Mistral Medium 3.1 er en multimodal Mistral AI-udgave til tekstlig og visuel forståelse. Producenten beskriver revisionen som en forbedring af tone og ydeevne inden for Medium 3-linjen. Den tager imod tekst og billeder og producerer tekst: en forklaring, et dokumentsvar, en struktureret post eller et foreslået funktionskald. Producentens faste identifikator for denne udgave er mistral-medium-2508.
Kontekst og den konkrete udgave
Modelsiden dokumenterer et kontekstvindue på 128k. Brug det til at holde relaterede kildepassager, billedbaseret bevismateriale, samtalen og brugerens opgave samlet. Identificer dokumenternes roller og spørgsmålet, der skal besvares, før du leverer en stor samling. En lang kontekst kan understøtte en fokuseret sammenligning, mens den endelige artefakt forbliver en kort tabel eller et revideret afsnit.
Medium 3.1 bevarer sin egen specifikation. Konteksten på 256k, den tætte arkitektur med 128 milliarder parametre og de konfigurerbare hybride ræsonnementstilstande beskrevet for Medium 3.5 bør ikke tillægges denne post. 3.1-siden angiver ikke et parameterantal eller et særskilt maksimalt tal for svarlængde, som med sikkerhed kan erstattes med den senere models.
Struktureret output og funktioner
Producenten angiver strukturerede output, funktionskald og forudsagte output blandt denne udgaves funktioner. Til en struktureret udtrækningsopgave skal du definere de krævede felter, forventede typer og behandlingen af oplysninger, der ikke findes i kilden. En post kan indeholde dokumentidentifikatoren, det udtrukne udsagn, dets kildeplacering og det tilbageværende spørgsmål. Bed om posten alene, når et program skal parse den, eller hold en prosaforklaring særskilt, når nogen skal undersøge fortolkningen.
Mistrals fælles dokumentation om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema. JSON-tilstand kræver en udtrykkelig instruktion om det ønskede JSON-format, mens den brugerdefinerede vej definerer en mere specifik struktur. Det er formatering af tekstresultatet og ikke en ny indholdsmodalitet eller en ekstern handling.
Ved funktioner definerer applikationen den tilgængelige operation og argumenterne, modellen vælger et passende kald og forbereder værdier, og applikationen udfører det. Resultatet bliver derefter oplysninger til næste svar. En dokumentassistent kan bruge et opslag til at indhente manglende referencedata, men kun hvis den omgivende applikation leverer opslaget og returnerer dets faktiske resultat. Hold det foreslåede kald og de returnerede data knyttet til hinanden.
Forudsagte ændringer og svarpræfikser
Forudsagte output er nyttige, når det meste af det ønskede resultat allerede kendes, såsom et dokument eller en kodefil, der kræver en begrænset ændring. Giv det eksisterende indhold, og beskriv ændringen præcist, inklusive hvad der skal forblive uændret. En anmodning kan opdatere ét afsnits terminologi eller erstatte én implementeringsdetalje, mens resten af dokumentet bevares. Forudsigelsen indeholder forventet outputindhold frem for en afsluttet ændring anvendt i en fil.
Modelsiden angiver også fortsættelse fra svarpræfiks. I producentens chatdokumentation leverer et præfiks en kendt begyndelse på assistentens svar, hvorefter genereringen fortsætter. En kendt begyndelse og en forudsagt tekstkrop løser forskellige forberedelsesproblemer. Batchbehandling og agent-/samtalegrænseflader er ligeledes arbejdsgangsfunktioner frem for separate billed-, lyd- eller ræsonnementsudgaver af Medium 3.1.
Dokument- og billedspørgsmål
Den angivne document-QnA-arbejdsgang kombinerer OCR-klargjort tekst, struktur og formatering med sprogmodelanalyse. Spørg til den konkrete betingelse, passage eller relation, opgaven kræver. En sammenligning kan identificere kildedokumenterne og bede om fælles udsagn, konflikter og uafklarede detaljer med kildeplaceringen ved siden af hvert fund.
Producentens synsvejledning omfatter udtrykkeligt Medium 3.1. Et direkte visuelt spørgsmål kan give et læsbart diagram, dokumentbillede eller skærmbillede og spørge, hvilke synlige beviser der understøtter en konklusion. Bevar akser, enheder, etiketter og konteksten omkring et beskåret felt. Hvis flere billeder leveres, skal du identificere deres rækkefølge og rolle frem for at lade modellen udlede, hvilket der er originalen, revisionen eller referencen.
Kombiner for eksempel et skriftligt proceskrav med et skærmbillede, og bed om en tabel over synlige overensstemmelser, forskelle og spørgsmål, der kræver flere oplysninger. En anden opgave kan give to versioner af et dokument og bede om en revideret passage, der bevarer deres fælles betingelser og løser en navngiven uoverensstemmelse. Det er foreslåede anvendelser af de dokumenterede visuelle funktioner samt dokument- og redigeringsfunktioner med det krævede resultat defineret på forhånd.
Forberedelse af den endelige artefakt
Giv assistenten en klar rolle, det kildemateriale, den skal bruge, og svarets form. Hold varige svarregler adskilt fra dokumentet, der undersøges, og angiv målsproget og terminologien. Et nyttigt svar kan adskille en udtrukket kendsgerning, dens kilde og en fortolkning, så det bliver lettere at undersøge end ét samlet resumé.
Det dokumenterede resultat forbliver tekst. Eksterne værktøjer, filændringer og yderligere dokumentbehandling tilhører applikationen, der er forbundet med samtalen. Bevar den navngivne Medium 3.1-udgave og dens kontekst på 128k, og bed om den forklaring, strukturerede post eller målrettede revision, næste trin faktisk kræver.
", "aboutText": "Mistral Medium 3.1 er en multimodal Mistral AI-udgave til tekstlig og visuel forståelse. Producenten beskriver revisionen som en forbedring af tone og ydeevne inden for Medium 3-linjen. Den tager imod tekst og billeder og producerer tekst: en forklaring, et dokumentsvar, en struktureret post eller et foreslået funktionskald. Producentens faste identifikator for denne udgave er mistral-medium-2508.\n\nKontekst og den konkrete udgave\n\nModelsiden dokumenterer et kontekstvindue på 128k. Brug det til at holde relaterede kildepassager, billedbaseret bevismateriale, samtalen og brugerens opgave samlet. Identificer dokumenternes roller og spørgsmålet, der skal besvares, før du leverer en stor samling. En lang kontekst kan understøtte en fokuseret sammenligning, mens den endelige artefakt forbliver en kort tabel eller et revideret afsnit.\n\nMedium 3.1 bevarer sin egen specifikation. Konteksten på 256k, den tætte arkitektur med 128 milliarder parametre og de konfigurerbare hybride ræsonnementstilstande beskrevet for Medium 3.5 bør ikke tillægges denne post. 3.1-siden angiver ikke et parameterantal eller et særskilt maksimalt tal for svarlængde, som med sikkerhed kan erstattes med den senere models.\n\nStruktureret output og funktioner\n\nProducenten angiver strukturerede output, funktionskald og forudsagte output blandt denne udgaves funktioner. Til en struktureret udtrækningsopgave skal du definere de krævede felter, forventede typer og behandlingen af oplysninger, der ikke findes i kilden. En post kan indeholde dokumentidentifikatoren, det udtrukne udsagn, dets kildeplacering og det tilbageværende spørgsmål. Bed om posten alene, når et program skal parse den, eller hold en prosaforklaring særskilt, når nogen skal undersøge fortolkningen.\n\nMistrals fælles dokumentation om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema. JSON-tilstand kræver en udtrykkelig instruktion om det ønskede JSON-format, mens den brugerdefinerede vej definerer en mere specifik struktur. Det er formatering af tekstresultatet og ikke en ny indholdsmodalitet eller en ekstern handling.\n\nVed funktioner definerer applikationen den tilgængelige operation og argumenterne, modellen vælger et passende kald og forbereder værdier, og applikationen udfører det. Resultatet bliver derefter oplysninger til næste svar. En dokumentassistent kan bruge et opslag til at indhente manglende referencedata, men kun hvis den omgivende applikation leverer opslaget og returnerer dets faktiske resultat. Hold det foreslåede kald og de returnerede data knyttet til hinanden.\n\nForudsagte ændringer og svarpræfikser\n\nForudsagte output er nyttige, når det meste af det ønskede resultat allerede kendes, såsom et dokument eller en kodefil, der kræver en begrænset ændring. Giv det eksisterende indhold, og beskriv ændringen præcist, inklusive hvad der skal forblive uændret. En anmodning kan opdatere ét afsnits terminologi eller erstatte én implementeringsdetalje, mens resten af dokumentet bevares. Forudsigelsen indeholder forventet outputindhold frem for en afsluttet ændring anvendt i en fil.\n\nModelsiden angiver også fortsættelse fra svarpræfiks. I producentens chatdokumentation leverer et præfiks en kendt begyndelse på assistentens svar, hvorefter genereringen fortsætter. En kendt begyndelse og en forudsagt tekstkrop løser forskellige forberedelsesproblemer. Batchbehandling og agent-/samtalegrænseflader er ligeledes arbejdsgangsfunktioner frem for separate billed-, lyd- eller ræsonnementsudgaver af Medium 3.1.\n\nDokument- og billedspørgsmål\n\nDen angivne document-QnA-arbejdsgang kombinerer OCR-klargjort tekst, struktur og formatering med sprogmodelanalyse. Spørg til den konkrete betingelse, passage eller relation, opgaven kræver. En sammenligning kan identificere kildedokumenterne og bede om fælles udsagn, konflikter og uafklarede detaljer med kildeplaceringen ved siden af hvert fund.\n\nProducentens synsvejledning omfatter udtrykkeligt Medium 3.1. Et direkte visuelt spørgsmål kan give et læsbart diagram, dokumentbillede eller skærmbillede og spørge, hvilke synlige beviser der understøtter en konklusion. Bevar akser, enheder, etiketter og konteksten omkring et beskåret felt. Hvis flere billeder leveres, skal du identificere deres rækkefølge og rolle frem for at lade modellen udlede, hvilket der er originalen, revisionen eller referencen.\n\nKombiner for eksempel et skriftligt proceskrav med et skærmbillede, og bed om en tabel over synlige overensstemmelser, forskelle og spørgsmål, der kræver flere oplysninger. En anden opgave kan give to versioner af et dokument og bede om en revideret passage, der bevarer deres fælles betingelser og løser en navngiven uoverensstemmelse. Det er foreslåede anvendelser af de dokumenterede visuelle funktioner samt dokument- og redigeringsfunktioner med det krævede resultat defineret på forhånd.\n\nForberedelse af den endelige artefakt\n\nGiv assistenten en klar rolle, det kildemateriale, den skal bruge, og svarets form. Hold varige svarregler adskilt fra dokumentet, der undersøges, og angiv målsproget og terminologien. Et nyttigt svar kan adskille en udtrukket kendsgerning, dens kilde og en fortolkning, så det bliver lettere at undersøge end ét samlet resumé.\n\nDet dokumenterede resultat forbliver tekst. Eksterne værktøjer, filændringer og yderligere dokumentbehandling tilhører applikationen, der er forbundet med samtalen. Bevar den navngivne Medium 3.1-udgave og dens kontekst på 128k, og bed om den forklaring, strukturerede post eller målrettede revision, næste trin faktisk kræver.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Apply a narrow terminology edit\n\nRevise only the terminology in this paragraph: 'A subscriber can pause the plan. The subscriber keeps access until the current period ends. Support can help the subscriber resume.' Replace 'subscriber' with 'member', adapting capitalization, and keep every condition and sentence order. Return the revised paragraph alone, without claiming a file was modified.The complete revised paragraph with the requested terminology change only.The access-until-period-end condition and pause/resume distinction must remain intact.mistralai/mistral-medium-3.1Mistral Medium 3.1 er en tekst- og billedmodel til samtalesvar, dokumentspørgsmål og struktureret udtrækning. Dens producentangivne kontekst på 128k og angivne funktioner til funktionskald, forudsagt output og præfikser understøtter kildebaserede forklaringer og målrettede redigeringsarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Medium 3.1 er en multimodal Mistral AI-udgave til tekstlig og visuel forståelse. Producenten beskriver revisionen som en forbedring af tone og ydeevne inden for Medium 3-linjen. Den tager imod tekst og billeder og producerer tekst: en forklaring, et dokumentsvar, en struktureret post eller et foreslået funktionskald. Producentens faste identifikator for denne udgave er mistral-medium-2508.
Kontekst og den konkrete udgave
Modelsiden dokumenterer et kontekstvindue på 128k. Brug det til at holde relaterede kildepassager, billedbaseret bevismateriale, samtalen og brugerens opgave samlet. Identificer dokumenternes roller og spørgsmålet, der skal besvares, før du leverer en stor samling. En lang kontekst kan understøtte en fokuseret sammenligning, mens den endelige artefakt forbliver en kort tabel eller et revideret afsnit.
Medium 3.1 bevarer sin egen specifikation. Konteksten på 256k, den tætte arkitektur med 128 milliarder parametre og de konfigurerbare hybride ræsonnementstilstande beskrevet for Medium 3.5 bør ikke tillægges denne post. 3.1-siden angiver ikke et parameterantal eller et særskilt maksimalt tal for svarlængde, som med sikkerhed kan erstattes med den senere models.
Struktureret output og funktioner
Producenten angiver strukturerede output, funktionskald og forudsagte output blandt denne udgaves funktioner. Til en struktureret udtrækningsopgave skal du definere de krævede felter, forventede typer og behandlingen af oplysninger, der ikke findes i kilden. En post kan indeholde dokumentidentifikatoren, det udtrukne udsagn, dets kildeplacering og det tilbageværende spørgsmål. Bed om posten alene, når et program skal parse den, eller hold en prosaforklaring særskilt, når nogen skal undersøge fortolkningen.
Mistrals fælles dokumentation om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema. JSON-tilstand kræver en udtrykkelig instruktion om det ønskede JSON-format, mens den brugerdefinerede vej definerer en mere specifik struktur. Det er formatering af tekstresultatet og ikke en ny indholdsmodalitet eller en ekstern handling.
Ved funktioner definerer applikationen den tilgængelige operation og argumenterne, modellen vælger et passende kald og forbereder værdier, og applikationen udfører det. Resultatet bliver derefter oplysninger til næste svar. En dokumentassistent kan bruge et opslag til at indhente manglende referencedata, men kun hvis den omgivende applikation leverer opslaget og returnerer dets faktiske resultat. Hold det foreslåede kald og de returnerede data knyttet til hinanden.
Forudsagte ændringer og svarpræfikser
Forudsagte output er nyttige, når det meste af det ønskede resultat allerede kendes, såsom et dokument eller en kodefil, der kræver en begrænset ændring. Giv det eksisterende indhold, og beskriv ændringen præcist, inklusive hvad der skal forblive uændret. En anmodning kan opdatere ét afsnits terminologi eller erstatte én implementeringsdetalje, mens resten af dokumentet bevares. Forudsigelsen indeholder forventet outputindhold frem for en afsluttet ændring anvendt i en fil.
Modelsiden angiver også fortsættelse fra svarpræfiks. I producentens chatdokumentation leverer et præfiks en kendt begyndelse på assistentens svar, hvorefter genereringen fortsætter. En kendt begyndelse og en forudsagt tekstkrop løser forskellige forberedelsesproblemer. Batchbehandling og agent-/samtalegrænseflader er ligeledes arbejdsgangsfunktioner frem for separate billed-, lyd- eller ræsonnementsudgaver af Medium 3.1.
Dokument- og billedspørgsmål
Den angivne document-QnA-arbejdsgang kombinerer OCR-klargjort tekst, struktur og formatering med sprogmodelanalyse. Spørg til den konkrete betingelse, passage eller relation, opgaven kræver. En sammenligning kan identificere kildedokumenterne og bede om fælles udsagn, konflikter og uafklarede detaljer med kildeplaceringen ved siden af hvert fund.
Producentens synsvejledning omfatter udtrykkeligt Medium 3.1. Et direkte visuelt spørgsmål kan give et læsbart diagram, dokumentbillede eller skærmbillede og spørge, hvilke synlige beviser der understøtter en konklusion. Bevar akser, enheder, etiketter og konteksten omkring et beskåret felt. Hvis flere billeder leveres, skal du identificere deres rækkefølge og rolle frem for at lade modellen udlede, hvilket der er originalen, revisionen eller referencen.
Kombiner for eksempel et skriftligt proceskrav med et skærmbillede, og bed om en tabel over synlige overensstemmelser, forskelle og spørgsmål, der kræver flere oplysninger. En anden opgave kan give to versioner af et dokument og bede om en revideret passage, der bevarer deres fælles betingelser og løser en navngiven uoverensstemmelse. Det er foreslåede anvendelser af de dokumenterede visuelle funktioner samt dokument- og redigeringsfunktioner med det krævede resultat defineret på forhånd.
Forberedelse af den endelige artefakt
Giv assistenten en klar rolle, det kildemateriale, den skal bruge, og svarets form. Hold varige svarregler adskilt fra dokumentet, der undersøges, og angiv målsproget og terminologien. Et nyttigt svar kan adskille en udtrukket kendsgerning, dens kilde og en fortolkning, så det bliver lettere at undersøge end ét samlet resumé.
Det dokumenterede resultat forbliver tekst. Eksterne værktøjer, filændringer og yderligere dokumentbehandling tilhører applikationen, der er forbundet med samtalen. Bevar den navngivne Medium 3.1-udgave og dens kontekst på 128k, og bed om den forklaring, strukturerede post eller målrettede revision, næste trin faktisk kræver.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-medium-3.1 | 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 $0.0008 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00008 / 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 $0.0008 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-medium-3.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-medium-3.1',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-medium-3.1
Brug metodestierne vist ovenfor.
mistralai/mistral-medium-3.1Mistral Medium 3.1 er en tekst- og billedmodel til samtalesvar, dokumentspørgsmål og struktureret udtrækning. Dens producentangivne kontekst på 128k og angivne funktioner til funktionskald, forudsagt output og præfikser understøtter kildebaserede forklaringer og målrettede redigeringsarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Medium 3.1 er en multimodal Mistral AI-udgave til tekstlig og visuel forståelse. Producenten beskriver revisionen som en forbedring af tone og ydeevne inden for Medium 3-linjen. Den tager imod tekst og billeder og producerer tekst: en forklaring, et dokumentsvar, en struktureret post eller et foreslået funktionskald. Producentens faste identifikator for denne udgave er mistral-medium-2508.
Kontekst og den konkrete udgave
Modelsiden dokumenterer et kontekstvindue på 128k. Brug det til at holde relaterede kildepassager, billedbaseret bevismateriale, samtalen og brugerens opgave samlet. Identificer dokumenternes roller og spørgsmålet, der skal besvares, før du leverer en stor samling. En lang kontekst kan understøtte en fokuseret sammenligning, mens den endelige artefakt forbliver en kort tabel eller et revideret afsnit.
Medium 3.1 bevarer sin egen specifikation. Konteksten på 256k, den tætte arkitektur med 128 milliarder parametre og de konfigurerbare hybride ræsonnementstilstande beskrevet for Medium 3.5 bør ikke tillægges denne post. 3.1-siden angiver ikke et parameterantal eller et særskilt maksimalt tal for svarlængde, som med sikkerhed kan erstattes med den senere models.
Struktureret output og funktioner
Producenten angiver strukturerede output, funktionskald og forudsagte output blandt denne udgaves funktioner. Til en struktureret udtrækningsopgave skal du definere de krævede felter, forventede typer og behandlingen af oplysninger, der ikke findes i kilden. En post kan indeholde dokumentidentifikatoren, det udtrukne udsagn, dets kildeplacering og det tilbageværende spørgsmål. Bed om posten alene, når et program skal parse den, eller hold en prosaforklaring særskilt, når nogen skal undersøge fortolkningen.
Mistrals fælles dokumentation om struktureret output skelner mellem JSON-tilstand og et brugerdefineret skema. JSON-tilstand kræver en udtrykkelig instruktion om det ønskede JSON-format, mens den brugerdefinerede vej definerer en mere specifik struktur. Det er formatering af tekstresultatet og ikke en ny indholdsmodalitet eller en ekstern handling.
Ved funktioner definerer applikationen den tilgængelige operation og argumenterne, modellen vælger et passende kald og forbereder værdier, og applikationen udfører det. Resultatet bliver derefter oplysninger til næste svar. En dokumentassistent kan bruge et opslag til at indhente manglende referencedata, men kun hvis den omgivende applikation leverer opslaget og returnerer dets faktiske resultat. Hold det foreslåede kald og de returnerede data knyttet til hinanden.
Forudsagte ændringer og svarpræfikser
Forudsagte output er nyttige, når det meste af det ønskede resultat allerede kendes, såsom et dokument eller en kodefil, der kræver en begrænset ændring. Giv det eksisterende indhold, og beskriv ændringen præcist, inklusive hvad der skal forblive uændret. En anmodning kan opdatere ét afsnits terminologi eller erstatte én implementeringsdetalje, mens resten af dokumentet bevares. Forudsigelsen indeholder forventet outputindhold frem for en afsluttet ændring anvendt i en fil.
Modelsiden angiver også fortsættelse fra svarpræfiks. I producentens chatdokumentation leverer et præfiks en kendt begyndelse på assistentens svar, hvorefter genereringen fortsætter. En kendt begyndelse og en forudsagt tekstkrop løser forskellige forberedelsesproblemer. Batchbehandling og agent-/samtalegrænseflader er ligeledes arbejdsgangsfunktioner frem for separate billed-, lyd- eller ræsonnementsudgaver af Medium 3.1.
Dokument- og billedspørgsmål
Den angivne document-QnA-arbejdsgang kombinerer OCR-klargjort tekst, struktur og formatering med sprogmodelanalyse. Spørg til den konkrete betingelse, passage eller relation, opgaven kræver. En sammenligning kan identificere kildedokumenterne og bede om fælles udsagn, konflikter og uafklarede detaljer med kildeplaceringen ved siden af hvert fund.
Producentens synsvejledning omfatter udtrykkeligt Medium 3.1. Et direkte visuelt spørgsmål kan give et læsbart diagram, dokumentbillede eller skærmbillede og spørge, hvilke synlige beviser der understøtter en konklusion. Bevar akser, enheder, etiketter og konteksten omkring et beskåret felt. Hvis flere billeder leveres, skal du identificere deres rækkefølge og rolle frem for at lade modellen udlede, hvilket der er originalen, revisionen eller referencen.
Kombiner for eksempel et skriftligt proceskrav med et skærmbillede, og bed om en tabel over synlige overensstemmelser, forskelle og spørgsmål, der kræver flere oplysninger. En anden opgave kan give to versioner af et dokument og bede om en revideret passage, der bevarer deres fælles betingelser og løser en navngiven uoverensstemmelse. Det er foreslåede anvendelser af de dokumenterede visuelle funktioner samt dokument- og redigeringsfunktioner med det krævede resultat defineret på forhånd.
Forberedelse af den endelige artefakt
Giv assistenten en klar rolle, det kildemateriale, den skal bruge, og svarets form. Hold varige svarregler adskilt fra dokumentet, der undersøges, og angiv målsproget og terminologien. Et nyttigt svar kan adskille en udtrukket kendsgerning, dens kilde og en fortolkning, så det bliver lettere at undersøge end ét samlet resumé.
Det dokumenterede resultat forbliver tekst. Eksterne værktøjer, filændringer og yderligere dokumentbehandling tilhører applikationen, der er forbundet med samtalen. Bevar den navngivne Medium 3.1-udgave og dens kontekst på 128k, og bed om den forklaring, strukturerede post eller målrettede revision, næste trin faktisk kræver.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-medium-3.1 | 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 $0.0008 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00008 / 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 $0.0008 / 1K tokens Output · Outputtokens $0.004 / 1K tokens Input · Cachelæsning $0.00008 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-medium-3.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3.1', '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-medium-3.1
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Apply a narrow terminology edit\n\nRevise only the terminology in this paragraph: 'A subscriber can pause the plan. The subscriber keeps access until the current period ends. Support can help the subscriber resume.' Replace 'subscriber' with 'member', adapting capitalization, and keep every condition and sentence order. Return the revised paragraph alone, without claiming a file was modified.The complete revised paragraph with the requested terminology change only.The access-until-period-end condition and pause/resume distinction must remain intact.