Mistral Large 4 er Mistral AI's multimodale model til generelle formål, som kombinerer instruktionsefterlevelse, ræsonnement, kodning og agentarbejde. Den tager imod tekst og billeder og producerer tekst, herunder forklaringer, kode og strukturerede felter. Dens finkornede mixture-of-experts-arkitektur bruger udvalgte komponenter til hver token frem for at aktivere hele parametersættet på én gang.
Arkitektur og kontekst
Den aktuelle modelside angiver i alt 1,05 billioner parametre, 52 milliarder aktive parametre og en visuel encoder med 1,6 milliarder parametre. Producentens udgivelsesside præciserer optællingskonventionen: 49 milliarder aktive parametre pr. token eller 52 milliarder inklusive embeddings og outputlag. Tallene beskriver modellens struktur frem for længden på et svar.
Producenten dokumenterer et kontekstvindue på en million tokens. Brug det til at samle omfattende kildemateriale, samtalen og instruktionerne, og definer samtidig formålet med den endelige artefakt. Til et spørgsmål om flere dokumenter skal du identificere hvert dokument og dets rolle og bede om kildeplaceringen ved siden af hvert fund. En stor kontekst er nyttig, når krav, diagrammer og relaterede forklaringer skal vurderes samlet.
Strukturerede svar og dokumentspørgsmål
Modelkortet angiver strukturerede output, funktionskald, besvarelse af dokumentspørgsmål, svarpræfikser, batchindsendelse og agentsamtaler. Mistrals dokumentation om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema. Angiv det krævede JSON-format i prompten; brug et defineret skema, når den tilsluttede grænseflade kræver en bestemt feltstruktur. En post kan adskille kildefakta, fortolkninger og åbne spørgsmål frem for at samle dem i ét afsnit.
Besvarelse af dokumentspørgsmål er en arbejdsgang, der kombinerer dokumentbehandling med sprogmodellens forståelse. OCR klargør tekst, struktur og formatering, hvorefter modellen besvarer et spørgsmål om materialet. En anmodning kan finde et krav, sammenligne udsagn på tværs af dokumenter eller sammenfatte det bevismateriale, der er relevant for en beslutning. Direkte billedforståelse og en OCR-assisteret dokumentarbejdsgang er beslægtede måder at klargøre bevismateriale på; et dokumentbehandlingstrin er stadig forskelligt fra et billedinput.
Lever for eksempel en teknisk specifikation og tegninger, identificer den revision, der overvejes, og bed om en kravmatrix. Hver række kan indeholde kravet, det understøttende dokument eller den understøttende tegning, den observerede forskel og den afklaring, der stadig mangler. Bevar etiketter, enheder og billedområder, der bestemmer sammenligningen, så resultatet forbliver knyttet til kildematerialet.
Kodning, agenter og visuelt ræsonnement
Udgivelsen beskriver cybersikkerhedsanalyse, softwareudvikling, forståelse af kodebaser og terminalorienterede arbejdsgange. Til en defensiv kodegennemgang skal du give den relevante kodesti, forventet adfærd og dokumentation for fejlen. Bed om årsagen, en foreslået rettelse og eksempler, der adskiller den gamle adfærd fra den tilsigtede. Til et spørgsmål om kodebasen skal du inkludere de moduler og kaldrelationer, der kræves for at forklare den valgte adfærd.
Funktionskald forbinder ræsonnement med værktøjer leveret af applikationen. Producentens sekvens definerer funktionerne, giver brugerens spørgsmål, lader modellen forberede argumenter, udfører den valgte funktion i applikationen og returnerer resultatet til næste svar. Et foreslået kald er forskelligt fra eksekvering. Modelkortet angiver også indbyggede værktøjer i producentens agent-/samtalegrænseflade; de tilhører denne tilsluttede arbejdsgang frem for at tilføje en ny input- eller outputmodalitet til modellen.
Visuel forståelse omfatter dokumenter, diagrammer, naturlige scener og tekniske tegninger. En tegningsopgave kan spørge, hvilken mærket komponent der opfylder et givet krav, hvilken dimension eller annotation der understøtter fundet, og hvilket område der kræver nærmere undersøgelse. Udgivelsens eksempler på visuelle agenter kombinerer fortolkning med undersøgelsestrin; zoom, informationshentning og andre handlinger kræver det omgivende værktøjsmiljø.
Videnskab, matematik og professionelle leverancer
Producenten beskriver videnskabelig kodning, dataanalyse, modellering og matematisk ræsonnement blandt de tilsigtede anvendelser. Lever ligninger, antagelser, enheder og den krævede resultatform. En videnskabelig kodeanmodning kan bede om en implementering, betydningen af hver variabel og en plan for at sammenligne dens output med referencebetingelser. At producere implementeringen er et tekstresultat; at køre simuleringen eller oprette en fil kræver applikationsmiljøet.
Til professionelt dokumentarbejde skal du levere kilderapporterne og definere artefakten: en sammenligningstabel, forklaring, revideret passage eller regnearksindhold. Angiv beregningsgrundlaget, og bevar placeringerne i de understøttende dokumenter. Udgivelsen beskriver også flersproget træning på tværs af mere end 160 sprog, herunder alle officielle EU-sprog; identificer det krævede outputsprog og terminologien ved forberedelse af en flersproget opgave.
Nyttige afgrænsninger
De dokumenterede modaliteter er tekst- og billedinput med tekstoutput. Producentens kontekst på en million tokens er ikke en særskilt specifikation af maksimal svarlængde, og de læste kilder fastlægger ikke en selvstændig fast outputgrænse for denne post. Hold den præcise Large 4-udgave, det klargjorte bevismateriale og de tilsluttede værktøjer udtrykkelige. En struktureret post, forklaring eller foreslået handling er mest nyttig, når dens felter, understøttende kilder og næste applikationstrin er defineret før anmodningen.
", "aboutText": "Mistral Large 4 er Mistral AI's multimodale model til generelle formål, som kombinerer instruktionsefterlevelse, ræsonnement, kodning og agentarbejde. Den tager imod tekst og billeder og producerer tekst, herunder forklaringer, kode og strukturerede felter. Dens finkornede mixture-of-experts-arkitektur bruger udvalgte komponenter til hver token frem for at aktivere hele parametersættet på én gang.\n\nArkitektur og kontekst\n\nDen aktuelle modelside angiver i alt 1,05 billioner parametre, 52 milliarder aktive parametre og en visuel encoder med 1,6 milliarder parametre. Producentens udgivelsesside præciserer optællingskonventionen: 49 milliarder aktive parametre pr. token eller 52 milliarder inklusive embeddings og outputlag. Tallene beskriver modellens struktur frem for længden på et svar.\n\nProducenten dokumenterer et kontekstvindue på en million tokens. Brug det til at samle omfattende kildemateriale, samtalen og instruktionerne, og definer samtidig formålet med den endelige artefakt. Til et spørgsmål om flere dokumenter skal du identificere hvert dokument og dets rolle og bede om kildeplaceringen ved siden af hvert fund. En stor kontekst er nyttig, når krav, diagrammer og relaterede forklaringer skal vurderes samlet.\n\nStrukturerede svar og dokumentspørgsmål\n\nModelkortet angiver strukturerede output, funktionskald, besvarelse af dokumentspørgsmål, svarpræfikser, batchindsendelse og agentsamtaler. Mistrals dokumentation om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema. Angiv det krævede JSON-format i prompten; brug et defineret skema, når den tilsluttede grænseflade kræver en bestemt feltstruktur. En post kan adskille kildefakta, fortolkninger og åbne spørgsmål frem for at samle dem i ét afsnit.\n\nBesvarelse af dokumentspørgsmål er en arbejdsgang, der kombinerer dokumentbehandling med sprogmodellens forståelse. OCR klargør tekst, struktur og formatering, hvorefter modellen besvarer et spørgsmål om materialet. En anmodning kan finde et krav, sammenligne udsagn på tværs af dokumenter eller sammenfatte det bevismateriale, der er relevant for en beslutning. Direkte billedforståelse og en OCR-assisteret dokumentarbejdsgang er beslægtede måder at klargøre bevismateriale på; et dokumentbehandlingstrin er stadig forskelligt fra et billedinput.\n\nLever for eksempel en teknisk specifikation og tegninger, identificer den revision, der overvejes, og bed om en kravmatrix. Hver række kan indeholde kravet, det understøttende dokument eller den understøttende tegning, den observerede forskel og den afklaring, der stadig mangler. Bevar etiketter, enheder og billedområder, der bestemmer sammenligningen, så resultatet forbliver knyttet til kildematerialet.\n\nKodning, agenter og visuelt ræsonnement\n\nUdgivelsen beskriver cybersikkerhedsanalyse, softwareudvikling, forståelse af kodebaser og terminalorienterede arbejdsgange. Til en defensiv kodegennemgang skal du give den relevante kodesti, forventet adfærd og dokumentation for fejlen. Bed om årsagen, en foreslået rettelse og eksempler, der adskiller den gamle adfærd fra den tilsigtede. Til et spørgsmål om kodebasen skal du inkludere de moduler og kaldrelationer, der kræves for at forklare den valgte adfærd.\n\nFunktionskald forbinder ræsonnement med værktøjer leveret af applikationen. Producentens sekvens definerer funktionerne, giver brugerens spørgsmål, lader modellen forberede argumenter, udfører den valgte funktion i applikationen og returnerer resultatet til næste svar. Et foreslået kald er forskelligt fra eksekvering. Modelkortet angiver også indbyggede værktøjer i producentens agent-/samtalegrænseflade; de tilhører denne tilsluttede arbejdsgang frem for at tilføje en ny input- eller outputmodalitet til modellen.\n\nVisuel forståelse omfatter dokumenter, diagrammer, naturlige scener og tekniske tegninger. En tegningsopgave kan spørge, hvilken mærket komponent der opfylder et givet krav, hvilken dimension eller annotation der understøtter fundet, og hvilket område der kræver nærmere undersøgelse. Udgivelsens eksempler på visuelle agenter kombinerer fortolkning med undersøgelsestrin; zoom, informationshentning og andre handlinger kræver det omgivende værktøjsmiljø.\n\nVidenskab, matematik og professionelle leverancer\n\nProducenten beskriver videnskabelig kodning, dataanalyse, modellering og matematisk ræsonnement blandt de tilsigtede anvendelser. Lever ligninger, antagelser, enheder og den krævede resultatform. En videnskabelig kodeanmodning kan bede om en implementering, betydningen af hver variabel og en plan for at sammenligne dens output med referencebetingelser. At producere implementeringen er et tekstresultat; at køre simuleringen eller oprette en fil kræver applikationsmiljøet.\n\nTil professionelt dokumentarbejde skal du levere kilderapporterne og definere artefakten: en sammenligningstabel, forklaring, revideret passage eller regnearksindhold. Angiv beregningsgrundlaget, og bevar placeringerne i de understøttende dokumenter. Udgivelsen beskriver også flersproget træning på tværs af mere end 160 sprog, herunder alle officielle EU-sprog; identificer det krævede outputsprog og terminologien ved forberedelse af en flersproget opgave.\n\nNyttige afgrænsninger\n\nDe dokumenterede modaliteter er tekst- og billedinput med tekstoutput. Producentens kontekst på en million tokens er ikke en særskilt specifikation af maksimal svarlængde, og de læste kilder fastlægger ikke en selvstændig fast outputgrænse for denne post. Hold den præcise Large 4-udgave, det klargjorte bevismateriale og de tilsluttede værktøjer udtrykkelige. En struktureret post, forklaring eller foreslået handling er mest nyttig, når dens felter, understøttende kilder og næste applikationstrin er defineret før anmodningen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 er en tekst- og billedmodel til ræsonnement, kodning, dokumentanalyse og værktøjsdrevne agenter. Dens producentangivne kontekst på en million tokens understøtter omfattende kildesamlinger med strukturerede svar, funktionskald og en finkornet mixture-of-experts-arkitektur.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Large 4 er Mistral AI's multimodale model til generelle formål, som kombinerer instruktionsefterlevelse, ræsonnement, kodning og agentarbejde. Den tager imod tekst og billeder og producerer tekst, herunder forklaringer, kode og strukturerede felter. Dens finkornede mixture-of-experts-arkitektur bruger udvalgte komponenter til hver token frem for at aktivere hele parametersættet på én gang.
Arkitektur og kontekst
Den aktuelle modelside angiver i alt 1,05 billioner parametre, 52 milliarder aktive parametre og en visuel encoder med 1,6 milliarder parametre. Producentens udgivelsesside præciserer optællingskonventionen: 49 milliarder aktive parametre pr. token eller 52 milliarder inklusive embeddings og outputlag. Tallene beskriver modellens struktur frem for længden på et svar.
Producenten dokumenterer et kontekstvindue på en million tokens. Brug det til at samle omfattende kildemateriale, samtalen og instruktionerne, og definer samtidig formålet med den endelige artefakt. Til et spørgsmål om flere dokumenter skal du identificere hvert dokument og dets rolle og bede om kildeplaceringen ved siden af hvert fund. En stor kontekst er nyttig, når krav, diagrammer og relaterede forklaringer skal vurderes samlet.
Strukturerede svar og dokumentspørgsmål
Modelkortet angiver strukturerede output, funktionskald, besvarelse af dokumentspørgsmål, svarpræfikser, batchindsendelse og agentsamtaler. Mistrals dokumentation om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema. Angiv det krævede JSON-format i prompten; brug et defineret skema, når den tilsluttede grænseflade kræver en bestemt feltstruktur. En post kan adskille kildefakta, fortolkninger og åbne spørgsmål frem for at samle dem i ét afsnit.
Besvarelse af dokumentspørgsmål er en arbejdsgang, der kombinerer dokumentbehandling med sprogmodellens forståelse. OCR klargør tekst, struktur og formatering, hvorefter modellen besvarer et spørgsmål om materialet. En anmodning kan finde et krav, sammenligne udsagn på tværs af dokumenter eller sammenfatte det bevismateriale, der er relevant for en beslutning. Direkte billedforståelse og en OCR-assisteret dokumentarbejdsgang er beslægtede måder at klargøre bevismateriale på; et dokumentbehandlingstrin er stadig forskelligt fra et billedinput.
Lever for eksempel en teknisk specifikation og tegninger, identificer den revision, der overvejes, og bed om en kravmatrix. Hver række kan indeholde kravet, det understøttende dokument eller den understøttende tegning, den observerede forskel og den afklaring, der stadig mangler. Bevar etiketter, enheder og billedområder, der bestemmer sammenligningen, så resultatet forbliver knyttet til kildematerialet.
Kodning, agenter og visuelt ræsonnement
Udgivelsen beskriver cybersikkerhedsanalyse, softwareudvikling, forståelse af kodebaser og terminalorienterede arbejdsgange. Til en defensiv kodegennemgang skal du give den relevante kodesti, forventet adfærd og dokumentation for fejlen. Bed om årsagen, en foreslået rettelse og eksempler, der adskiller den gamle adfærd fra den tilsigtede. Til et spørgsmål om kodebasen skal du inkludere de moduler og kaldrelationer, der kræves for at forklare den valgte adfærd.
Funktionskald forbinder ræsonnement med værktøjer leveret af applikationen. Producentens sekvens definerer funktionerne, giver brugerens spørgsmål, lader modellen forberede argumenter, udfører den valgte funktion i applikationen og returnerer resultatet til næste svar. Et foreslået kald er forskelligt fra eksekvering. Modelkortet angiver også indbyggede værktøjer i producentens agent-/samtalegrænseflade; de tilhører denne tilsluttede arbejdsgang frem for at tilføje en ny input- eller outputmodalitet til modellen.
Visuel forståelse omfatter dokumenter, diagrammer, naturlige scener og tekniske tegninger. En tegningsopgave kan spørge, hvilken mærket komponent der opfylder et givet krav, hvilken dimension eller annotation der understøtter fundet, og hvilket område der kræver nærmere undersøgelse. Udgivelsens eksempler på visuelle agenter kombinerer fortolkning med undersøgelsestrin; zoom, informationshentning og andre handlinger kræver det omgivende værktøjsmiljø.
Videnskab, matematik og professionelle leverancer
Producenten beskriver videnskabelig kodning, dataanalyse, modellering og matematisk ræsonnement blandt de tilsigtede anvendelser. Lever ligninger, antagelser, enheder og den krævede resultatform. En videnskabelig kodeanmodning kan bede om en implementering, betydningen af hver variabel og en plan for at sammenligne dens output med referencebetingelser. At producere implementeringen er et tekstresultat; at køre simuleringen eller oprette en fil kræver applikationsmiljøet.
Til professionelt dokumentarbejde skal du levere kilderapporterne og definere artefakten: en sammenligningstabel, forklaring, revideret passage eller regnearksindhold. Angiv beregningsgrundlaget, og bevar placeringerne i de understøttende dokumenter. Udgivelsen beskriver også flersproget træning på tværs af mere end 160 sprog, herunder alle officielle EU-sprog; identificer det krævede outputsprog og terminologien ved forberedelse af en flersproget opgave.
Nyttige afgrænsninger
De dokumenterede modaliteter er tekst- og billedinput med tekstoutput. Producentens kontekst på en million tokens er ikke en særskilt specifikation af maksimal svarlængde, og de læste kilder fastlægger ikke en selvstændig fast outputgrænse for denne post. Hold den præcise Large 4-udgave, det klargjorte bevismateriale og de tilsluttede værktøjer udtrykkelige. En struktureret post, forklaring eller foreslået handling er mest nyttig, når dens felter, understøttende kilder og næste applikationstrin er defineret før anmodningen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokens Output · Outputtokens $0.00836 / 1K tokens Input · Cachelæsning $0.00028 / 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 $0.00272 / 1K tokens Output · Outputtokens $0.00836 / 1K tokens Input · Cachelæsning $0.00028 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-4-0", "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-4-0',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-4-0',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-4-0
Brug metodestierne vist ovenfor.
mistralai/mistral-large-4-0Mistral Large 4 er en tekst- og billedmodel til ræsonnement, kodning, dokumentanalyse og værktøjsdrevne agenter. Dens producentangivne kontekst på en million tokens understøtter omfattende kildesamlinger med strukturerede svar, funktionskald og en finkornet mixture-of-experts-arkitektur.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Large 4 er Mistral AI's multimodale model til generelle formål, som kombinerer instruktionsefterlevelse, ræsonnement, kodning og agentarbejde. Den tager imod tekst og billeder og producerer tekst, herunder forklaringer, kode og strukturerede felter. Dens finkornede mixture-of-experts-arkitektur bruger udvalgte komponenter til hver token frem for at aktivere hele parametersættet på én gang.
Arkitektur og kontekst
Den aktuelle modelside angiver i alt 1,05 billioner parametre, 52 milliarder aktive parametre og en visuel encoder med 1,6 milliarder parametre. Producentens udgivelsesside præciserer optællingskonventionen: 49 milliarder aktive parametre pr. token eller 52 milliarder inklusive embeddings og outputlag. Tallene beskriver modellens struktur frem for længden på et svar.
Producenten dokumenterer et kontekstvindue på en million tokens. Brug det til at samle omfattende kildemateriale, samtalen og instruktionerne, og definer samtidig formålet med den endelige artefakt. Til et spørgsmål om flere dokumenter skal du identificere hvert dokument og dets rolle og bede om kildeplaceringen ved siden af hvert fund. En stor kontekst er nyttig, når krav, diagrammer og relaterede forklaringer skal vurderes samlet.
Strukturerede svar og dokumentspørgsmål
Modelkortet angiver strukturerede output, funktionskald, besvarelse af dokumentspørgsmål, svarpræfikser, batchindsendelse og agentsamtaler. Mistrals dokumentation om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema. Angiv det krævede JSON-format i prompten; brug et defineret skema, når den tilsluttede grænseflade kræver en bestemt feltstruktur. En post kan adskille kildefakta, fortolkninger og åbne spørgsmål frem for at samle dem i ét afsnit.
Besvarelse af dokumentspørgsmål er en arbejdsgang, der kombinerer dokumentbehandling med sprogmodellens forståelse. OCR klargør tekst, struktur og formatering, hvorefter modellen besvarer et spørgsmål om materialet. En anmodning kan finde et krav, sammenligne udsagn på tværs af dokumenter eller sammenfatte det bevismateriale, der er relevant for en beslutning. Direkte billedforståelse og en OCR-assisteret dokumentarbejdsgang er beslægtede måder at klargøre bevismateriale på; et dokumentbehandlingstrin er stadig forskelligt fra et billedinput.
Lever for eksempel en teknisk specifikation og tegninger, identificer den revision, der overvejes, og bed om en kravmatrix. Hver række kan indeholde kravet, det understøttende dokument eller den understøttende tegning, den observerede forskel og den afklaring, der stadig mangler. Bevar etiketter, enheder og billedområder, der bestemmer sammenligningen, så resultatet forbliver knyttet til kildematerialet.
Kodning, agenter og visuelt ræsonnement
Udgivelsen beskriver cybersikkerhedsanalyse, softwareudvikling, forståelse af kodebaser og terminalorienterede arbejdsgange. Til en defensiv kodegennemgang skal du give den relevante kodesti, forventet adfærd og dokumentation for fejlen. Bed om årsagen, en foreslået rettelse og eksempler, der adskiller den gamle adfærd fra den tilsigtede. Til et spørgsmål om kodebasen skal du inkludere de moduler og kaldrelationer, der kræves for at forklare den valgte adfærd.
Funktionskald forbinder ræsonnement med værktøjer leveret af applikationen. Producentens sekvens definerer funktionerne, giver brugerens spørgsmål, lader modellen forberede argumenter, udfører den valgte funktion i applikationen og returnerer resultatet til næste svar. Et foreslået kald er forskelligt fra eksekvering. Modelkortet angiver også indbyggede værktøjer i producentens agent-/samtalegrænseflade; de tilhører denne tilsluttede arbejdsgang frem for at tilføje en ny input- eller outputmodalitet til modellen.
Visuel forståelse omfatter dokumenter, diagrammer, naturlige scener og tekniske tegninger. En tegningsopgave kan spørge, hvilken mærket komponent der opfylder et givet krav, hvilken dimension eller annotation der understøtter fundet, og hvilket område der kræver nærmere undersøgelse. Udgivelsens eksempler på visuelle agenter kombinerer fortolkning med undersøgelsestrin; zoom, informationshentning og andre handlinger kræver det omgivende værktøjsmiljø.
Videnskab, matematik og professionelle leverancer
Producenten beskriver videnskabelig kodning, dataanalyse, modellering og matematisk ræsonnement blandt de tilsigtede anvendelser. Lever ligninger, antagelser, enheder og den krævede resultatform. En videnskabelig kodeanmodning kan bede om en implementering, betydningen af hver variabel og en plan for at sammenligne dens output med referencebetingelser. At producere implementeringen er et tekstresultat; at køre simuleringen eller oprette en fil kræver applikationsmiljøet.
Til professionelt dokumentarbejde skal du levere kilderapporterne og definere artefakten: en sammenligningstabel, forklaring, revideret passage eller regnearksindhold. Angiv beregningsgrundlaget, og bevar placeringerne i de understøttende dokumenter. Udgivelsen beskriver også flersproget træning på tværs af mere end 160 sprog, herunder alle officielle EU-sprog; identificer det krævede outputsprog og terminologien ved forberedelse af en flersproget opgave.
Nyttige afgrænsninger
De dokumenterede modaliteter er tekst- og billedinput med tekstoutput. Producentens kontekst på en million tokens er ikke en særskilt specifikation af maksimal svarlængde, og de læste kilder fastlægger ikke en selvstændig fast outputgrænse for denne post. Hold den præcise Large 4-udgave, det klargjorte bevismateriale og de tilsluttede værktøjer udtrykkelige. En struktureret post, forklaring eller foreslået handling er mest nyttig, når dens felter, understøttende kilder og næste applikationstrin er defineret før anmodningen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokens Output · Outputtokens $0.00836 / 1K tokens Input · Cachelæsning $0.00028 / 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 $0.00272 / 1K tokens Output · Outputtokens $0.00836 / 1K tokens Input · Cachelæsning $0.00028 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-0', '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-4-0', '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-4-0
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.