Mistral Large 2407 ist die Ausgabe 24.07 von Mistral Large 2 von Mistral AI. Es handelt sich um ein dichtes Sprachmodell mit 123 Milliarden Parametern und einem Kontextfenster von 128K. Das Modell verarbeitet schriftliche Anweisungen und Gespräche, um Text, Code oder JSON zu erzeugen. Diese feste Ausgabe bleibt von späteren multimodalen Large-Generationen und von einer fortlaufend aktualisierten Auswahl der Large-Familie getrennt.
Mehrsprachige Arbeit steht im Mittelpunkt der Veröffentlichung. Der Hersteller beschreibt Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Niederländisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch und Hindi. Geben Sie bei einer Dokumentaufgabe die Ausgangssprache, die Antwortsprache und sämtliche unverändert zu belassenden Begriffe an. Ein nützliches Ergebnis kann zwei Passagen vergleichen, einen langen Datensatz zusammenfassen oder die für eine geschäftliche Entscheidung benötigten Informationen extrahieren.
Programmierung ist ein weiterer Schwerpunkt: Das Training umfasst mehr als 80 Programmiersprachen, darunter Python, Java, C, C++, JavaScript, Bash, Swift und Fortran. Bereiten Sie einen Softwareauftrag mit dem relevanten Code, dem erwarteten Verhalten und der zu bewahrenden Vorgabe vor. Verlangen Sie die vorgeschlagene Änderung und ihre Begründung, gefolgt von Prüfungen, die den beobachteten Fehler behandeln. So wird der erzeugte Code mit einem definierten Ergebnis verbunden, statt die Aufgabe bei einem plausiblen Fragment zu belassen.
Die Veröffentlichung betont mathematisches schlussfolgerndes Denken, genaues Befolgen von Anweisungen und lange Gespräche über mehrere Runden. Das Training fördert knappe Antworten und das Eingestehen fehlender Informationen, wenn keine ausreichend gestützte sichere Lösung möglich ist. Ein Prompt zur Problemlösung kann die Voraussetzungen liefern und die Schlussfolgerung, die wichtigen Zwischenschritte sowie fehlende Eingaben verlangen. Folgerunden können eine Vorgabe präzisieren und dabei das etablierte Gespräch verfügbar halten.
Native Funktionsaufrufe unterstützen sowohl parallele als auch aufeinanderfolgende Aufrufe, und JSON-Ausgaben können Informationen an eine Anwendung übergeben. Beschreiben Sie die verfügbaren Funktionen und ihre Eingabefelder und geben Sie dann das Ziel des Nutzers an. Das Modell schlägt die Funktionsaufrufe vor; die Anwendung führt sie aus und liefert ihre Ergebnisse zurück, bevor das Modell fortfährt. Bewahren Sie während dieses Austauschs die Zuordnung zwischen Aufruf und Ergebnis. Die veröffentlichten Beispiele dieser genauen Ausgabe verwenden im Protokoll des Herstellers Werkzeugaufrufkennungen aus neun alphanumerischen Zeichen.
Stellen Sie für abrufgestützte Arbeit das relevante Material bereit oder lassen Sie es von der umgebenden Anwendung abrufen. Verlangen Sie, dass die Antwort für jede Schlussfolgerung die stützende Passage benennt. Ein Richtlinienassistent kann beispielsweise die Situation eines Nutzers mit der bereitgestellten Richtlinie vergleichen und die anwendbare Regel, die Belege und die nächste zu klärende Frage zurückgeben. Eine JSON-Extraktionsaufgabe sollte die erforderlichen Felder und den Umgang mit Informationen definieren, die in der Quelle fehlen. JSON-Generierung ist eine Modellfähigkeit; die Anwendung prüft weiterhin, ob das Ergebnis ihrer erforderlichen Struktur entspricht.
Der veröffentlichte Instruct-Modellstand hat keine eingebauten Moderationsmechanismen, worauf seine Modellkarte ausdrücklich hinweist. Eine Anwendung, die moderierte Ausgaben benötigt, braucht eigene Kontrollen. Auch der lange Modellkontext bleibt eine begrenzte Ressource: Bereiten Sie die relevanten Dokumentabschnitte und das Gespräch so vor, dass die gewünschte Antwort neben der Eingabe Platz hat.
", "aboutText": "Mistral Large 2407 ist die Ausgabe 24.07 von Mistral Large 2 von Mistral AI. Es handelt sich um ein dichtes Sprachmodell mit 123 Milliarden Parametern und einem Kontextfenster von 128K. Das Modell verarbeitet schriftliche Anweisungen und Gespräche, um Text, Code oder JSON zu erzeugen. Diese feste Ausgabe bleibt von späteren multimodalen Large-Generationen und von einer fortlaufend aktualisierten Auswahl der Large-Familie getrennt.\n\nMehrsprachige Arbeit steht im Mittelpunkt der Veröffentlichung. Der Hersteller beschreibt Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Niederländisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch und Hindi. Geben Sie bei einer Dokumentaufgabe die Ausgangssprache, die Antwortsprache und sämtliche unverändert zu belassenden Begriffe an. Ein nützliches Ergebnis kann zwei Passagen vergleichen, einen langen Datensatz zusammenfassen oder die für eine geschäftliche Entscheidung benötigten Informationen extrahieren.\n\nProgrammierung ist ein weiterer Schwerpunkt: Das Training umfasst mehr als 80 Programmiersprachen, darunter Python, Java, C, C++, JavaScript, Bash, Swift und Fortran. Bereiten Sie einen Softwareauftrag mit dem relevanten Code, dem erwarteten Verhalten und der zu bewahrenden Vorgabe vor. Verlangen Sie die vorgeschlagene Änderung und ihre Begründung, gefolgt von Prüfungen, die den beobachteten Fehler behandeln. So wird der erzeugte Code mit einem definierten Ergebnis verbunden, statt die Aufgabe bei einem plausiblen Fragment zu belassen.\n\nDie Veröffentlichung betont mathematisches schlussfolgerndes Denken, genaues Befolgen von Anweisungen und lange Gespräche über mehrere Runden. Das Training fördert knappe Antworten und das Eingestehen fehlender Informationen, wenn keine ausreichend gestützte sichere Lösung möglich ist. Ein Prompt zur Problemlösung kann die Voraussetzungen liefern und die Schlussfolgerung, die wichtigen Zwischenschritte sowie fehlende Eingaben verlangen. Folgerunden können eine Vorgabe präzisieren und dabei das etablierte Gespräch verfügbar halten.\n\nNative Funktionsaufrufe unterstützen sowohl parallele als auch aufeinanderfolgende Aufrufe, und JSON-Ausgaben können Informationen an eine Anwendung übergeben. Beschreiben Sie die verfügbaren Funktionen und ihre Eingabefelder und geben Sie dann das Ziel des Nutzers an. Das Modell schlägt die Funktionsaufrufe vor; die Anwendung führt sie aus und liefert ihre Ergebnisse zurück, bevor das Modell fortfährt. Bewahren Sie während dieses Austauschs die Zuordnung zwischen Aufruf und Ergebnis. Die veröffentlichten Beispiele dieser genauen Ausgabe verwenden im Protokoll des Herstellers Werkzeugaufrufkennungen aus neun alphanumerischen Zeichen.\n\nStellen Sie für abrufgestützte Arbeit das relevante Material bereit oder lassen Sie es von der umgebenden Anwendung abrufen. Verlangen Sie, dass die Antwort für jede Schlussfolgerung die stützende Passage benennt. Ein Richtlinienassistent kann beispielsweise die Situation eines Nutzers mit der bereitgestellten Richtlinie vergleichen und die anwendbare Regel, die Belege und die nächste zu klärende Frage zurückgeben. Eine JSON-Extraktionsaufgabe sollte die erforderlichen Felder und den Umgang mit Informationen definieren, die in der Quelle fehlen. JSON-Generierung ist eine Modellfähigkeit; die Anwendung prüft weiterhin, ob das Ergebnis ihrer erforderlichen Struktur entspricht.\n\nDer veröffentlichte Instruct-Modellstand hat keine eingebauten Moderationsmechanismen, worauf seine Modellkarte ausdrücklich hinweist. Eine Anwendung, die moderierte Ausgaben benötigt, braucht eigene Kontrollen. Auch der lange Modellkontext bleibt eine begrenzte Ressource: Bereiten Sie die relevanten Dokumentabschnitte und das Gespräch so vor, dass die gewünschte Antwort neben der Eingabe Platz hat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.mistralai/mistral-large-2407Mistral Large 2407 ist die dichte Ausgabe Mistral Large 2 mit 123 Milliarden Parametern für mehrsprachigen Text, Programmierung und schlussfolgerndes Denken in einem Kontext von 128K. Native Funktionsaufrufe, JSON-Ausgaben und das Befolgen von Anweisungen über mehrere Gesprächsrunden unterstützen Dokument- und Geschäftsabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 2407 ist die Ausgabe 24.07 von Mistral Large 2 von Mistral AI. Es handelt sich um ein dichtes Sprachmodell mit 123 Milliarden Parametern und einem Kontextfenster von 128K. Das Modell verarbeitet schriftliche Anweisungen und Gespräche, um Text, Code oder JSON zu erzeugen. Diese feste Ausgabe bleibt von späteren multimodalen Large-Generationen und von einer fortlaufend aktualisierten Auswahl der Large-Familie getrennt.
Mehrsprachige Arbeit steht im Mittelpunkt der Veröffentlichung. Der Hersteller beschreibt Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Niederländisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch und Hindi. Geben Sie bei einer Dokumentaufgabe die Ausgangssprache, die Antwortsprache und sämtliche unverändert zu belassenden Begriffe an. Ein nützliches Ergebnis kann zwei Passagen vergleichen, einen langen Datensatz zusammenfassen oder die für eine geschäftliche Entscheidung benötigten Informationen extrahieren.
Programmierung ist ein weiterer Schwerpunkt: Das Training umfasst mehr als 80 Programmiersprachen, darunter Python, Java, C, C++, JavaScript, Bash, Swift und Fortran. Bereiten Sie einen Softwareauftrag mit dem relevanten Code, dem erwarteten Verhalten und der zu bewahrenden Vorgabe vor. Verlangen Sie die vorgeschlagene Änderung und ihre Begründung, gefolgt von Prüfungen, die den beobachteten Fehler behandeln. So wird der erzeugte Code mit einem definierten Ergebnis verbunden, statt die Aufgabe bei einem plausiblen Fragment zu belassen.
Die Veröffentlichung betont mathematisches schlussfolgerndes Denken, genaues Befolgen von Anweisungen und lange Gespräche über mehrere Runden. Das Training fördert knappe Antworten und das Eingestehen fehlender Informationen, wenn keine ausreichend gestützte sichere Lösung möglich ist. Ein Prompt zur Problemlösung kann die Voraussetzungen liefern und die Schlussfolgerung, die wichtigen Zwischenschritte sowie fehlende Eingaben verlangen. Folgerunden können eine Vorgabe präzisieren und dabei das etablierte Gespräch verfügbar halten.
Native Funktionsaufrufe unterstützen sowohl parallele als auch aufeinanderfolgende Aufrufe, und JSON-Ausgaben können Informationen an eine Anwendung übergeben. Beschreiben Sie die verfügbaren Funktionen und ihre Eingabefelder und geben Sie dann das Ziel des Nutzers an. Das Modell schlägt die Funktionsaufrufe vor; die Anwendung führt sie aus und liefert ihre Ergebnisse zurück, bevor das Modell fortfährt. Bewahren Sie während dieses Austauschs die Zuordnung zwischen Aufruf und Ergebnis. Die veröffentlichten Beispiele dieser genauen Ausgabe verwenden im Protokoll des Herstellers Werkzeugaufrufkennungen aus neun alphanumerischen Zeichen.
Stellen Sie für abrufgestützte Arbeit das relevante Material bereit oder lassen Sie es von der umgebenden Anwendung abrufen. Verlangen Sie, dass die Antwort für jede Schlussfolgerung die stützende Passage benennt. Ein Richtlinienassistent kann beispielsweise die Situation eines Nutzers mit der bereitgestellten Richtlinie vergleichen und die anwendbare Regel, die Belege und die nächste zu klärende Frage zurückgeben. Eine JSON-Extraktionsaufgabe sollte die erforderlichen Felder und den Umgang mit Informationen definieren, die in der Quelle fehlen. JSON-Generierung ist eine Modellfähigkeit; die Anwendung prüft weiterhin, ob das Ergebnis ihrer erforderlichen Struktur entspricht.
Der veröffentlichte Instruct-Modellstand hat keine eingebauten Moderationsmechanismen, worauf seine Modellkarte ausdrücklich hinweist. Eine Anwendung, die moderierte Ausgaben benötigt, braucht eigene Kontrollen. Auch der lange Modellkontext bleibt eine begrenzte Ressource: Bereiten Sie die relevanten Dokumentabschnitte und das Gespräch so vor, dass die gewünschte Antwort neben der Eingabe Platz hat.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-2407 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-2407", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2407',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2407',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-large-2407
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-large-2407Mistral Large 2407 ist die dichte Ausgabe Mistral Large 2 mit 123 Milliarden Parametern für mehrsprachigen Text, Programmierung und schlussfolgerndes Denken in einem Kontext von 128K. Native Funktionsaufrufe, JSON-Ausgaben und das Befolgen von Anweisungen über mehrere Gesprächsrunden unterstützen Dokument- und Geschäftsabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 2407 ist die Ausgabe 24.07 von Mistral Large 2 von Mistral AI. Es handelt sich um ein dichtes Sprachmodell mit 123 Milliarden Parametern und einem Kontextfenster von 128K. Das Modell verarbeitet schriftliche Anweisungen und Gespräche, um Text, Code oder JSON zu erzeugen. Diese feste Ausgabe bleibt von späteren multimodalen Large-Generationen und von einer fortlaufend aktualisierten Auswahl der Large-Familie getrennt.
Mehrsprachige Arbeit steht im Mittelpunkt der Veröffentlichung. Der Hersteller beschreibt Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Niederländisch, Russisch, Chinesisch, Japanisch, Koreanisch, Arabisch und Hindi. Geben Sie bei einer Dokumentaufgabe die Ausgangssprache, die Antwortsprache und sämtliche unverändert zu belassenden Begriffe an. Ein nützliches Ergebnis kann zwei Passagen vergleichen, einen langen Datensatz zusammenfassen oder die für eine geschäftliche Entscheidung benötigten Informationen extrahieren.
Programmierung ist ein weiterer Schwerpunkt: Das Training umfasst mehr als 80 Programmiersprachen, darunter Python, Java, C, C++, JavaScript, Bash, Swift und Fortran. Bereiten Sie einen Softwareauftrag mit dem relevanten Code, dem erwarteten Verhalten und der zu bewahrenden Vorgabe vor. Verlangen Sie die vorgeschlagene Änderung und ihre Begründung, gefolgt von Prüfungen, die den beobachteten Fehler behandeln. So wird der erzeugte Code mit einem definierten Ergebnis verbunden, statt die Aufgabe bei einem plausiblen Fragment zu belassen.
Die Veröffentlichung betont mathematisches schlussfolgerndes Denken, genaues Befolgen von Anweisungen und lange Gespräche über mehrere Runden. Das Training fördert knappe Antworten und das Eingestehen fehlender Informationen, wenn keine ausreichend gestützte sichere Lösung möglich ist. Ein Prompt zur Problemlösung kann die Voraussetzungen liefern und die Schlussfolgerung, die wichtigen Zwischenschritte sowie fehlende Eingaben verlangen. Folgerunden können eine Vorgabe präzisieren und dabei das etablierte Gespräch verfügbar halten.
Native Funktionsaufrufe unterstützen sowohl parallele als auch aufeinanderfolgende Aufrufe, und JSON-Ausgaben können Informationen an eine Anwendung übergeben. Beschreiben Sie die verfügbaren Funktionen und ihre Eingabefelder und geben Sie dann das Ziel des Nutzers an. Das Modell schlägt die Funktionsaufrufe vor; die Anwendung führt sie aus und liefert ihre Ergebnisse zurück, bevor das Modell fortfährt. Bewahren Sie während dieses Austauschs die Zuordnung zwischen Aufruf und Ergebnis. Die veröffentlichten Beispiele dieser genauen Ausgabe verwenden im Protokoll des Herstellers Werkzeugaufrufkennungen aus neun alphanumerischen Zeichen.
Stellen Sie für abrufgestützte Arbeit das relevante Material bereit oder lassen Sie es von der umgebenden Anwendung abrufen. Verlangen Sie, dass die Antwort für jede Schlussfolgerung die stützende Passage benennt. Ein Richtlinienassistent kann beispielsweise die Situation eines Nutzers mit der bereitgestellten Richtlinie vergleichen und die anwendbare Regel, die Belege und die nächste zu klärende Frage zurückgeben. Eine JSON-Extraktionsaufgabe sollte die erforderlichen Felder und den Umgang mit Informationen definieren, die in der Quelle fehlen. JSON-Generierung ist eine Modellfähigkeit; die Anwendung prüft weiterhin, ob das Ergebnis ihrer erforderlichen Struktur entspricht.
Der veröffentlichte Instruct-Modellstand hat keine eingebauten Moderationsmechanismen, worauf seine Modellkarte ausdrücklich hinweist. Eine Anwendung, die moderierte Ausgaben benötigt, braucht eigene Kontrollen. Auch der lange Modellkontext bleibt eine begrenzte Ressource: Bereiten Sie die relevanten Dokumentabschnitte und das Gespräch so vor, dass die gewünschte Antwort neben der Eingabe Platz hat.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-2407 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.02 / 1K Tokens Eingabe · Cache lesen $0.0004 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-large-2407
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.