Mistral Large 3 2512 ist die auf Anweisungen abgestimmte Ausgabe von Mistral AI für allgemeine Gespräche, visuelles Verständnis und Unternehmensarbeit. Seine dünn besetzte Mixture-of-Experts-Architektur hat insgesamt 675 Milliarden Parameter, davon 41 Milliarden aktive, und ein Kontextfenster von 256k. Text und Bilder können zur selben Aufgabe beitragen, während die Antwort aus Text, Code oder einem strukturierten Ergebnis besteht.
Fähigkeiten und Eingabevorbereitung
Das Modell verbindet eine Sprachkomponente mit einem Vision-Encoder. Geben Sie einem Bild eine klare Rolle: eine zu lesende Seite, ein zu interpretierendes Diagramm oder ein zu erklärender Bildschirm. Stellen Sie bei einem dicht gefüllten Bildschirm einen Ausschnitt mit den relevanten Bedienelementen bereit und bewahren Sie die umgebenden Beschriftungen, die zu ihrem Verständnis nötig sind. Mistral empfiehlt annähernd quadratische Bildformen; teilen Sie eine außergewöhnlich schmale oder breite Quelle in nützliche Bereiche, statt wichtige Details auf einen unlesbaren Streifen zu verkleinern.
Der Hersteller nennt mehrsprachige Gespräche in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Geben Sie Ausgabesprache, Zielgruppe und zu bewahrende Terminologie an. Verlangen Sie für einen Supportartikel eine lokalisierte Erklärung mit unveränderten Produktnamen und einer kurzen Liste unsicherer Übersetzungen, die vor der Veröffentlichung zu klären sind.
Lange Dokumente und Unternehmenswissen
Nutzen Sie den Kontext, um zusammengehöriges Material zu bündeln: Richtlinientext, eine Spezifikation, bestehende Entscheidungen und die zu beantwortende Frage. Kennzeichnen Sie jede Quelle und ihre Revision. Eine nützliche Anfrage lautet: „Vergleichen Sie diese drei Onboarding-Richtlinien. Geben Sie eine Tabelle mit gemeinsamen Anforderungen, Konflikten und unbeantworteten Fragen zurück, jeweils mit dem Quellabschnitt für jede Feststellung.“ Das entstehende Artefakt ist ein Vergleich, der sich auf die bereitgestellten Passagen stützt, statt einer allgemeinen Zusammenfassung des Themas.
Benennen Sie bei einer Dokumentfrage den gewünschten Detailgrad und verlangen Sie neben der Schlussfolgerung die stützende Passage. Mistrals Document-QnA-Ablauf extrahiert zuerst Text und Dokumentstruktur mittels OCR und nutzt anschließend ein Sprachmodell zur Interpretation dieses Materials. Bewahren Sie beim Aufbereiten extrahierten Texts Seitenzahlen und Überschriften, damit die Antwort auf das Original zurückverweisen kann. Eine Dokument-URL, extrahierter Text und Bildbelege haben unterschiedliche Vorbereitungsanforderungen; wählen Sie die Eingabeform, die die verwendete Anwendung unterstützt.
Programmierung und alltägliche Unterstützung
Mistral positioniert Large 3 sowohl für Programmierunterstützung als auch für alltägliche Gespräche. Stellen Sie die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bereit. Zum Beispiel: „Dieser Parser verliert das letzte Feld, wenn die Eingabe ohne Zeilenumbruch endet. Erklären Sie den fehlschlagenden Zweig, schlagen Sie die kleinste Änderung vor und geben Sie die korrigierte Funktion mit drei repräsentativen Ein-/Ausgabebeispielen zurück.“ Das nützliche Ergebnis ist eine vorgeschlagene Änderung, die an den tatsächlichen Code gebunden ist, samt einer Menge von Fällen, die die entwickelnde Person ausführen kann.
Stellen Sie für einen geschäftlichen Entwurf die Fakten und das gewünschte Artefakt gemeinsam bereit. Eine Anfrage, Besprechungsnotizen in eine Entscheidungsvorlage umzuwandeln, sollte Entscheidung, Alternativen, ungeklärte Annahmen und nächste Handlung nennen. Bitten Sie das Modell, Quellfakten von Empfehlungen zu trennen und fehlende Informationen im passenden Abschnitt zu kennzeichnen. So lässt sich die Ausgabe leichter überarbeiten als eine undifferenzierte Darstellung.
Werkzeuge und strukturierte Ergebnisse
Native Funktionsaufrufe erlauben dem Modell, eine bereitgestellte Funktion auszuwählen und ihre Argumente vorzubereiten. Die Anwendung führt diese Funktion aus und liefert ihr Ergebnis zurück; das Modell verwendet dann die zurückgegebenen Informationen in der Antwort. Halten Sie die Werkzeuge spezifisch und stellen Sie nur jene bereit, die für die Aufgabe benötigt werden. Ein Assistent für Bestandsprüfungen kann eine Produktreferenz erhalten, eine Bestandsabfrage anfordern und die zurückgegebene Menge sowie das Lager erklären. Validieren Sie die ausgewählte Funktion und die Argumente vor der Ausführung und bewahren Sie die Werkzeugantwort zusammen mit der endgültigen Antwort.
Geben Sie für die Extraktion die Felder, Typen und den Umgang mit fehlenden Werten an. Mistral dokumentiert JSON-Modus und benutzerdefinierte strukturierte Ausgaben; der JSON-Modus verlangt eine ausdrückliche Anweisung zur Rückgabe von JSON, während ein benutzerdefiniertes Schema eine stärkere Formatkontrolle bietet. Eine Rechnungszusammenfassung kann Lieferant, Rechnungsnummer, Fälligkeitsdatum, Währung und Rechnungspositionen verlangen, wobei fehlende Werte einheitlich dargestellt werden. Prüfen Sie die extrahierten Werte anhand des Dokuments, auch wenn die Antwort der verlangten Struktur entspricht.
Einstellungen und Unterschiede zwischen Ausgaben
Definieren Sie Rolle, Aufgabe und Werkzeugregeln in den Systemanweisungen. Mistral empfiehlt für den Produktions- und Alltagsgebrauch dieses Modellstands eine Temperatur unter 0.1; für kreative Aufgaben können höhere Werte erprobt werden. Trennen Sie eine Anfrage nach vielfältigen Ideen von einer Anfrage nach einer reproduzierbaren Extraktion: Geben Sie der ersten Raum für Alternativen und der zweiten ausdrückliche Felder und Quellvorgaben.
Diese Anweisungsausgabe ist vom Basismodellstand Large 3 und von eigens ausgelegten Reasoning-Modellen getrennt. Der Hersteller nennt strenges schlussfolgerndes Denken und spezialisierte visuelle Arbeit als Bereiche, in denen ein speziell dafür entwickeltes Modell vorzuziehen sein kann. Stellen Sie für eine schwierige Berechnung Annahmen und Einheiten bereit, verlangen Sie Zwischenprüfungen und nutzen Sie ein verfügbares Berechnungswerkzeug zur Verifizierung des Ergebnisses. Bereiten Sie bei dichtem visuellem Material lesbare Bereiche vor und vergleichen Sie die Antwort mit der Quelle, bevor Sie sie in einem Bericht verwenden.
", "aboutText": "Mistral Large 3 2512 ist die auf Anweisungen abgestimmte Ausgabe von Mistral AI für allgemeine Gespräche, visuelles Verständnis und Unternehmensarbeit. Seine dünn besetzte Mixture-of-Experts-Architektur hat insgesamt 675 Milliarden Parameter, davon 41 Milliarden aktive, und ein Kontextfenster von 256k. Text und Bilder können zur selben Aufgabe beitragen, während die Antwort aus Text, Code oder einem strukturierten Ergebnis besteht.\n\nFähigkeiten und Eingabevorbereitung\n\nDas Modell verbindet eine Sprachkomponente mit einem Vision-Encoder. Geben Sie einem Bild eine klare Rolle: eine zu lesende Seite, ein zu interpretierendes Diagramm oder ein zu erklärender Bildschirm. Stellen Sie bei einem dicht gefüllten Bildschirm einen Ausschnitt mit den relevanten Bedienelementen bereit und bewahren Sie die umgebenden Beschriftungen, die zu ihrem Verständnis nötig sind. Mistral empfiehlt annähernd quadratische Bildformen; teilen Sie eine außergewöhnlich schmale oder breite Quelle in nützliche Bereiche, statt wichtige Details auf einen unlesbaren Streifen zu verkleinern.\n\nDer Hersteller nennt mehrsprachige Gespräche in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Geben Sie Ausgabesprache, Zielgruppe und zu bewahrende Terminologie an. Verlangen Sie für einen Supportartikel eine lokalisierte Erklärung mit unveränderten Produktnamen und einer kurzen Liste unsicherer Übersetzungen, die vor der Veröffentlichung zu klären sind.\n\nLange Dokumente und Unternehmenswissen\n\nNutzen Sie den Kontext, um zusammengehöriges Material zu bündeln: Richtlinientext, eine Spezifikation, bestehende Entscheidungen und die zu beantwortende Frage. Kennzeichnen Sie jede Quelle und ihre Revision. Eine nützliche Anfrage lautet: „Vergleichen Sie diese drei Onboarding-Richtlinien. Geben Sie eine Tabelle mit gemeinsamen Anforderungen, Konflikten und unbeantworteten Fragen zurück, jeweils mit dem Quellabschnitt für jede Feststellung.“ Das entstehende Artefakt ist ein Vergleich, der sich auf die bereitgestellten Passagen stützt, statt einer allgemeinen Zusammenfassung des Themas.\n\nBenennen Sie bei einer Dokumentfrage den gewünschten Detailgrad und verlangen Sie neben der Schlussfolgerung die stützende Passage. Mistrals Document-QnA-Ablauf extrahiert zuerst Text und Dokumentstruktur mittels OCR und nutzt anschließend ein Sprachmodell zur Interpretation dieses Materials. Bewahren Sie beim Aufbereiten extrahierten Texts Seitenzahlen und Überschriften, damit die Antwort auf das Original zurückverweisen kann. Eine Dokument-URL, extrahierter Text und Bildbelege haben unterschiedliche Vorbereitungsanforderungen; wählen Sie die Eingabeform, die die verwendete Anwendung unterstützt.\n\nProgrammierung und alltägliche Unterstützung\n\nMistral positioniert Large 3 sowohl für Programmierunterstützung als auch für alltägliche Gespräche. Stellen Sie die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bereit. Zum Beispiel: „Dieser Parser verliert das letzte Feld, wenn die Eingabe ohne Zeilenumbruch endet. Erklären Sie den fehlschlagenden Zweig, schlagen Sie die kleinste Änderung vor und geben Sie die korrigierte Funktion mit drei repräsentativen Ein-/Ausgabebeispielen zurück.“ Das nützliche Ergebnis ist eine vorgeschlagene Änderung, die an den tatsächlichen Code gebunden ist, samt einer Menge von Fällen, die die entwickelnde Person ausführen kann.\n\nStellen Sie für einen geschäftlichen Entwurf die Fakten und das gewünschte Artefakt gemeinsam bereit. Eine Anfrage, Besprechungsnotizen in eine Entscheidungsvorlage umzuwandeln, sollte Entscheidung, Alternativen, ungeklärte Annahmen und nächste Handlung nennen. Bitten Sie das Modell, Quellfakten von Empfehlungen zu trennen und fehlende Informationen im passenden Abschnitt zu kennzeichnen. So lässt sich die Ausgabe leichter überarbeiten als eine undifferenzierte Darstellung.\n\nWerkzeuge und strukturierte Ergebnisse\n\nNative Funktionsaufrufe erlauben dem Modell, eine bereitgestellte Funktion auszuwählen und ihre Argumente vorzubereiten. Die Anwendung führt diese Funktion aus und liefert ihr Ergebnis zurück; das Modell verwendet dann die zurückgegebenen Informationen in der Antwort. Halten Sie die Werkzeuge spezifisch und stellen Sie nur jene bereit, die für die Aufgabe benötigt werden. Ein Assistent für Bestandsprüfungen kann eine Produktreferenz erhalten, eine Bestandsabfrage anfordern und die zurückgegebene Menge sowie das Lager erklären. Validieren Sie die ausgewählte Funktion und die Argumente vor der Ausführung und bewahren Sie die Werkzeugantwort zusammen mit der endgültigen Antwort.\n\nGeben Sie für die Extraktion die Felder, Typen und den Umgang mit fehlenden Werten an. Mistral dokumentiert JSON-Modus und benutzerdefinierte strukturierte Ausgaben; der JSON-Modus verlangt eine ausdrückliche Anweisung zur Rückgabe von JSON, während ein benutzerdefiniertes Schema eine stärkere Formatkontrolle bietet. Eine Rechnungszusammenfassung kann Lieferant, Rechnungsnummer, Fälligkeitsdatum, Währung und Rechnungspositionen verlangen, wobei fehlende Werte einheitlich dargestellt werden. Prüfen Sie die extrahierten Werte anhand des Dokuments, auch wenn die Antwort der verlangten Struktur entspricht.\n\nEinstellungen und Unterschiede zwischen Ausgaben\n\nDefinieren Sie Rolle, Aufgabe und Werkzeugregeln in den Systemanweisungen. Mistral empfiehlt für den Produktions- und Alltagsgebrauch dieses Modellstands eine Temperatur unter 0.1; für kreative Aufgaben können höhere Werte erprobt werden. Trennen Sie eine Anfrage nach vielfältigen Ideen von einer Anfrage nach einer reproduzierbaren Extraktion: Geben Sie der ersten Raum für Alternativen und der zweiten ausdrückliche Felder und Quellvorgaben.\n\nDiese Anweisungsausgabe ist vom Basismodellstand Large 3 und von eigens ausgelegten Reasoning-Modellen getrennt. Der Hersteller nennt strenges schlussfolgerndes Denken und spezialisierte visuelle Arbeit als Bereiche, in denen ein speziell dafür entwickeltes Modell vorzuziehen sein kann. Stellen Sie für eine schwierige Berechnung Annahmen und Einheiten bereit, verlangen Sie Zwischenprüfungen und nutzen Sie ein verfügbares Berechnungswerkzeug zur Verifizierung des Ergebnisses. Bereiten Sie bei dichtem visuellem Material lesbare Bereiche vor und vergleichen Sie die Antwort mit der Quelle, bevor Sie sie in einem Bericht verwenden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512 ist ein mehrsprachiges Text- und Bildmodell für lange Dokumente, Unternehmenswissen, Programmierung und werkzeuggestützte Arbeit. Sein Kontext von 256k, native Funktionsaufrufe und strukturierte Ausgaben helfen dabei, bereitgestellte Belege in Antworten, Datensätze und vorgeschlagene Aktionen zu überführen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 3 2512 ist die auf Anweisungen abgestimmte Ausgabe von Mistral AI für allgemeine Gespräche, visuelles Verständnis und Unternehmensarbeit. Seine dünn besetzte Mixture-of-Experts-Architektur hat insgesamt 675 Milliarden Parameter, davon 41 Milliarden aktive, und ein Kontextfenster von 256k. Text und Bilder können zur selben Aufgabe beitragen, während die Antwort aus Text, Code oder einem strukturierten Ergebnis besteht.
Fähigkeiten und Eingabevorbereitung
Das Modell verbindet eine Sprachkomponente mit einem Vision-Encoder. Geben Sie einem Bild eine klare Rolle: eine zu lesende Seite, ein zu interpretierendes Diagramm oder ein zu erklärender Bildschirm. Stellen Sie bei einem dicht gefüllten Bildschirm einen Ausschnitt mit den relevanten Bedienelementen bereit und bewahren Sie die umgebenden Beschriftungen, die zu ihrem Verständnis nötig sind. Mistral empfiehlt annähernd quadratische Bildformen; teilen Sie eine außergewöhnlich schmale oder breite Quelle in nützliche Bereiche, statt wichtige Details auf einen unlesbaren Streifen zu verkleinern.
Der Hersteller nennt mehrsprachige Gespräche in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Geben Sie Ausgabesprache, Zielgruppe und zu bewahrende Terminologie an. Verlangen Sie für einen Supportartikel eine lokalisierte Erklärung mit unveränderten Produktnamen und einer kurzen Liste unsicherer Übersetzungen, die vor der Veröffentlichung zu klären sind.
Lange Dokumente und Unternehmenswissen
Nutzen Sie den Kontext, um zusammengehöriges Material zu bündeln: Richtlinientext, eine Spezifikation, bestehende Entscheidungen und die zu beantwortende Frage. Kennzeichnen Sie jede Quelle und ihre Revision. Eine nützliche Anfrage lautet: „Vergleichen Sie diese drei Onboarding-Richtlinien. Geben Sie eine Tabelle mit gemeinsamen Anforderungen, Konflikten und unbeantworteten Fragen zurück, jeweils mit dem Quellabschnitt für jede Feststellung.“ Das entstehende Artefakt ist ein Vergleich, der sich auf die bereitgestellten Passagen stützt, statt einer allgemeinen Zusammenfassung des Themas.
Benennen Sie bei einer Dokumentfrage den gewünschten Detailgrad und verlangen Sie neben der Schlussfolgerung die stützende Passage. Mistrals Document-QnA-Ablauf extrahiert zuerst Text und Dokumentstruktur mittels OCR und nutzt anschließend ein Sprachmodell zur Interpretation dieses Materials. Bewahren Sie beim Aufbereiten extrahierten Texts Seitenzahlen und Überschriften, damit die Antwort auf das Original zurückverweisen kann. Eine Dokument-URL, extrahierter Text und Bildbelege haben unterschiedliche Vorbereitungsanforderungen; wählen Sie die Eingabeform, die die verwendete Anwendung unterstützt.
Programmierung und alltägliche Unterstützung
Mistral positioniert Large 3 sowohl für Programmierunterstützung als auch für alltägliche Gespräche. Stellen Sie die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bereit. Zum Beispiel: „Dieser Parser verliert das letzte Feld, wenn die Eingabe ohne Zeilenumbruch endet. Erklären Sie den fehlschlagenden Zweig, schlagen Sie die kleinste Änderung vor und geben Sie die korrigierte Funktion mit drei repräsentativen Ein-/Ausgabebeispielen zurück.“ Das nützliche Ergebnis ist eine vorgeschlagene Änderung, die an den tatsächlichen Code gebunden ist, samt einer Menge von Fällen, die die entwickelnde Person ausführen kann.
Stellen Sie für einen geschäftlichen Entwurf die Fakten und das gewünschte Artefakt gemeinsam bereit. Eine Anfrage, Besprechungsnotizen in eine Entscheidungsvorlage umzuwandeln, sollte Entscheidung, Alternativen, ungeklärte Annahmen und nächste Handlung nennen. Bitten Sie das Modell, Quellfakten von Empfehlungen zu trennen und fehlende Informationen im passenden Abschnitt zu kennzeichnen. So lässt sich die Ausgabe leichter überarbeiten als eine undifferenzierte Darstellung.
Werkzeuge und strukturierte Ergebnisse
Native Funktionsaufrufe erlauben dem Modell, eine bereitgestellte Funktion auszuwählen und ihre Argumente vorzubereiten. Die Anwendung führt diese Funktion aus und liefert ihr Ergebnis zurück; das Modell verwendet dann die zurückgegebenen Informationen in der Antwort. Halten Sie die Werkzeuge spezifisch und stellen Sie nur jene bereit, die für die Aufgabe benötigt werden. Ein Assistent für Bestandsprüfungen kann eine Produktreferenz erhalten, eine Bestandsabfrage anfordern und die zurückgegebene Menge sowie das Lager erklären. Validieren Sie die ausgewählte Funktion und die Argumente vor der Ausführung und bewahren Sie die Werkzeugantwort zusammen mit der endgültigen Antwort.
Geben Sie für die Extraktion die Felder, Typen und den Umgang mit fehlenden Werten an. Mistral dokumentiert JSON-Modus und benutzerdefinierte strukturierte Ausgaben; der JSON-Modus verlangt eine ausdrückliche Anweisung zur Rückgabe von JSON, während ein benutzerdefiniertes Schema eine stärkere Formatkontrolle bietet. Eine Rechnungszusammenfassung kann Lieferant, Rechnungsnummer, Fälligkeitsdatum, Währung und Rechnungspositionen verlangen, wobei fehlende Werte einheitlich dargestellt werden. Prüfen Sie die extrahierten Werte anhand des Dokuments, auch wenn die Antwort der verlangten Struktur entspricht.
Einstellungen und Unterschiede zwischen Ausgaben
Definieren Sie Rolle, Aufgabe und Werkzeugregeln in den Systemanweisungen. Mistral empfiehlt für den Produktions- und Alltagsgebrauch dieses Modellstands eine Temperatur unter 0.1; für kreative Aufgaben können höhere Werte erprobt werden. Trennen Sie eine Anfrage nach vielfältigen Ideen von einer Anfrage nach einer reproduzierbaren Extraktion: Geben Sie der ersten Raum für Alternativen und der zweiten ausdrückliche Felder und Quellvorgaben.
Diese Anweisungsausgabe ist vom Basismodellstand Large 3 und von eigens ausgelegten Reasoning-Modellen getrennt. Der Hersteller nennt strenges schlussfolgerndes Denken und spezialisierte visuelle Arbeit als Bereiche, in denen ein speziell dafür entwickeltes Modell vorzuziehen sein kann. Stellen Sie für eine schwierige Berechnung Annahmen und Einheiten bereit, verlangen Sie Zwischenprüfungen und nutzen Sie ein verfügbares Berechnungswerkzeug zur Verifizierung des Ergebnisses. Bereiten Sie bei dichtem visuellem Material lesbare Bereiche vor und vergleichen Sie die Antwort mit der Quelle, bevor Sie sie in einem Bericht verwenden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-2512 | 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0066 / 1K Tokens Eingabe · Cache lesen $0.0001 / 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0066 / 1K Tokens Eingabe · Cache lesen $0.0001 / 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-2512", "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-2512',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-2512',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-2512
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-large-2512Mistral Large 3 2512 ist ein mehrsprachiges Text- und Bildmodell für lange Dokumente, Unternehmenswissen, Programmierung und werkzeuggestützte Arbeit. Sein Kontext von 256k, native Funktionsaufrufe und strukturierte Ausgaben helfen dabei, bereitgestellte Belege in Antworten, Datensätze und vorgeschlagene Aktionen zu überführen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 3 2512 ist die auf Anweisungen abgestimmte Ausgabe von Mistral AI für allgemeine Gespräche, visuelles Verständnis und Unternehmensarbeit. Seine dünn besetzte Mixture-of-Experts-Architektur hat insgesamt 675 Milliarden Parameter, davon 41 Milliarden aktive, und ein Kontextfenster von 256k. Text und Bilder können zur selben Aufgabe beitragen, während die Antwort aus Text, Code oder einem strukturierten Ergebnis besteht.
Fähigkeiten und Eingabevorbereitung
Das Modell verbindet eine Sprachkomponente mit einem Vision-Encoder. Geben Sie einem Bild eine klare Rolle: eine zu lesende Seite, ein zu interpretierendes Diagramm oder ein zu erklärender Bildschirm. Stellen Sie bei einem dicht gefüllten Bildschirm einen Ausschnitt mit den relevanten Bedienelementen bereit und bewahren Sie die umgebenden Beschriftungen, die zu ihrem Verständnis nötig sind. Mistral empfiehlt annähernd quadratische Bildformen; teilen Sie eine außergewöhnlich schmale oder breite Quelle in nützliche Bereiche, statt wichtige Details auf einen unlesbaren Streifen zu verkleinern.
Der Hersteller nennt mehrsprachige Gespräche in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Geben Sie Ausgabesprache, Zielgruppe und zu bewahrende Terminologie an. Verlangen Sie für einen Supportartikel eine lokalisierte Erklärung mit unveränderten Produktnamen und einer kurzen Liste unsicherer Übersetzungen, die vor der Veröffentlichung zu klären sind.
Lange Dokumente und Unternehmenswissen
Nutzen Sie den Kontext, um zusammengehöriges Material zu bündeln: Richtlinientext, eine Spezifikation, bestehende Entscheidungen und die zu beantwortende Frage. Kennzeichnen Sie jede Quelle und ihre Revision. Eine nützliche Anfrage lautet: „Vergleichen Sie diese drei Onboarding-Richtlinien. Geben Sie eine Tabelle mit gemeinsamen Anforderungen, Konflikten und unbeantworteten Fragen zurück, jeweils mit dem Quellabschnitt für jede Feststellung.“ Das entstehende Artefakt ist ein Vergleich, der sich auf die bereitgestellten Passagen stützt, statt einer allgemeinen Zusammenfassung des Themas.
Benennen Sie bei einer Dokumentfrage den gewünschten Detailgrad und verlangen Sie neben der Schlussfolgerung die stützende Passage. Mistrals Document-QnA-Ablauf extrahiert zuerst Text und Dokumentstruktur mittels OCR und nutzt anschließend ein Sprachmodell zur Interpretation dieses Materials. Bewahren Sie beim Aufbereiten extrahierten Texts Seitenzahlen und Überschriften, damit die Antwort auf das Original zurückverweisen kann. Eine Dokument-URL, extrahierter Text und Bildbelege haben unterschiedliche Vorbereitungsanforderungen; wählen Sie die Eingabeform, die die verwendete Anwendung unterstützt.
Programmierung und alltägliche Unterstützung
Mistral positioniert Large 3 sowohl für Programmierunterstützung als auch für alltägliche Gespräche. Stellen Sie die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bereit. Zum Beispiel: „Dieser Parser verliert das letzte Feld, wenn die Eingabe ohne Zeilenumbruch endet. Erklären Sie den fehlschlagenden Zweig, schlagen Sie die kleinste Änderung vor und geben Sie die korrigierte Funktion mit drei repräsentativen Ein-/Ausgabebeispielen zurück.“ Das nützliche Ergebnis ist eine vorgeschlagene Änderung, die an den tatsächlichen Code gebunden ist, samt einer Menge von Fällen, die die entwickelnde Person ausführen kann.
Stellen Sie für einen geschäftlichen Entwurf die Fakten und das gewünschte Artefakt gemeinsam bereit. Eine Anfrage, Besprechungsnotizen in eine Entscheidungsvorlage umzuwandeln, sollte Entscheidung, Alternativen, ungeklärte Annahmen und nächste Handlung nennen. Bitten Sie das Modell, Quellfakten von Empfehlungen zu trennen und fehlende Informationen im passenden Abschnitt zu kennzeichnen. So lässt sich die Ausgabe leichter überarbeiten als eine undifferenzierte Darstellung.
Werkzeuge und strukturierte Ergebnisse
Native Funktionsaufrufe erlauben dem Modell, eine bereitgestellte Funktion auszuwählen und ihre Argumente vorzubereiten. Die Anwendung führt diese Funktion aus und liefert ihr Ergebnis zurück; das Modell verwendet dann die zurückgegebenen Informationen in der Antwort. Halten Sie die Werkzeuge spezifisch und stellen Sie nur jene bereit, die für die Aufgabe benötigt werden. Ein Assistent für Bestandsprüfungen kann eine Produktreferenz erhalten, eine Bestandsabfrage anfordern und die zurückgegebene Menge sowie das Lager erklären. Validieren Sie die ausgewählte Funktion und die Argumente vor der Ausführung und bewahren Sie die Werkzeugantwort zusammen mit der endgültigen Antwort.
Geben Sie für die Extraktion die Felder, Typen und den Umgang mit fehlenden Werten an. Mistral dokumentiert JSON-Modus und benutzerdefinierte strukturierte Ausgaben; der JSON-Modus verlangt eine ausdrückliche Anweisung zur Rückgabe von JSON, während ein benutzerdefiniertes Schema eine stärkere Formatkontrolle bietet. Eine Rechnungszusammenfassung kann Lieferant, Rechnungsnummer, Fälligkeitsdatum, Währung und Rechnungspositionen verlangen, wobei fehlende Werte einheitlich dargestellt werden. Prüfen Sie die extrahierten Werte anhand des Dokuments, auch wenn die Antwort der verlangten Struktur entspricht.
Einstellungen und Unterschiede zwischen Ausgaben
Definieren Sie Rolle, Aufgabe und Werkzeugregeln in den Systemanweisungen. Mistral empfiehlt für den Produktions- und Alltagsgebrauch dieses Modellstands eine Temperatur unter 0.1; für kreative Aufgaben können höhere Werte erprobt werden. Trennen Sie eine Anfrage nach vielfältigen Ideen von einer Anfrage nach einer reproduzierbaren Extraktion: Geben Sie der ersten Raum für Alternativen und der zweiten ausdrückliche Felder und Quellvorgaben.
Diese Anweisungsausgabe ist vom Basismodellstand Large 3 und von eigens ausgelegten Reasoning-Modellen getrennt. Der Hersteller nennt strenges schlussfolgerndes Denken und spezialisierte visuelle Arbeit als Bereiche, in denen ein speziell dafür entwickeltes Modell vorzuziehen sein kann. Stellen Sie für eine schwierige Berechnung Annahmen und Einheiten bereit, verlangen Sie Zwischenprüfungen und nutzen Sie ein verfügbares Berechnungswerkzeug zur Verifizierung des Ergebnisses. Bereiten Sie bei dichtem visuellem Material lesbare Bereiche vor und vergleichen Sie die Antwort mit der Quelle, bevor Sie sie in einem Bericht verwenden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-2512 | 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0066 / 1K Tokens Eingabe · Cache lesen $0.0001 / 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0066 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2512', '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-2512', '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-2512
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.