-præcision. Det kombinerer en sprogkomponent med en visuel encoder, tager imod tekst og billeder og returnerer tekst frem for en billed- eller lydartefakt.\n\nArkitektur og centrale funktioner\n\nProducenten angiver en sprogmodel med 8,4 milliarder parametre og en visuel encoder med 0,4 milliarder parametre. Kontekstvinduet beskrives som 256k, og de offentliggjorte brugsnoter anvender en konfigureret standardlængde på 262.144. Det beskriver denne udgave i 8B-størrelse; familiens mindre 3B- og større 14B-medlemmer bevarer deres egne komponentstørrelser og konfigurationer.\n\nSyn udvider modellens input ud over en skriftlig samtale. Et dokumentbillede kan kombineres med et spørgsmål om et udvalgt felt, afsnit eller en synlig relation. Et skærmbillede kan kombineres med brugerens mål og en anmodning om at identificere det relevante kontrolelement. Bed om den observation, der understøtter hver konklusion, når svaret afhænger af visuelle detaljer, og bevar de overskrifter, etiketter og enheder, der kræves for at fortolke en beskæring.\n\nModelkortet beskriver flersproget arbejde på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Det identificerer også efterlevelse af systeminstruktioner, indbygget funktionskald og JSON-output. Definer målsprog, rolle og outputkrav udtrykkeligt frem for at lade modellen udlede den tilsigtede artefakt fra et stort input.\n\nDokument-, samtale- og agentopgaver\n\nProducentens anvendelser omfatter chatgrænseflader, hverdagsassistenter, billed- og dokumentbeskrivelse, oversættelse, indholdsgenerering og specialiserede agenter. Til en dokumentassistent skal du give siden og angive, hvilke oplysninger der skal returneres. En udtrækningsanmodning kan navngive feltetiketter, forventede typer og behandlingen af manglende værdier. Et nyttigt svar kan indeholde dokumentidentifikatoren, den udtrukne værdi og en kort forklaring knyttet til den synlige kilde.\n\nTil en løbende samtale skal du bevare det relevante tidligere svar og stille et fokuseret opfølgningsspørgsmål. En bruger kan først bede om et dokumentresumé og derefter spørge, hvilket udsagn der understøtter én konklusion. Det ændrer det krævede output fra en generel oversigt til en kildehenvisende forklaring og bevarer samtidig originalmaterialet og dialogens formål.\n\nTil flersproget redigering skal du give originalpassagen, den tilsigtede læser og en terminologiliste. Bed om en revideret version, der bevarer navne, betingelser og enheder, efterfulgt af en kort forklaring af ændringerne, hvis det er nyttigt. Til indholdsgenerering skal du angive målgruppen og de fakta, der skal indgå, før du beder om et kort udkast eller en alternativ formulering.\n\nI en agentopgave leverer applikationen værktøjerne og deres parametre. Modellen kan vælge en funktion og forberede argumenter, mens applikationen udfører den og returnerer resultatet. Modelkortets funktionseksempel kombinerer et billedspørgsmål med et beregningsværktøj. Hold værktøjsresultatet adskilt fra det foreslåede kald, så det efterfølgende skriftlige svar bruger de oplysninger, operationen faktisk returnerede.\n\nAnbefalet forberedelse og indstillinger\n\nProducenten anbefaler en systeminstruktion, der beskriver miljøet, anvendelsen og hvordan værktøjer skal bruges. Hold værktøjssættet veldefineret og begrænset til det minimum, opgaven kræver. En lille opslagsarbejdsgang kan tilbyde de funktioner, der er relevante for det aktuelle spørgsmål, med tydeligt navngivne krævede argumenter frem for at præsentere en stor samling uvedkommende operationer.\n\nTil daglig og produktionslignende brug anbefaler modelkortet en temperatur under 0,1, mens højere temperaturer kan bruges til kreativ udforskning. Behandl det som en anbefaling til instruktionsarbejdsgangen og ikke som en særskilt styring af ræsonnementstilstand. Familien har forskellige Base-, Instruct- og Reasoning-checkpoints; denne post er Instruct 2512-udgaven og ikke den særskilte Reasoning-udgivelse i samme størrelse.\n\nTil billeder anbefaler producenten billedformater tæt på 1:1 og at undgå meget smalle eller meget brede input. Beskær efter behov, men bevar de etiketter og den kontekst, spørgsmålet kræver. Hvis en side indeholder flere uvedkommende områder, skal du identificere den del, der skal undersøges, og resultatet, der skal returneres. Et læseligt, fokuseret billede er mere nyttigt end at bede modellen gætte, hvilken lille detalje på en stor side der betyder noget.\n\nKontekst og udgavegrænser\n\nPlanlæg tekst, billeder, samtale og ønsket svar omkring den konfigurerede kontekst. Brugsnoterne tillader udtrykkeligt at reducere den konfigurerede modellængde, når mindre kontekst er nødvendig, så hele vinduet er ikke en instruktion om at fylde hver anmodning med alt tilgængeligt materiale. Modelkortets genereringseksempel på 512 tokens er kun en eksempelindstilling, og de læste kilder fastlægger ikke en særskilt fast maksimal svarlængde.\n\nFP8 Instruct-checkpointet, den fortrænede Base-udgivelse og Reasoning-udgivelsen er særskilte udgaver. Producenten beskriver også specialisering og finjustering som anvendelser. Bevar det navngivne checkpoint og dets tokenizer ved forberedelse af samtalen, og hold tekstgenerering adskilt fra adgang til kodebaser, funktionseksekvering eller andre handlinger leveret af den omgivende applikation.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3df08222cdc8b0c7c5f8f79ba6f49f20f47658905087d9046b90c1590bfdeafb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "mistralai/ministral-8b-2512:batchMinistral 3 8B Instruct 2512 er en flersproget tekst- og billedinstruktionsmodel med en sprogkomponent på 8,4 milliarder parametre og en visuel encoder på 0,4 milliarder parametre. Den understøtter en producentangivet kontekst på 256k, systeminstruktioner, JSON og indbyggede funktionskald til assistenter og dokumentarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Ministral 3 8B Instruct 2512 er den mellemstore, instruktionsfinjusterede model i Mistral AI's Ministral 3-familie. Det udgivne checkpoint er eftertrænet til chat- og instruktionsopgaver i FP8-præcision. Det kombinerer en sprogkomponent med en visuel encoder, tager imod tekst og billeder og returnerer tekst frem for en billed- eller lydartefakt.
Arkitektur og centrale funktioner
Producenten angiver en sprogmodel med 8,4 milliarder parametre og en visuel encoder med 0,4 milliarder parametre. Kontekstvinduet beskrives som 256k, og de offentliggjorte brugsnoter anvender en konfigureret standardlængde på 262.144. Det beskriver denne udgave i 8B-størrelse; familiens mindre 3B- og større 14B-medlemmer bevarer deres egne komponentstørrelser og konfigurationer.
Syn udvider modellens input ud over en skriftlig samtale. Et dokumentbillede kan kombineres med et spørgsmål om et udvalgt felt, afsnit eller en synlig relation. Et skærmbillede kan kombineres med brugerens mål og en anmodning om at identificere det relevante kontrolelement. Bed om den observation, der understøtter hver konklusion, når svaret afhænger af visuelle detaljer, og bevar de overskrifter, etiketter og enheder, der kræves for at fortolke en beskæring.
Modelkortet beskriver flersproget arbejde på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Det identificerer også efterlevelse af systeminstruktioner, indbygget funktionskald og JSON-output. Definer målsprog, rolle og outputkrav udtrykkeligt frem for at lade modellen udlede den tilsigtede artefakt fra et stort input.
Dokument-, samtale- og agentopgaver
Producentens anvendelser omfatter chatgrænseflader, hverdagsassistenter, billed- og dokumentbeskrivelse, oversættelse, indholdsgenerering og specialiserede agenter. Til en dokumentassistent skal du give siden og angive, hvilke oplysninger der skal returneres. En udtrækningsanmodning kan navngive feltetiketter, forventede typer og behandlingen af manglende værdier. Et nyttigt svar kan indeholde dokumentidentifikatoren, den udtrukne værdi og en kort forklaring knyttet til den synlige kilde.
Til en løbende samtale skal du bevare det relevante tidligere svar og stille et fokuseret opfølgningsspørgsmål. En bruger kan først bede om et dokumentresumé og derefter spørge, hvilket udsagn der understøtter én konklusion. Det ændrer det krævede output fra en generel oversigt til en kildehenvisende forklaring og bevarer samtidig originalmaterialet og dialogens formål.
Til flersproget redigering skal du give originalpassagen, den tilsigtede læser og en terminologiliste. Bed om en revideret version, der bevarer navne, betingelser og enheder, efterfulgt af en kort forklaring af ændringerne, hvis det er nyttigt. Til indholdsgenerering skal du angive målgruppen og de fakta, der skal indgå, før du beder om et kort udkast eller en alternativ formulering.
I en agentopgave leverer applikationen værktøjerne og deres parametre. Modellen kan vælge en funktion og forberede argumenter, mens applikationen udfører den og returnerer resultatet. Modelkortets funktionseksempel kombinerer et billedspørgsmål med et beregningsværktøj. Hold værktøjsresultatet adskilt fra det foreslåede kald, så det efterfølgende skriftlige svar bruger de oplysninger, operationen faktisk returnerede.
Anbefalet forberedelse og indstillinger
Producenten anbefaler en systeminstruktion, der beskriver miljøet, anvendelsen og hvordan værktøjer skal bruges. Hold værktøjssættet veldefineret og begrænset til det minimum, opgaven kræver. En lille opslagsarbejdsgang kan tilbyde de funktioner, der er relevante for det aktuelle spørgsmål, med tydeligt navngivne krævede argumenter frem for at præsentere en stor samling uvedkommende operationer.
Til daglig og produktionslignende brug anbefaler modelkortet en temperatur under 0,1, mens højere temperaturer kan bruges til kreativ udforskning. Behandl det som en anbefaling til instruktionsarbejdsgangen og ikke som en særskilt styring af ræsonnementstilstand. Familien har forskellige Base-, Instruct- og Reasoning-checkpoints; denne post er Instruct 2512-udgaven og ikke den særskilte Reasoning-udgivelse i samme størrelse.
Til billeder anbefaler producenten billedformater tæt på 1:1 og at undgå meget smalle eller meget brede input. Beskær efter behov, men bevar de etiketter og den kontekst, spørgsmålet kræver. Hvis en side indeholder flere uvedkommende områder, skal du identificere den del, der skal undersøges, og resultatet, der skal returneres. Et læseligt, fokuseret billede er mere nyttigt end at bede modellen gætte, hvilken lille detalje på en stor side der betyder noget.
Kontekst og udgavegrænser
Planlæg tekst, billeder, samtale og ønsket svar omkring den konfigurerede kontekst. Brugsnoterne tillader udtrykkeligt at reducere den konfigurerede modellængde, når mindre kontekst er nødvendig, så hele vinduet er ikke en instruktion om at fylde hver anmodning med alt tilgængeligt materiale. Modelkortets genereringseksempel på 512 tokens er kun en eksempelindstilling, og de læste kilder fastlægger ikke en særskilt fast maksimal svarlængde.
FP8 Instruct-checkpointet, den fortrænede Base-udgivelse og Reasoning-udgivelsen er særskilte udgaver. Producenten beskriver også specialisering og finjustering som anvendelser. Bevar det navngivne checkpoint og dets tokenizer ved forberedelse af samtalen, og hold tekstgenerering adskilt fra adgang til kodebaser, funktionseksekvering eller andre handlinger leveret af den omgivende applikation.
POST /v1/batchestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrævet | Værdier og grænser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/ministral-8b-2512:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltcompletion_window | Typestring | KravValgfrit | Værdier og grænser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfrit | Værdier og grænser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfrit | Værdier og grænser mistralai/ministral-8b-2512:batch, mistralai/ministral-8b-2512 | Standard— |
Feltprovider.only | Typestring[] | KravValgfrit | Værdier og grænser mistral | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfrit | Værdier og grænser false, null | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktendpoint, model, requests |
Parametermaterial_types | Kontrakttext |
Parameterrepresentation | Kontraktrequests[] direkte i anmodningen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parameterfile_material | KontraktDen kaldende part kan læse det faktiske JSONL-indhold i UTF-8 lokalt ind i requests[]. Der angives hverken purpose til upload, input_file_id eller en filreference. Hvis kundematerialet mangler eller er tomt, stoppes forberedelsen før POST. |
Parameterserialization_order | Kontraktendpoint, model, provider (hvis angivet), completion_window (hvis angivet), requests til sidst |
Parameteroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontraktAnmodningsindhold for Chat Completions med tekst i den dokumenterede inline Batch-struktur. |
Livscyklus: asynchronous
GET /v1/batches/{operation_id} · det faktiske response.id fra den oprindelige oprettelse; samme bruger/nøgle/gruppe
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00015 / 1K tokens Output · Outputtokens $0.00015 / 1K tokens Input · Cachelæsning $0.000015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00015 / 1K tokens Output · Outputtokens $0.00015 / 1K tokens Input · Cachelæsning $0.000015 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/ministral-8b-2512:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/ministral-8b-2512:batch', 'mistralai/ministral-8b-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/ministral-8b-2512:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON direkte i results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele den oprindelige status i JSON, hvert resultat/custom_id og det fulde svar- eller fejlindhold. Gem færdige results[] som JSONL uden filtrering.
Gem det oprindelige operations-ID. 503 result_pending_check har X-Should-Retry:false; send aldrig en oprindelig batch igen, hvis dens udfald er ukendt.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldig dokumenteret inline-struktur, dublerede nøgler, ugyldig elementidentitet eller konflikt med modellens konfigurerede funktioner. | Næste trinRet de angivne felter, før du sender en ny anmodning. |
Svar401 · authentication_error | BetingelseUgyldig API-nøgle. | Næste trinBrug den godkendte Ailoot-nøgle. |
Svar403 · permission_error | BetingelseBatch-gruppen er ikke tilgængelig. | Næste trinKontrollér nøglens/gruppens adgangsrettigheder. |
Svar422 · invalid_request_error | BetingelseBatch afregnes via saldoen; oprettelse via et abonnement afvises. | Næste trinBrug den godkendte gruppe med saldoafregning. |
Svar422 · price_unavailable | BetingelseDer kan ikke beregnes en pris for Batch-inputtet. | Næste trinGem svaret; brug det dokumenterede input for API-familien. |
Svar402 · billing_error | BetingelseReservationen til Batch er ikke tilgængelig. | Næste trinAfklar adgangen, før du sender en ny anmodning. |
Svar503 · price_unavailable | BetingelsePrisen for Batch-metoden eller de native satser er ikke tilgængelige. | Næste trinGem svaret; erstat ikke priserne med andre priser. |
Svar503 · api_error | BetingelseDen præcise leverandørrute er ikke tilgængelig. | Næste trinGem svaret, så ruten kan repareres. |
Svar503 · result_pending_check | BetingelseDet oprindelige resultat skal kontrolleres; X-Should-Retry:false. | Næste trinGem det oprindelige operation_id/id, og læs dets status; gentag aldrig den oprindelige POST. |
Svar404 · not_found | BetingelseOperationen til Batch-status findes ikke eller tilhører en anden identitet. | Næste trinBrug det nøjagtige oprindelige id og samme bruger/nøgle/gruppe. |
Ailoot Ultra mistralai/ministral-8b-2512:batch
Brug metodestierne vist ovenfor.