Mistral Medium 3 er Mistral AI's multimodale model til professionelt arbejde med tekst, visuel forståelse og kode. Den oprindelige udgivelse fremhæver kodning og STEM-opgaver sammen med tilpasning til virksomheders viden og arbejdsgange. Den tager imod tekstligt og visuelt materiale og producerer tekst, herunder en dokumentforklaring, en struktureret post eller et forslag til implementering. Producentens faste identifikator for denne udgave er mistral-medium-2505.
Kontekst og professionelt kildemateriale
Modelsiden angiver et kontekstvindue på 128k. Brug konteksten til at bevare de kildepassager, den samtale og de instruktioner, der bestemmer den ønskede artefakt. Til en dokumentsammenligning skal du identificere, hvilken kilde der er det aktuelle krav, hvilken der er den foreslåede revision, og hvilket spørgsmål der skal afklares. Bed om det understøttende dokument og afsnit ved siden af hvert fund.
En praktisk forklaringsopgave kan give en procedure og en brugers spørgsmål og derefter bede om den relevante handling og den betingelse, der gør den anvendelig. En teknisk analyse kan omfatte kildedata, definitioner og sammenligningskriteriet. Målet er et resultat knyttet til det givne materiale frem for en generel beskrivelse af emnet.
Strukturerede output og funktioner
Siden angiver strukturerede output og funktionskald. Til udtrækning skal du definere feltnavne, typer og repræsentationen af manglende kildeoplysninger. En nyttig post kan adskille identifikatoren, kildeudsagnet, fortolkningen og det uafklarede spørgsmål. Mistrals fælles vejledning skelner mellem JSON-tilstand og et brugerdefineret skema og kræver en udtrykkelig anmodning om det ønskede JSON-format.
Funktionskald forbinder modellens fortolkning med operationer, applikationen beskriver. Modellen vælger en funktion og forbereder argumenter, applikationen udfører funktionen, og resultatet bliver kontekst for næste svar. Et opslag kan levere en manglende referenceværdi; en beregning kan levere et resultat, forklaringen behøver. Hold resultatet knyttet til den operation, der producerede det, frem for at behandle det foreslåede kald som en udført handling.
Dokument- og billedspørgsmål
Besvarelse af dokumentspørgsmål er også angivet for denne udgave. Producentens dokumenterede arbejdsgang klargør et dokuments tekst, struktur og formatering med OCR før sprogmodelanalysen. Spørg til det konkrete krav, den passage eller den relation, opgaven har brug for. Ved flere dokumenter skal du bevare deres identiteter og bede om en sammenligning med kildeplaceringen ved siden af hver konklusion.
Til visuelt materiale skal du kombinere billedet med et defineret spørgsmål og bevare de etiketter, enheder og områder, der kræves for at besvare det. Et diagram kan spørge til en sammenligning mellem navngivne serier; en tegning kan spørge, hvilken forbindelse der understøtter et givet krav. Et læsbart dokumentbillede og et OCR-klargjort dokument er forskellige inputforberedelser, selv når begge tjener samme mål om at besvare spørgsmål.
Redigering, præfikser og arbejdsgange
Modelsiden angiver forudsagte output, svarpræfikser, batchbehandling og agentsamtaler. Forudsagte output bruger kendt indhold, når det meste af et dokument eller en kodefil skal bestå, mens en begrænset del ændres. Lever det eksisterende indhold, angiv redigeringen, og identificer materialet, der skal bevares. Det adskiller sig fra at bede modellen oprette et helt nyt dokument.
Et svarpræfiks leverer en kendt begyndelse til assistentens genererede tekst, som derefter fortsætter fra denne begyndelse. Batchbehandling ændrer, hvordan opgaver indsendes, mens en agent-/samtalegrænseflade styrer en sammenhængende arbejdsgang. De angivne indbyggede værktøjer tilhører denne producentgrænseflade; de tilføjer ikke en anden indholdsmodalitet til den underliggende model og udfører ikke en handling uden det tilsluttede miljø.
Kodning og domænetilpasning
Til en programmeringsanmodning skal du give kravet, den berørte funktion, relevante deklarationer og forventet input og output. Bed om den foreslåede ændring, dens antagelser og eksempler, der adskiller den tilsigtede adfærd. Et fejlfindingsspørgsmål kan omfatte dokumentation for fejlen og spørge, hvilket forløb gennem kildekoden der forklarer den. Adgang til kodebasen, kodekørsel og anvendelse af ændringen kommer fra de omgivende udviklingsværktøjer.
Den oprindelige meddelelse beskriver tilpasset eftertræning og finjustering til virksomhedskontekster og vidensbaser inden for bestemte domæner. Det er en særskilt tilpasningsproces og ikke en påstand om, at standardmodellen allerede kender en bestemt organisations dokumenter. Til et kildebetinget svar skal du give de relevante dokumenter og termer direkte med opgaven og definere svarreglerne.
Udgave og resultatgrænser
Denne post bevarer Medium 3's 2505-identitet og kontekst på 128k. Det arkitekturmæssige parameterantal og den konfigurerbare styring af hybridt ræsonnement, som senere dokumenteres for Medium 3.5, er ikke en del af denne udgaves angivne specifikation. Den konkrete modelside offentliggør ikke et parameterantal eller en særskilt fast maksimal svarlængde, der kan lånes fra en senere udgivelse.
Forbered det tilsigtede resultat før anmodningen: en forklaring, struktureret udtrækning, et revideret afsnit eller foreslået kode. Hold tekstlige og visuelle beviser, kildeidentiteter og eventuelle tilsluttede værktøjsresultater udtrykkelige, så svaret kan undersøges og anvendes i næste trin i applikationen.
", "aboutText": "Mistral Medium 3 er Mistral AI's multimodale model til professionelt arbejde med tekst, visuel forståelse og kode. Den oprindelige udgivelse fremhæver kodning og STEM-opgaver sammen med tilpasning til virksomheders viden og arbejdsgange. Den tager imod tekstligt og visuelt materiale og producerer tekst, herunder en dokumentforklaring, en struktureret post eller et forslag til implementering. Producentens faste identifikator for denne udgave er mistral-medium-2505.\n\nKontekst og professionelt kildemateriale\n\nModelsiden angiver et kontekstvindue på 128k. Brug konteksten til at bevare de kildepassager, den samtale og de instruktioner, der bestemmer den ønskede artefakt. Til en dokumentsammenligning skal du identificere, hvilken kilde der er det aktuelle krav, hvilken der er den foreslåede revision, og hvilket spørgsmål der skal afklares. Bed om det understøttende dokument og afsnit ved siden af hvert fund.\n\nEn praktisk forklaringsopgave kan give en procedure og en brugers spørgsmål og derefter bede om den relevante handling og den betingelse, der gør den anvendelig. En teknisk analyse kan omfatte kildedata, definitioner og sammenligningskriteriet. Målet er et resultat knyttet til det givne materiale frem for en generel beskrivelse af emnet.\n\nStrukturerede output og funktioner\n\nSiden angiver strukturerede output og funktionskald. Til udtrækning skal du definere feltnavne, typer og repræsentationen af manglende kildeoplysninger. En nyttig post kan adskille identifikatoren, kildeudsagnet, fortolkningen og det uafklarede spørgsmål. Mistrals fælles vejledning skelner mellem JSON-tilstand og et brugerdefineret skema og kræver en udtrykkelig anmodning om det ønskede JSON-format.\n\nFunktionskald forbinder modellens fortolkning med operationer, applikationen beskriver. Modellen vælger en funktion og forbereder argumenter, applikationen udfører funktionen, og resultatet bliver kontekst for næste svar. Et opslag kan levere en manglende referenceværdi; en beregning kan levere et resultat, forklaringen behøver. Hold resultatet knyttet til den operation, der producerede det, frem for at behandle det foreslåede kald som en udført handling.\n\nDokument- og billedspørgsmål\n\nBesvarelse af dokumentspørgsmål er også angivet for denne udgave. Producentens dokumenterede arbejdsgang klargør et dokuments tekst, struktur og formatering med OCR før sprogmodelanalysen. Spørg til det konkrete krav, den passage eller den relation, opgaven har brug for. Ved flere dokumenter skal du bevare deres identiteter og bede om en sammenligning med kildeplaceringen ved siden af hver konklusion.\n\nTil visuelt materiale skal du kombinere billedet med et defineret spørgsmål og bevare de etiketter, enheder og områder, der kræves for at besvare det. Et diagram kan spørge til en sammenligning mellem navngivne serier; en tegning kan spørge, hvilken forbindelse der understøtter et givet krav. Et læsbart dokumentbillede og et OCR-klargjort dokument er forskellige inputforberedelser, selv når begge tjener samme mål om at besvare spørgsmål.\n\nRedigering, præfikser og arbejdsgange\n\nModelsiden angiver forudsagte output, svarpræfikser, batchbehandling og agentsamtaler. Forudsagte output bruger kendt indhold, når det meste af et dokument eller en kodefil skal bestå, mens en begrænset del ændres. Lever det eksisterende indhold, angiv redigeringen, og identificer materialet, der skal bevares. Det adskiller sig fra at bede modellen oprette et helt nyt dokument.\n\nEt svarpræfiks leverer en kendt begyndelse til assistentens genererede tekst, som derefter fortsætter fra denne begyndelse. Batchbehandling ændrer, hvordan opgaver indsendes, mens en agent-/samtalegrænseflade styrer en sammenhængende arbejdsgang. De angivne indbyggede værktøjer tilhører denne producentgrænseflade; de tilføjer ikke en anden indholdsmodalitet til den underliggende model og udfører ikke en handling uden det tilsluttede miljø.\n\nKodning og domænetilpasning\n\nTil en programmeringsanmodning skal du give kravet, den berørte funktion, relevante deklarationer og forventet input og output. Bed om den foreslåede ændring, dens antagelser og eksempler, der adskiller den tilsigtede adfærd. Et fejlfindingsspørgsmål kan omfatte dokumentation for fejlen og spørge, hvilket forløb gennem kildekoden der forklarer den. Adgang til kodebasen, kodekørsel og anvendelse af ændringen kommer fra de omgivende udviklingsværktøjer.\n\nDen oprindelige meddelelse beskriver tilpasset eftertræning og finjustering til virksomhedskontekster og vidensbaser inden for bestemte domæner. Det er en særskilt tilpasningsproces og ikke en påstand om, at standardmodellen allerede kender en bestemt organisations dokumenter. Til et kildebetinget svar skal du give de relevante dokumenter og termer direkte med opgaven og definere svarreglerne.\n\nUdgave og resultatgrænser\n\nDenne post bevarer Medium 3's 2505-identitet og kontekst på 128k. Det arkitekturmæssige parameterantal og den konfigurerbare styring af hybridt ræsonnement, som senere dokumenteres for Medium 3.5, er ikke en del af denne udgaves angivne specifikation. Den konkrete modelside offentliggør ikke et parameterantal eller en særskilt fast maksimal svarlængde, der kan lånes fra en senere udgivelse.\n\nForbered det tilsigtede resultat før anmodningen: en forklaring, struktureret udtrækning, et revideret afsnit eller foreslået kode. Hold tekstlige og visuelle beviser, kildeidentiteter og eventuelle tilsluttede værktøjsresultater udtrykkelige, så svaret kan undersøges og anvendes i næste trin i applikationen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 er en multimodal model til professionelle tekst-, billed- og kodeopgaver. Dens producentangivne kontekst på 128k og dokumenterede strukturerede output, funktionskald, dokumentspørgsmål og forudsigelige ændringer understøtter kildebaserede forklaringer og applikationsarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Medium 3 er Mistral AI's multimodale model til professionelt arbejde med tekst, visuel forståelse og kode. Den oprindelige udgivelse fremhæver kodning og STEM-opgaver sammen med tilpasning til virksomheders viden og arbejdsgange. Den tager imod tekstligt og visuelt materiale og producerer tekst, herunder en dokumentforklaring, en struktureret post eller et forslag til implementering. Producentens faste identifikator for denne udgave er mistral-medium-2505.
Kontekst og professionelt kildemateriale
Modelsiden angiver et kontekstvindue på 128k. Brug konteksten til at bevare de kildepassager, den samtale og de instruktioner, der bestemmer den ønskede artefakt. Til en dokumentsammenligning skal du identificere, hvilken kilde der er det aktuelle krav, hvilken der er den foreslåede revision, og hvilket spørgsmål der skal afklares. Bed om det understøttende dokument og afsnit ved siden af hvert fund.
En praktisk forklaringsopgave kan give en procedure og en brugers spørgsmål og derefter bede om den relevante handling og den betingelse, der gør den anvendelig. En teknisk analyse kan omfatte kildedata, definitioner og sammenligningskriteriet. Målet er et resultat knyttet til det givne materiale frem for en generel beskrivelse af emnet.
Strukturerede output og funktioner
Siden angiver strukturerede output og funktionskald. Til udtrækning skal du definere feltnavne, typer og repræsentationen af manglende kildeoplysninger. En nyttig post kan adskille identifikatoren, kildeudsagnet, fortolkningen og det uafklarede spørgsmål. Mistrals fælles vejledning skelner mellem JSON-tilstand og et brugerdefineret skema og kræver en udtrykkelig anmodning om det ønskede JSON-format.
Funktionskald forbinder modellens fortolkning med operationer, applikationen beskriver. Modellen vælger en funktion og forbereder argumenter, applikationen udfører funktionen, og resultatet bliver kontekst for næste svar. Et opslag kan levere en manglende referenceværdi; en beregning kan levere et resultat, forklaringen behøver. Hold resultatet knyttet til den operation, der producerede det, frem for at behandle det foreslåede kald som en udført handling.
Dokument- og billedspørgsmål
Besvarelse af dokumentspørgsmål er også angivet for denne udgave. Producentens dokumenterede arbejdsgang klargør et dokuments tekst, struktur og formatering med OCR før sprogmodelanalysen. Spørg til det konkrete krav, den passage eller den relation, opgaven har brug for. Ved flere dokumenter skal du bevare deres identiteter og bede om en sammenligning med kildeplaceringen ved siden af hver konklusion.
Til visuelt materiale skal du kombinere billedet med et defineret spørgsmål og bevare de etiketter, enheder og områder, der kræves for at besvare det. Et diagram kan spørge til en sammenligning mellem navngivne serier; en tegning kan spørge, hvilken forbindelse der understøtter et givet krav. Et læsbart dokumentbillede og et OCR-klargjort dokument er forskellige inputforberedelser, selv når begge tjener samme mål om at besvare spørgsmål.
Redigering, præfikser og arbejdsgange
Modelsiden angiver forudsagte output, svarpræfikser, batchbehandling og agentsamtaler. Forudsagte output bruger kendt indhold, når det meste af et dokument eller en kodefil skal bestå, mens en begrænset del ændres. Lever det eksisterende indhold, angiv redigeringen, og identificer materialet, der skal bevares. Det adskiller sig fra at bede modellen oprette et helt nyt dokument.
Et svarpræfiks leverer en kendt begyndelse til assistentens genererede tekst, som derefter fortsætter fra denne begyndelse. Batchbehandling ændrer, hvordan opgaver indsendes, mens en agent-/samtalegrænseflade styrer en sammenhængende arbejdsgang. De angivne indbyggede værktøjer tilhører denne producentgrænseflade; de tilføjer ikke en anden indholdsmodalitet til den underliggende model og udfører ikke en handling uden det tilsluttede miljø.
Kodning og domænetilpasning
Til en programmeringsanmodning skal du give kravet, den berørte funktion, relevante deklarationer og forventet input og output. Bed om den foreslåede ændring, dens antagelser og eksempler, der adskiller den tilsigtede adfærd. Et fejlfindingsspørgsmål kan omfatte dokumentation for fejlen og spørge, hvilket forløb gennem kildekoden der forklarer den. Adgang til kodebasen, kodekørsel og anvendelse af ændringen kommer fra de omgivende udviklingsværktøjer.
Den oprindelige meddelelse beskriver tilpasset eftertræning og finjustering til virksomhedskontekster og vidensbaser inden for bestemte domæner. Det er en særskilt tilpasningsproces og ikke en påstand om, at standardmodellen allerede kender en bestemt organisations dokumenter. Til et kildebetinget svar skal du give de relevante dokumenter og termer direkte med opgaven og definere svarreglerne.
Udgave og resultatgrænser
Denne post bevarer Medium 3's 2505-identitet og kontekst på 128k. Det arkitekturmæssige parameterantal og den konfigurerbare styring af hybridt ræsonnement, som senere dokumenteres for Medium 3.5, er ikke en del af denne udgaves angivne specifikation. Den konkrete modelside offentliggør ikke et parameterantal eller en særskilt fast maksimal svarlængde, der kan lånes fra en senere udgivelse.
Forbered det tilsigtede resultat før anmodningen: en forklaring, struktureret udtrækning, et revideret afsnit eller foreslået kode. Hold tekstlige og visuelle beviser, kildeidentiteter og eventuelle tilsluttede værktøjsresultater udtrykkelige, så svaret kan undersøges og anvendes i næste trin i applikationen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-medium-3 | 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", "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',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',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
Brug metodestierne vist ovenfor.
mistralai/mistral-medium-3Mistral Medium 3 er en multimodal model til professionelle tekst-, billed- og kodeopgaver. Dens producentangivne kontekst på 128k og dokumenterede strukturerede output, funktionskald, dokumentspørgsmål og forudsigelige ændringer understøtter kildebaserede forklaringer og applikationsarbejdsgange.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Mistral Medium 3 er Mistral AI's multimodale model til professionelt arbejde med tekst, visuel forståelse og kode. Den oprindelige udgivelse fremhæver kodning og STEM-opgaver sammen med tilpasning til virksomheders viden og arbejdsgange. Den tager imod tekstligt og visuelt materiale og producerer tekst, herunder en dokumentforklaring, en struktureret post eller et forslag til implementering. Producentens faste identifikator for denne udgave er mistral-medium-2505.
Kontekst og professionelt kildemateriale
Modelsiden angiver et kontekstvindue på 128k. Brug konteksten til at bevare de kildepassager, den samtale og de instruktioner, der bestemmer den ønskede artefakt. Til en dokumentsammenligning skal du identificere, hvilken kilde der er det aktuelle krav, hvilken der er den foreslåede revision, og hvilket spørgsmål der skal afklares. Bed om det understøttende dokument og afsnit ved siden af hvert fund.
En praktisk forklaringsopgave kan give en procedure og en brugers spørgsmål og derefter bede om den relevante handling og den betingelse, der gør den anvendelig. En teknisk analyse kan omfatte kildedata, definitioner og sammenligningskriteriet. Målet er et resultat knyttet til det givne materiale frem for en generel beskrivelse af emnet.
Strukturerede output og funktioner
Siden angiver strukturerede output og funktionskald. Til udtrækning skal du definere feltnavne, typer og repræsentationen af manglende kildeoplysninger. En nyttig post kan adskille identifikatoren, kildeudsagnet, fortolkningen og det uafklarede spørgsmål. Mistrals fælles vejledning skelner mellem JSON-tilstand og et brugerdefineret skema og kræver en udtrykkelig anmodning om det ønskede JSON-format.
Funktionskald forbinder modellens fortolkning med operationer, applikationen beskriver. Modellen vælger en funktion og forbereder argumenter, applikationen udfører funktionen, og resultatet bliver kontekst for næste svar. Et opslag kan levere en manglende referenceværdi; en beregning kan levere et resultat, forklaringen behøver. Hold resultatet knyttet til den operation, der producerede det, frem for at behandle det foreslåede kald som en udført handling.
Dokument- og billedspørgsmål
Besvarelse af dokumentspørgsmål er også angivet for denne udgave. Producentens dokumenterede arbejdsgang klargør et dokuments tekst, struktur og formatering med OCR før sprogmodelanalysen. Spørg til det konkrete krav, den passage eller den relation, opgaven har brug for. Ved flere dokumenter skal du bevare deres identiteter og bede om en sammenligning med kildeplaceringen ved siden af hver konklusion.
Til visuelt materiale skal du kombinere billedet med et defineret spørgsmål og bevare de etiketter, enheder og områder, der kræves for at besvare det. Et diagram kan spørge til en sammenligning mellem navngivne serier; en tegning kan spørge, hvilken forbindelse der understøtter et givet krav. Et læsbart dokumentbillede og et OCR-klargjort dokument er forskellige inputforberedelser, selv når begge tjener samme mål om at besvare spørgsmål.
Redigering, præfikser og arbejdsgange
Modelsiden angiver forudsagte output, svarpræfikser, batchbehandling og agentsamtaler. Forudsagte output bruger kendt indhold, når det meste af et dokument eller en kodefil skal bestå, mens en begrænset del ændres. Lever det eksisterende indhold, angiv redigeringen, og identificer materialet, der skal bevares. Det adskiller sig fra at bede modellen oprette et helt nyt dokument.
Et svarpræfiks leverer en kendt begyndelse til assistentens genererede tekst, som derefter fortsætter fra denne begyndelse. Batchbehandling ændrer, hvordan opgaver indsendes, mens en agent-/samtalegrænseflade styrer en sammenhængende arbejdsgang. De angivne indbyggede værktøjer tilhører denne producentgrænseflade; de tilføjer ikke en anden indholdsmodalitet til den underliggende model og udfører ikke en handling uden det tilsluttede miljø.
Kodning og domænetilpasning
Til en programmeringsanmodning skal du give kravet, den berørte funktion, relevante deklarationer og forventet input og output. Bed om den foreslåede ændring, dens antagelser og eksempler, der adskiller den tilsigtede adfærd. Et fejlfindingsspørgsmål kan omfatte dokumentation for fejlen og spørge, hvilket forløb gennem kildekoden der forklarer den. Adgang til kodebasen, kodekørsel og anvendelse af ændringen kommer fra de omgivende udviklingsværktøjer.
Den oprindelige meddelelse beskriver tilpasset eftertræning og finjustering til virksomhedskontekster og vidensbaser inden for bestemte domæner. Det er en særskilt tilpasningsproces og ikke en påstand om, at standardmodellen allerede kender en bestemt organisations dokumenter. Til et kildebetinget svar skal du give de relevante dokumenter og termer direkte med opgaven og definere svarreglerne.
Udgave og resultatgrænser
Denne post bevarer Medium 3's 2505-identitet og kontekst på 128k. Det arkitekturmæssige parameterantal og den konfigurerbare styring af hybridt ræsonnement, som senere dokumenteres for Medium 3.5, er ikke en del af denne udgaves angivne specifikation. Den konkrete modelside offentliggør ikke et parameterantal eller en særskilt fast maksimal svarlængde, der kan lånes fra en senere udgivelse.
Forbered det tilsigtede resultat før anmodningen: en forklaring, struktureret udtrækning, et revideret afsnit eller foreslået kode. Hold tekstlige og visuelle beviser, kildeidentiteter og eventuelle tilsluttede værktøjsresultater udtrykkelige, så svaret kan undersøges og anvendes i næste trin i applikationen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/mistral-medium-3 | 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 $0.00008 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.