Mistral Large 3 2512 er den instruktionsfinjusterede Mistral AI-udgave til generel samtale, visuel forståelse og virksomhedsarbejde. Dens sparsomme mixture-of-experts-arkitektur har i alt 675 milliarder parametre, hvoraf 41 milliarder er aktive, og et kontekstvindue på 256k. Tekst og billeder kan bidrage til samme opgave, mens svaret er tekst, kode eller et struktureret resultat.
Funktioner og inputforberedelse
Modellen kombinerer en sprogkomponent med en visuel encoder. Giv et billede en klar rolle: en side, der skal læses, et diagram, der skal fortolkes, eller en skærm, der skal forklares. Til en tæt pakket skærm skal du levere en beskæring med de relevante kontrolelementer og bevare de omgivende etiketter, der kræves for at forstå dem. Mistral anbefaler billedformer tæt på kvadratiske; opdel en usædvanligt smal eller bred kilde i nyttige områder i stedet for at formindske vigtige detaljer til en ulæselig stribe.
Producenten angiver flersproget samtale på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Angiv outputsproget, den tilsigtede læser og terminologien, der skal bevares. Til en supportartikel skal du bede om en lokaliseret forklaring med uændrede produktnavne og en kort liste over usikre oversættelser, der skal afklares før udgivelse.
Lange dokumenter og virksomhedsviden
Brug konteksten til at samle relateret materiale: politiktekst, en specifikation, eksisterende beslutninger og det spørgsmål, der kræver et svar. Mærk hver kilde og dens revision. En nyttig anmodning er: “Sammenlign disse tre onboardingpolitikker. Returner en tabel over fælles krav, konflikter og ubesvarede spørgsmål med kildeafsnittet for hvert fund.” Den resulterende artefakt er en sammenligning forankret i de givne passager frem for et generisk resumé af emnet.
Til et dokumentspørgsmål skal du identificere det ønskede detaljeniveau og bede om den understøttende passage ved siden af konklusionen. Mistrals Document QnA-arbejdsgang udtrækker først tekst og dokumentstruktur med OCR og bruger derefter en sprogmodel til at fortolke materialet. Bevar sidetal og overskrifter ved klargøring af udtrukket tekst, så svaret kan pege tilbage på originalen. En dokument-URL, udtrukket tekst og billedbaseret bevismateriale har forskellige forberedelseskrav; vælg den inputform, applikationen understøtter.
Kodning og daglig assistance
Mistral retter Large 3 mod kodeassistance såvel som daglig samtale. Lever de relevante funktioner, forventet adfærd og den observerede fejl. For eksempel: “Denne parser taber det sidste felt, når inputtet slutter uden et linjeskift. Forklar den fejlende gren, foreslå den mindste ændring, og returner den korrigerede funktion med tre repræsentative input-/outputeksempler.” Det nyttige resultat er en foreslået ændring knyttet til den faktiske kode og et sæt tilfælde, udvikleren kan køre.
Til et forretningsudkast skal du give fakta og den ønskede artefakt sammen. En anmodning om at omsætte mødenoter til et beslutningsnotat bør navngive beslutningen, alternativerne, uafklarede antagelser og næste handling. Bed modellen holde kildefakta adskilt fra anbefalinger og markere manglende oplysninger i det relevante afsnit. Det gør outputtet lettere at revidere end en uopdelt fortælling.
Værktøjer og strukturerede resultater
Indbygget funktionskald lader modellen vælge en angivet funktion og forberede dens argumenter. Applikationen kører funktionen og returnerer resultatet; modellen bruger derefter de returnerede oplysninger i svaret. Hold værktøjerne specifikke, og stil kun dem til rådighed, som opgaven kræver. En lagerassistent kan modtage en produktreference, anmode om et lageropslag og forklare den returnerede mængde og lagerlokation. Valider den valgte funktion og argumenterne før eksekvering af anmodningen, og bevar værktøjssvaret sammen med det endelige svar.
Til udtrækning skal du angive felter, typer og behandlingen af manglende værdier. Mistral dokumenterer JSON-tilstand og brugerdefineret struktureret output; JSON-tilstanden kræver en udtrykkelig instruktion om at returnere JSON, mens et brugerdefineret skema giver stærkere formatstyring. En fakturaoversigt kan bede om leverandør, fakturanummer, forfaldsdato, valuta og linjeposter med en konsekvent repræsentation af manglende værdier. Kontroller de udtrukne værdier mod dokumentet, selv når svaret matcher den ønskede struktur.
Indstillinger og udgaveforskelle
Definer rollen, opgaven og værktøjsreglerne i systeminstruktionerne. Mistral anbefaler en temperatur under 0,1 til produktion og daglig brug af dette checkpoint, mens højere værdier kan afprøves til kreative opgaver. Adskil en anmodning om varierede ideer fra en anmodning om reproducerbar udtrækning: giv den første plads til alternativer og den anden udtrykkelige felter og kildebegrænsninger.
Denne instruktionsudgave er adskilt fra Large 3-basischeckpointet og fra dedikerede ræsonnementsmodeller. Producenten identificerer stringent ræsonnement og specialiseret visuelt arbejde som områder, hvor en model udviklet specifikt til disse opgaver kan være at foretrække. Til en vanskelig beregning skal du give antagelser og enheder, bede om mellemkontroller og bruge et tilgængeligt beregningsværktøj til at verificere resultatet. Til tæt visuelt bevismateriale skal du klargøre læsbare områder og sammenligne svaret med kilden, før du bruger det i en rapport.
", "aboutText": "Mistral Large 3 2512 er den instruktionsfinjusterede Mistral AI-udgave til generel samtale, visuel forståelse og virksomhedsarbejde. Dens sparsomme mixture-of-experts-arkitektur har i alt 675 milliarder parametre, hvoraf 41 milliarder er aktive, og et kontekstvindue på 256k. Tekst og billeder kan bidrage til samme opgave, mens svaret er tekst, kode eller et struktureret resultat.\n\nFunktioner og inputforberedelse\n\nModellen kombinerer en sprogkomponent med en visuel encoder. Giv et billede en klar rolle: en side, der skal læses, et diagram, der skal fortolkes, eller en skærm, der skal forklares. Til en tæt pakket skærm skal du levere en beskæring med de relevante kontrolelementer og bevare de omgivende etiketter, der kræves for at forstå dem. Mistral anbefaler billedformer tæt på kvadratiske; opdel en usædvanligt smal eller bred kilde i nyttige områder i stedet for at formindske vigtige detaljer til en ulæselig stribe.\n\nProducenten angiver flersproget samtale på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Angiv outputsproget, den tilsigtede læser og terminologien, der skal bevares. Til en supportartikel skal du bede om en lokaliseret forklaring med uændrede produktnavne og en kort liste over usikre oversættelser, der skal afklares før udgivelse.\n\nLange dokumenter og virksomhedsviden\n\nBrug konteksten til at samle relateret materiale: politiktekst, en specifikation, eksisterende beslutninger og det spørgsmål, der kræver et svar. Mærk hver kilde og dens revision. En nyttig anmodning er: “Sammenlign disse tre onboardingpolitikker. Returner en tabel over fælles krav, konflikter og ubesvarede spørgsmål med kildeafsnittet for hvert fund.” Den resulterende artefakt er en sammenligning forankret i de givne passager frem for et generisk resumé af emnet.\n\nTil et dokumentspørgsmål skal du identificere det ønskede detaljeniveau og bede om den understøttende passage ved siden af konklusionen. Mistrals Document QnA-arbejdsgang udtrækker først tekst og dokumentstruktur med OCR og bruger derefter en sprogmodel til at fortolke materialet. Bevar sidetal og overskrifter ved klargøring af udtrukket tekst, så svaret kan pege tilbage på originalen. En dokument-URL, udtrukket tekst og billedbaseret bevismateriale har forskellige forberedelseskrav; vælg den inputform, applikationen understøtter.\n\nKodning og daglig assistance\n\nMistral retter Large 3 mod kodeassistance såvel som daglig samtale. Lever de relevante funktioner, forventet adfærd og den observerede fejl. For eksempel: “Denne parser taber det sidste felt, når inputtet slutter uden et linjeskift. Forklar den fejlende gren, foreslå den mindste ændring, og returner den korrigerede funktion med tre repræsentative input-/outputeksempler.” Det nyttige resultat er en foreslået ændring knyttet til den faktiske kode og et sæt tilfælde, udvikleren kan køre.\n\nTil et forretningsudkast skal du give fakta og den ønskede artefakt sammen. En anmodning om at omsætte mødenoter til et beslutningsnotat bør navngive beslutningen, alternativerne, uafklarede antagelser og næste handling. Bed modellen holde kildefakta adskilt fra anbefalinger og markere manglende oplysninger i det relevante afsnit. Det gør outputtet lettere at revidere end en uopdelt fortælling.\n\nVærktøjer og strukturerede resultater\n\nIndbygget funktionskald lader modellen vælge en angivet funktion og forberede dens argumenter. Applikationen kører funktionen og returnerer resultatet; modellen bruger derefter de returnerede oplysninger i svaret. Hold værktøjerne specifikke, og stil kun dem til rådighed, som opgaven kræver. En lagerassistent kan modtage en produktreference, anmode om et lageropslag og forklare den returnerede mængde og lagerlokation. Valider den valgte funktion og argumenterne før eksekvering af anmodningen, og bevar værktøjssvaret sammen med det endelige svar.\n\nTil udtrækning skal du angive felter, typer og behandlingen af manglende værdier. Mistral dokumenterer JSON-tilstand og brugerdefineret struktureret output; JSON-tilstanden kræver en udtrykkelig instruktion om at returnere JSON, mens et brugerdefineret skema giver stærkere formatstyring. En fakturaoversigt kan bede om leverandør, fakturanummer, forfaldsdato, valuta og linjeposter med en konsekvent repræsentation af manglende værdier. Kontroller de udtrukne værdier mod dokumentet, selv når svaret matcher den ønskede struktur.\n\nIndstillinger og udgaveforskelle\n\nDefiner rollen, opgaven og værktøjsreglerne i systeminstruktionerne. Mistral anbefaler en temperatur under 0,1 til produktion og daglig brug af dette checkpoint, mens højere værdier kan afprøves til kreative opgaver. Adskil en anmodning om varierede ideer fra en anmodning om reproducerbar udtrækning: giv den første plads til alternativer og den anden udtrykkelige felter og kildebegrænsninger.\n\nDenne instruktionsudgave er adskilt fra Large 3-basischeckpointet og fra dedikerede ræsonnementsmodeller. Producenten identificerer stringent ræsonnement og specialiseret visuelt arbejde som områder, hvor en model udviklet specifikt til disse opgaver kan være at foretrække. Til en vanskelig beregning skal du give antagelser og enheder, bede om mellemkontroller og bruge et tilgængeligt beregningsværktøj til at verificere resultatet. Til tæt visuelt bevismateriale skal du klargøre læsbare områder og sammenligne svaret med kilden, før du bruger det i en rapport.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512 er en flersproget tekst- og billedmodel til lange dokumenter, virksomhedsviden, kodning og værktøjsassisteret arbejde. Dens kontekst på 256k, indbyggede funktionskald og strukturerede output hjælper med at omsætte givet bevismateriale til svar, poster og foreslåede handlinger.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Large 3 2512 er den instruktionsfinjusterede Mistral AI-udgave til generel samtale, visuel forståelse og virksomhedsarbejde. Dens sparsomme mixture-of-experts-arkitektur har i alt 675 milliarder parametre, hvoraf 41 milliarder er aktive, og et kontekstvindue på 256k. Tekst og billeder kan bidrage til samme opgave, mens svaret er tekst, kode eller et struktureret resultat.
Funktioner og inputforberedelse
Modellen kombinerer en sprogkomponent med en visuel encoder. Giv et billede en klar rolle: en side, der skal læses, et diagram, der skal fortolkes, eller en skærm, der skal forklares. Til en tæt pakket skærm skal du levere en beskæring med de relevante kontrolelementer og bevare de omgivende etiketter, der kræves for at forstå dem. Mistral anbefaler billedformer tæt på kvadratiske; opdel en usædvanligt smal eller bred kilde i nyttige områder i stedet for at formindske vigtige detaljer til en ulæselig stribe.
Producenten angiver flersproget samtale på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Angiv outputsproget, den tilsigtede læser og terminologien, der skal bevares. Til en supportartikel skal du bede om en lokaliseret forklaring med uændrede produktnavne og en kort liste over usikre oversættelser, der skal afklares før udgivelse.
Lange dokumenter og virksomhedsviden
Brug konteksten til at samle relateret materiale: politiktekst, en specifikation, eksisterende beslutninger og det spørgsmål, der kræver et svar. Mærk hver kilde og dens revision. En nyttig anmodning er: “Sammenlign disse tre onboardingpolitikker. Returner en tabel over fælles krav, konflikter og ubesvarede spørgsmål med kildeafsnittet for hvert fund.” Den resulterende artefakt er en sammenligning forankret i de givne passager frem for et generisk resumé af emnet.
Til et dokumentspørgsmål skal du identificere det ønskede detaljeniveau og bede om den understøttende passage ved siden af konklusionen. Mistrals Document QnA-arbejdsgang udtrækker først tekst og dokumentstruktur med OCR og bruger derefter en sprogmodel til at fortolke materialet. Bevar sidetal og overskrifter ved klargøring af udtrukket tekst, så svaret kan pege tilbage på originalen. En dokument-URL, udtrukket tekst og billedbaseret bevismateriale har forskellige forberedelseskrav; vælg den inputform, applikationen understøtter.
Kodning og daglig assistance
Mistral retter Large 3 mod kodeassistance såvel som daglig samtale. Lever de relevante funktioner, forventet adfærd og den observerede fejl. For eksempel: “Denne parser taber det sidste felt, når inputtet slutter uden et linjeskift. Forklar den fejlende gren, foreslå den mindste ændring, og returner den korrigerede funktion med tre repræsentative input-/outputeksempler.” Det nyttige resultat er en foreslået ændring knyttet til den faktiske kode og et sæt tilfælde, udvikleren kan køre.
Til et forretningsudkast skal du give fakta og den ønskede artefakt sammen. En anmodning om at omsætte mødenoter til et beslutningsnotat bør navngive beslutningen, alternativerne, uafklarede antagelser og næste handling. Bed modellen holde kildefakta adskilt fra anbefalinger og markere manglende oplysninger i det relevante afsnit. Det gør outputtet lettere at revidere end en uopdelt fortælling.
Værktøjer og strukturerede resultater
Indbygget funktionskald lader modellen vælge en angivet funktion og forberede dens argumenter. Applikationen kører funktionen og returnerer resultatet; modellen bruger derefter de returnerede oplysninger i svaret. Hold værktøjerne specifikke, og stil kun dem til rådighed, som opgaven kræver. En lagerassistent kan modtage en produktreference, anmode om et lageropslag og forklare den returnerede mængde og lagerlokation. Valider den valgte funktion og argumenterne før eksekvering af anmodningen, og bevar værktøjssvaret sammen med det endelige svar.
Til udtrækning skal du angive felter, typer og behandlingen af manglende værdier. Mistral dokumenterer JSON-tilstand og brugerdefineret struktureret output; JSON-tilstanden kræver en udtrykkelig instruktion om at returnere JSON, mens et brugerdefineret skema giver stærkere formatstyring. En fakturaoversigt kan bede om leverandør, fakturanummer, forfaldsdato, valuta og linjeposter med en konsekvent repræsentation af manglende værdier. Kontroller de udtrukne værdier mod dokumentet, selv når svaret matcher den ønskede struktur.
Indstillinger og udgaveforskelle
Definer rollen, opgaven og værktøjsreglerne i systeminstruktionerne. Mistral anbefaler en temperatur under 0,1 til produktion og daglig brug af dette checkpoint, mens højere værdier kan afprøves til kreative opgaver. Adskil en anmodning om varierede ideer fra en anmodning om reproducerbar udtrækning: giv den første plads til alternativer og den anden udtrykkelige felter og kildebegrænsninger.
Denne instruktionsudgave er adskilt fra Large 3-basischeckpointet og fra dedikerede ræsonnementsmodeller. Producenten identificerer stringent ræsonnement og specialiseret visuelt arbejde som områder, hvor en model udviklet specifikt til disse opgaver kan være at foretrække. Til en vanskelig beregning skal du give antagelser og enheder, bede om mellemkontroller og bruge et tilgængeligt beregningsværktøj til at verificere resultatet. Til tæt visuelt bevismateriale skal du klargøre læsbare områder og sammenligne svaret med kilden, før du bruger det i en rapport.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-large-2512 | 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.
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 $0.0022 / 1K tokens Output · Outputtokens $0.0066 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning $0 / 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 $0.0022 / 1K tokens Output · Outputtokens $0.0066 / 1K tokens Input · Cachelæsning $0.0001 / 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": "mistralai/mistral-large-2512", "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-large-2512',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-large-2512',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 mistralai/mistral-large-2512
Brug metodestierne vist ovenfor.
mistralai/mistral-large-2512Mistral Large 3 2512 er en flersproget tekst- og billedmodel til lange dokumenter, virksomhedsviden, kodning og værktøjsassisteret arbejde. Dens kontekst på 256k, indbyggede funktionskald og strukturerede output hjælper med at omsætte givet bevismateriale til svar, poster og foreslåede handlinger.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Large 3 2512 er den instruktionsfinjusterede Mistral AI-udgave til generel samtale, visuel forståelse og virksomhedsarbejde. Dens sparsomme mixture-of-experts-arkitektur har i alt 675 milliarder parametre, hvoraf 41 milliarder er aktive, og et kontekstvindue på 256k. Tekst og billeder kan bidrage til samme opgave, mens svaret er tekst, kode eller et struktureret resultat.
Funktioner og inputforberedelse
Modellen kombinerer en sprogkomponent med en visuel encoder. Giv et billede en klar rolle: en side, der skal læses, et diagram, der skal fortolkes, eller en skærm, der skal forklares. Til en tæt pakket skærm skal du levere en beskæring med de relevante kontrolelementer og bevare de omgivende etiketter, der kræves for at forstå dem. Mistral anbefaler billedformer tæt på kvadratiske; opdel en usædvanligt smal eller bred kilde i nyttige områder i stedet for at formindske vigtige detaljer til en ulæselig stribe.
Producenten angiver flersproget samtale på snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Angiv outputsproget, den tilsigtede læser og terminologien, der skal bevares. Til en supportartikel skal du bede om en lokaliseret forklaring med uændrede produktnavne og en kort liste over usikre oversættelser, der skal afklares før udgivelse.
Lange dokumenter og virksomhedsviden
Brug konteksten til at samle relateret materiale: politiktekst, en specifikation, eksisterende beslutninger og det spørgsmål, der kræver et svar. Mærk hver kilde og dens revision. En nyttig anmodning er: “Sammenlign disse tre onboardingpolitikker. Returner en tabel over fælles krav, konflikter og ubesvarede spørgsmål med kildeafsnittet for hvert fund.” Den resulterende artefakt er en sammenligning forankret i de givne passager frem for et generisk resumé af emnet.
Til et dokumentspørgsmål skal du identificere det ønskede detaljeniveau og bede om den understøttende passage ved siden af konklusionen. Mistrals Document QnA-arbejdsgang udtrækker først tekst og dokumentstruktur med OCR og bruger derefter en sprogmodel til at fortolke materialet. Bevar sidetal og overskrifter ved klargøring af udtrukket tekst, så svaret kan pege tilbage på originalen. En dokument-URL, udtrukket tekst og billedbaseret bevismateriale har forskellige forberedelseskrav; vælg den inputform, applikationen understøtter.
Kodning og daglig assistance
Mistral retter Large 3 mod kodeassistance såvel som daglig samtale. Lever de relevante funktioner, forventet adfærd og den observerede fejl. For eksempel: “Denne parser taber det sidste felt, når inputtet slutter uden et linjeskift. Forklar den fejlende gren, foreslå den mindste ændring, og returner den korrigerede funktion med tre repræsentative input-/outputeksempler.” Det nyttige resultat er en foreslået ændring knyttet til den faktiske kode og et sæt tilfælde, udvikleren kan køre.
Til et forretningsudkast skal du give fakta og den ønskede artefakt sammen. En anmodning om at omsætte mødenoter til et beslutningsnotat bør navngive beslutningen, alternativerne, uafklarede antagelser og næste handling. Bed modellen holde kildefakta adskilt fra anbefalinger og markere manglende oplysninger i det relevante afsnit. Det gør outputtet lettere at revidere end en uopdelt fortælling.
Værktøjer og strukturerede resultater
Indbygget funktionskald lader modellen vælge en angivet funktion og forberede dens argumenter. Applikationen kører funktionen og returnerer resultatet; modellen bruger derefter de returnerede oplysninger i svaret. Hold værktøjerne specifikke, og stil kun dem til rådighed, som opgaven kræver. En lagerassistent kan modtage en produktreference, anmode om et lageropslag og forklare den returnerede mængde og lagerlokation. Valider den valgte funktion og argumenterne før eksekvering af anmodningen, og bevar værktøjssvaret sammen med det endelige svar.
Til udtrækning skal du angive felter, typer og behandlingen af manglende værdier. Mistral dokumenterer JSON-tilstand og brugerdefineret struktureret output; JSON-tilstanden kræver en udtrykkelig instruktion om at returnere JSON, mens et brugerdefineret skema giver stærkere formatstyring. En fakturaoversigt kan bede om leverandør, fakturanummer, forfaldsdato, valuta og linjeposter med en konsekvent repræsentation af manglende værdier. Kontroller de udtrukne værdier mod dokumentet, selv når svaret matcher den ønskede struktur.
Indstillinger og udgaveforskelle
Definer rollen, opgaven og værktøjsreglerne i systeminstruktionerne. Mistral anbefaler en temperatur under 0,1 til produktion og daglig brug af dette checkpoint, mens højere værdier kan afprøves til kreative opgaver. Adskil en anmodning om varierede ideer fra en anmodning om reproducerbar udtrækning: giv den første plads til alternativer og den anden udtrykkelige felter og kildebegrænsninger.
Denne instruktionsudgave er adskilt fra Large 3-basischeckpointet og fra dedikerede ræsonnementsmodeller. Producenten identificerer stringent ræsonnement og specialiseret visuelt arbejde som områder, hvor en model udviklet specifikt til disse opgaver kan være at foretrække. Til en vanskelig beregning skal du give antagelser og enheder, bede om mellemkontroller og bruge et tilgængeligt beregningsværktøj til at verificere resultatet. Til tæt visuelt bevismateriale skal du klargøre læsbare områder og sammenligne svaret med kilden, før du bruger det i en rapport.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-large-2512 | 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.
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 $0.0022 / 1K tokens Output · Outputtokens $0.0066 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning $0 / 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 $0.0022 / 1K tokens Output · Outputtokens $0.0066 / 1K tokens Input · Cachelæsning $0.0001 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-large-2512', '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-large-2512', '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 mistralai/mistral-large-2512
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.