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": { "practical_html": "Teknisk eksempel på engelsk
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral 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/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokens Output · Outputtokens $0.015 / 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 $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "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-3-5',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-3-5',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-3-5
Brug metodestierne vist ovenfor.
mistralai/mistral-medium-3-5Mistral 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/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokens Output · Outputtokens $0.015 / 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 $0.003 / 1K tokens Output · Outputtokens $0.015 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-5', '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-3-5', '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-3-5
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.