Mistral Medium 3.5 er Mistral AI's tætte model med 128 milliarder parametre, der kombinerer instruktionsefterlevelse, ræsonnement og kodning i ét sæt vægte. Den modtager tekst og billeder og returnerer tekst. Producenten retter den mod agent- og kodeopgaver, mens samme checkpoint kan producere et direkte samtalesvar eller bruge sin dokumenterede ræsonnementstilstand til en mere omfattende opgave.
Samlet model og visuelle funktioner
Det udgivne modelkort angiver 128 milliarder tætte parametre og et kontekstvindue på 256k. Dens visuelle encoder er trænet til at håndtere forskellige billedstørrelser og billedformater. Billeder kan bidrage med bevismateriale til en kode- eller dokumentopgave: et skærmbillede af en grænseflade, et diagram, der ledsager et krav, eller en side med oplysninger, modellen skal fortolke. Resultatet kan være en skriftlig forklaring, kode eller strukturerede felter frem for et genereret billede.
Producenten beskriver flersproget understøttelse af snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhæver også efterlevelse af systemprompter og indbygget funktionskald med JSON-output. Fastlæg målgruppe, sprog og svarregler adskilt fra det materiale, der undersøges, så kildedokumentets ordlyd forbliver bevismateriale til opgaven.
Ræsonnementsindstillinger
Modelkortet dokumenterer to værdier for ræsonnementsindsats pr. anmodning. Værdien none giver et instruktionsbaseret svar uden ræsonnementstilstand; high aktiverer ræsonnement og anbefales til komplekse prompter og agentbaseret kodning. Det er et valg af tilstand inden for samme Medium 3.5-checkpoint og ikke en anden modelidentitet.
Til høj ræsonnementsindsats anbefaler producenten temperature 0.7 og top-p 0.95. Til none dokumenteres temperaturer mellem 0,0 og 0,7 afhængigt af opgaven, mens top-p efterlades uden værdi eller sættes til 1.0. Det er anbefalinger for denne udgivelse. Vælg først formålet med outputtet: et kort feltudtræk, en kodeændring med forklaring eller en sammenligning, der kræver flere begrundede beslutninger.
En praktisk ræsonnementsopgave kan levere et krav, implementeringen og det input, der viser en afvigelse. Bed modellen identificere det relevante forløb, forklare uoverensstemmelsen og foreslå den mindste ændring, som bevarer den offentlige grænseflade. Bed om den reviderede kode adskilt fra antagelser og eksempler. Modellen genererer et forslag; kompilering, kørsel og anvendelse kræver det udviklingsmiljø, der er forbundet med agenten.
Værktøjer, dokumenter og forudsigelige ændringer
Producentens tjenestekort angiver også strukturerede output, forudsagte output, dokumentspørgsmål, svarpræfikser, batchbehandling og agentsamtaler. Til udtrækning skal du definere feltnavne, typer og behandlingen af manglende værdier. JSON-tilstand giver en struktureret repræsentation, mens et brugerdefineret skema definerer en mere præcis form i den tilsluttede grænseflade. Bed kun om posten, når et program skal parse den, og om en særskilt forklaring, når et menneske skal undersøge fortolkningen.
Besvarelse af dokumentspørgsmål kombinerer OCR-klargjort tekst og struktur med sprogmodellens forståelse. Til en sammenligning skal du identificere dokumenterne og den betingelse, der skal vurderes, og derefter bede om hvert fund med dets kildeplacering. Et nyttigt output kan adskille fælles krav, uenigheder og åbne spørgsmål. Direkte billedspørgsmål kan fokusere på en diagrametiket eller et grænsefladeelement; bevarelse af overskrifter, enheder og billedernes roller hjælper med at holde svaret knyttet til det givne materiale.
Forudsagte output er dokumenteret til opgaver, hvor meget af det ønskede svar allerede kendes, såsom genskabelse af en kodefil eller et dokument med begrænsede ændringer. Lever det eksisterende indhold, og identificer den konkrete ændring, mens de dele, der skal bestå, bevares. Det adskiller sig fra at bede om en helt ny artefakt eller fortsætte fra et kendt svarpræfiks. Tjenestefunktionerne beskriver muligheder for indsendelse og formatering; de ændrer ikke modellens tekst- og billedinput eller tekstoutput.
I en værktøjsassisteret arbejdsgang leverer applikationen funktionsbeskrivelser og parametre, modellen vælger en funktion og forbereder argumenter, og applikationen udfører den og returnerer resultatet. Et beregningsværktøj kan modtage værdier læst fra et givet billede, mens et opslagsværktøj kan levere de manglende oplysninger til næste svar. Hold værktøjsresultatet knyttet til den operation, der producerede det. Agentbaseret ræsonnement afhænger af dette miljø frem for af, at tekstgenerering alene udfører eksterne handlinger.
Forberedelse af lange sessioner
Brug konteksten på 256k til relateret kildekode, dokumenter og samtalehistorik, og hold det faktiske mål udtrykkeligt. En kodesession kan bevare modulet, dets kalder og kravene og samtidig bede om én defineret ændring. En dokumentsession kan holde de relevante afsnit samlet og returnere en kort tabel eller revideret passage. Kontekstkapaciteten angiver ikke en særskilt maksimal svarlængde; modelkortets genereringseksempel på 1.024 tokens er en illustration og ikke denne grænse.
Producenten bemærker, at en ældre udgivet konfiguration indeholdt en fejl ved lang kontekst, og at den er rettet, også med betydning for afledte checkpoints. Bevar den korrigerede udgivelseskonfiguration, når vægtene bruges til lange sessioner. Medium 3.5's hybride tilstande og arkitektur med 128 milliarder parametre bør ikke tillægges Medium 3.1 eller et særskilt navngivet draft-head-checkpoint alene på grund af det fælles familienavn.
", "aboutText": "Mistral Medium 3.5 er Mistral AI's tætte model med 128 milliarder parametre, der kombinerer instruktionsefterlevelse, ræsonnement og kodning i ét sæt vægte. Den modtager tekst og billeder og returnerer tekst. Producenten retter den mod agent- og kodeopgaver, mens samme checkpoint kan producere et direkte samtalesvar eller bruge sin dokumenterede ræsonnementstilstand til en mere omfattende opgave.\n\nSamlet model og visuelle funktioner\n\nDet udgivne modelkort angiver 128 milliarder tætte parametre og et kontekstvindue på 256k. Dens visuelle encoder er trænet til at håndtere forskellige billedstørrelser og billedformater. Billeder kan bidrage med bevismateriale til en kode- eller dokumentopgave: et skærmbillede af en grænseflade, et diagram, der ledsager et krav, eller en side med oplysninger, modellen skal fortolke. Resultatet kan være en skriftlig forklaring, kode eller strukturerede felter frem for et genereret billede.\n\nProducenten beskriver flersproget understøttelse af snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhæver også efterlevelse af systemprompter og indbygget funktionskald med JSON-output. Fastlæg målgruppe, sprog og svarregler adskilt fra det materiale, der undersøges, så kildedokumentets ordlyd forbliver bevismateriale til opgaven.\n\nRæsonnementsindstillinger\n\nModelkortet dokumenterer to værdier for ræsonnementsindsats pr. anmodning. Værdien none giver et instruktionsbaseret svar uden ræsonnementstilstand; high aktiverer ræsonnement og anbefales til komplekse prompter og agentbaseret kodning. Det er et valg af tilstand inden for samme Medium 3.5-checkpoint og ikke en anden modelidentitet.\n\nTil høj ræsonnementsindsats anbefaler producenten temperature 0.7 og top-p 0.95. Til none dokumenteres temperaturer mellem 0,0 og 0,7 afhængigt af opgaven, mens top-p efterlades uden værdi eller sættes til 1.0. Det er anbefalinger for denne udgivelse. Vælg først formålet med outputtet: et kort feltudtræk, en kodeændring med forklaring eller en sammenligning, der kræver flere begrundede beslutninger.\n\nEn praktisk ræsonnementsopgave kan levere et krav, implementeringen og det input, der viser en afvigelse. Bed modellen identificere det relevante forløb, forklare uoverensstemmelsen og foreslå den mindste ændring, som bevarer den offentlige grænseflade. Bed om den reviderede kode adskilt fra antagelser og eksempler. Modellen genererer et forslag; kompilering, kørsel og anvendelse kræver det udviklingsmiljø, der er forbundet med agenten.\n\nVærktøjer, dokumenter og forudsigelige ændringer\n\nProducentens tjenestekort angiver også strukturerede output, forudsagte output, dokumentspørgsmål, svarpræfikser, batchbehandling og agentsamtaler. Til udtrækning skal du definere feltnavne, typer og behandlingen af manglende værdier. JSON-tilstand giver en struktureret repræsentation, mens et brugerdefineret skema definerer en mere præcis form i den tilsluttede grænseflade. Bed kun om posten, når et program skal parse den, og om en særskilt forklaring, når et menneske skal undersøge fortolkningen.\n\nBesvarelse af dokumentspørgsmål kombinerer OCR-klargjort tekst og struktur med sprogmodellens forståelse. Til en sammenligning skal du identificere dokumenterne og den betingelse, der skal vurderes, og derefter bede om hvert fund med dets kildeplacering. Et nyttigt output kan adskille fælles krav, uenigheder og åbne spørgsmål. Direkte billedspørgsmål kan fokusere på en diagrametiket eller et grænsefladeelement; bevarelse af overskrifter, enheder og billedernes roller hjælper med at holde svaret knyttet til det givne materiale.\n\nForudsagte output er dokumenteret til opgaver, hvor meget af det ønskede svar allerede kendes, såsom genskabelse af en kodefil eller et dokument med begrænsede ændringer. Lever det eksisterende indhold, og identificer den konkrete ændring, mens de dele, der skal bestå, bevares. Det adskiller sig fra at bede om en helt ny artefakt eller fortsætte fra et kendt svarpræfiks. Tjenestefunktionerne beskriver muligheder for indsendelse og formatering; de ændrer ikke modellens tekst- og billedinput eller tekstoutput.\n\nI en værktøjsassisteret arbejdsgang leverer applikationen funktionsbeskrivelser og parametre, modellen vælger en funktion og forbereder argumenter, og applikationen udfører den og returnerer resultatet. Et beregningsværktøj kan modtage værdier læst fra et givet billede, mens et opslagsværktøj kan levere de manglende oplysninger til næste svar. Hold værktøjsresultatet knyttet til den operation, der producerede det. Agentbaseret ræsonnement afhænger af dette miljø frem for af, at tekstgenerering alene udfører eksterne handlinger.\n\nForberedelse af lange sessioner\n\nBrug konteksten på 256k til relateret kildekode, dokumenter og samtalehistorik, og hold det faktiske mål udtrykkeligt. En kodesession kan bevare modulet, dets kalder og kravene og samtidig bede om én defineret ændring. En dokumentsession kan holde de relevante afsnit samlet og returnere en kort tabel eller revideret passage. Kontekstkapaciteten angiver ikke en særskilt maksimal svarlængde; modelkortets genereringseksempel på 1.024 tokens er en illustration og ikke denne grænse.\n\nProducenten bemærker, at en ældre udgivet konfiguration indeholdt en fejl ved lang kontekst, og at den er rettet, også med betydning for afledte checkpoints. Bevar den korrigerede udgivelseskonfiguration, når vægtene bruges til lange sessioner. Medium 3.5's hybride tilstande og arkitektur med 128 milliarder parametre bør ikke tillægges Medium 3.1 eller et særskilt navngivet draft-head-checkpoint alene på grund af det fælles familienavn.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "dcc8d8e95c9999845f0d8e3ef00ef4513b2841c6828c21418ee247c3576b4747", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 kombinerer instruktionsefterlevelse, ræsonnement og kodning i en tæt tekst- og billedmodel med 128 milliarder parametre. Den har en producentangivet kontekst på 256k, ræsonnementsindstillinger pr. anmodning, indbyggede funktionskald og struktureret output til dokument- og agentarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Medium 3.5 er Mistral AI's tætte model med 128 milliarder parametre, der kombinerer instruktionsefterlevelse, ræsonnement og kodning i ét sæt vægte. Den modtager tekst og billeder og returnerer tekst. Producenten retter den mod agent- og kodeopgaver, mens samme checkpoint kan producere et direkte samtalesvar eller bruge sin dokumenterede ræsonnementstilstand til en mere omfattende opgave.
Samlet model og visuelle funktioner
Det udgivne modelkort angiver 128 milliarder tætte parametre og et kontekstvindue på 256k. Dens visuelle encoder er trænet til at håndtere forskellige billedstørrelser og billedformater. Billeder kan bidrage med bevismateriale til en kode- eller dokumentopgave: et skærmbillede af en grænseflade, et diagram, der ledsager et krav, eller en side med oplysninger, modellen skal fortolke. Resultatet kan være en skriftlig forklaring, kode eller strukturerede felter frem for et genereret billede.
Producenten beskriver flersproget understøttelse af snesevis af sprog, herunder engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhæver også efterlevelse af systemprompter og indbygget funktionskald med JSON-output. Fastlæg målgruppe, sprog og svarregler adskilt fra det materiale, der undersøges, så kildedokumentets ordlyd forbliver bevismateriale til opgaven.
Ræsonnementsindstillinger
Modelkortet dokumenterer to værdier for ræsonnementsindsats pr. anmodning. Værdien none giver et instruktionsbaseret svar uden ræsonnementstilstand; high aktiverer ræsonnement og anbefales til komplekse prompter og agentbaseret kodning. Det er et valg af tilstand inden for samme Medium 3.5-checkpoint og ikke en anden modelidentitet.
Til høj ræsonnementsindsats anbefaler producenten temperature 0.7 og top-p 0.95. Til none dokumenteres temperaturer mellem 0,0 og 0,7 afhængigt af opgaven, mens top-p efterlades uden værdi eller sættes til 1.0. Det er anbefalinger for denne udgivelse. Vælg først formålet med outputtet: et kort feltudtræk, en kodeændring med forklaring eller en sammenligning, der kræver flere begrundede beslutninger.
En praktisk ræsonnementsopgave kan levere et krav, implementeringen og det input, der viser en afvigelse. Bed modellen identificere det relevante forløb, forklare uoverensstemmelsen og foreslå den mindste ændring, som bevarer den offentlige grænseflade. Bed om den reviderede kode adskilt fra antagelser og eksempler. Modellen genererer et forslag; kompilering, kørsel og anvendelse kræver det udviklingsmiljø, der er forbundet med agenten.
Værktøjer, dokumenter og forudsigelige ændringer
Producentens tjenestekort angiver også strukturerede output, forudsagte output, dokumentspørgsmål, svarpræfikser, batchbehandling og agentsamtaler. Til udtrækning skal du definere feltnavne, typer og behandlingen af manglende værdier. JSON-tilstand giver en struktureret repræsentation, mens et brugerdefineret skema definerer en mere præcis form i den tilsluttede grænseflade. Bed kun om posten, når et program skal parse den, og om en særskilt forklaring, når et menneske skal undersøge fortolkningen.
Besvarelse af dokumentspørgsmål kombinerer OCR-klargjort tekst og struktur med sprogmodellens forståelse. Til en sammenligning skal du identificere dokumenterne og den betingelse, der skal vurderes, og derefter bede om hvert fund med dets kildeplacering. Et nyttigt output kan adskille fælles krav, uenigheder og åbne spørgsmål. Direkte billedspørgsmål kan fokusere på en diagrametiket eller et grænsefladeelement; bevarelse af overskrifter, enheder og billedernes roller hjælper med at holde svaret knyttet til det givne materiale.
Forudsagte output er dokumenteret til opgaver, hvor meget af det ønskede svar allerede kendes, såsom genskabelse af en kodefil eller et dokument med begrænsede ændringer. Lever det eksisterende indhold, og identificer den konkrete ændring, mens de dele, der skal bestå, bevares. Det adskiller sig fra at bede om en helt ny artefakt eller fortsætte fra et kendt svarpræfiks. Tjenestefunktionerne beskriver muligheder for indsendelse og formatering; de ændrer ikke modellens tekst- og billedinput eller tekstoutput.
I en værktøjsassisteret arbejdsgang leverer applikationen funktionsbeskrivelser og parametre, modellen vælger en funktion og forbereder argumenter, og applikationen udfører den og returnerer resultatet. Et beregningsværktøj kan modtage værdier læst fra et givet billede, mens et opslagsværktøj kan levere de manglende oplysninger til næste svar. Hold værktøjsresultatet knyttet til den operation, der producerede det. Agentbaseret ræsonnement afhænger af dette miljø frem for af, at tekstgenerering alene udfører eksterne handlinger.
Forberedelse af lange sessioner
Brug konteksten på 256k til relateret kildekode, dokumenter og samtalehistorik, og hold det faktiske mål udtrykkeligt. En kodesession kan bevare modulet, dets kalder og kravene og samtidig bede om én defineret ændring. En dokumentsession kan holde de relevante afsnit samlet og returnere en kort tabel eller revideret passage. Kontekstkapaciteten angiver ikke en særskilt maksimal svarlængde; modelkortets genereringseksempel på 1.024 tokens er en illustration og ikke denne grænse.
Producenten bemærker, at en ældre udgivet konfiguration indeholdt en fejl ved lang kontekst, og at den er rettet, også med betydning for afledte checkpoints. Bevar den korrigerede udgivelseskonfiguration, når vægtene bruges til lange sessioner. Medium 3.5's hybride tilstande og arkitektur med 128 milliarder parametre bør ikke tillægges Medium 3.1 eller et særskilt navngivet draft-head-checkpoint alene på grund af det fælles familienavn.
POST /v1/batchestexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrævet | Værdier og grænser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-medium-3-5:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltcompletion_window | Typestring | KravValgfrit | Værdier og grænser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfrit | Værdier og grænser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfrit | Værdier og grænser mistralai/mistral-medium-3-5:batch, mistralai/mistral-medium-3-5 | Standard— |
Feltprovider.only | Typestring[] | KravValgfrit | Værdier og grænser mistral | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfrit | Værdier og grænser false, null | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktendpoint, model, requests |
Parametermaterial_types | Kontrakttext |
Parameterrepresentation | Kontraktrequests[] direkte i anmodningen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Kontrakt/v1/chat/completions |
Parameterfile_material | KontraktDen kaldende part kan læse det faktiske JSONL-indhold i UTF-8 lokalt ind i requests[]. Der angives hverken purpose til upload, input_file_id eller en filreference. Hvis kundematerialet mangler eller er tomt, stoppes forberedelsen før POST. |
Parameterserialization_order | Kontraktendpoint, model, provider (hvis angivet), completion_window (hvis angivet), requests til sidst |
Parameteroptional_controls | Kontraktprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | KontraktAnmodningsindhold for Chat Completions med tekst i den dokumenterede inline Batch-struktur. |
Livscyklus: asynchronous
GET /v1/batches/{operation_id} · det faktiske response.id fra den oprindelige oprettelse; samme bruger/nøgle/gruppe
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning — / 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 $0.0015 / 1K tokens Output · Outputtokens $0.0075 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-medium-3-5:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/mistral-medium-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON direkte i results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele den oprindelige status i JSON, hvert resultat/custom_id og det fulde svar- eller fejlindhold. Gem færdige results[] som JSONL uden filtrering.
Gem det oprindelige operations-ID. 503 result_pending_check har X-Should-Retry:false; send aldrig en oprindelig batch igen, hvis dens udfald er ukendt.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldig dokumenteret inline-struktur, dublerede nøgler, ugyldig elementidentitet eller konflikt med modellens konfigurerede funktioner. | Næste trinRet de angivne felter, før du sender en ny anmodning. |
Svar401 · authentication_error | BetingelseUgyldig API-nøgle. | Næste trinBrug den godkendte Ailoot-nøgle. |
Svar403 · permission_error | BetingelseBatch-gruppen er ikke tilgængelig. | Næste trinKontrollér nøglens/gruppens adgangsrettigheder. |
Svar422 · invalid_request_error | BetingelseBatch afregnes via saldoen; oprettelse via et abonnement afvises. | Næste trinBrug den godkendte gruppe med saldoafregning. |
Svar422 · price_unavailable | BetingelseDer kan ikke beregnes en pris for Batch-inputtet. | Næste trinGem svaret; brug det dokumenterede input for API-familien. |
Svar402 · billing_error | BetingelseReservationen til Batch er ikke tilgængelig. | Næste trinAfklar adgangen, før du sender en ny anmodning. |
Svar503 · price_unavailable | BetingelsePrisen for Batch-metoden eller de native satser er ikke tilgængelige. | Næste trinGem svaret; erstat ikke priserne med andre priser. |
Svar503 · api_error | BetingelseDen præcise leverandørrute er ikke tilgængelig. | Næste trinGem svaret, så ruten kan repareres. |
Svar503 · result_pending_check | BetingelseDet oprindelige resultat skal kontrolleres; X-Should-Retry:false. | Næste trinGem det oprindelige operation_id/id, og læs dets status; gentag aldrig den oprindelige POST. |
Svar404 · not_found | BetingelseOperationen til Batch-status findes ikke eller tilhører en anden identitet. | Næste trinBrug det nøjagtige oprindelige id og samme bruger/nøgle/gruppe. |
Ailoot Ultra mistralai/mistral-medium-3-5:batch
Brug metodestierne vist ovenfor.