Mistral Large 4 ist das multimodale Allzweckmodell von Mistral AI, das Anweisungsbefolgung, schlussfolgerndes Denken, Programmierung und Agentenarbeit verbindet. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Erklärungen, Code und strukturierte Felder. Seine granulare Mixture-of-Experts-Architektur verwendet ausgewählte Komponenten für jedes Token, statt den gesamten Parametersatz gleichzeitig zu aktivieren.
Architektur und Kontext
Die aktuelle Modellseite nennt insgesamt 1,05 Billionen Parameter, 52 Milliarden aktive Parameter und einen Vision-Encoder mit 1,6 Milliarden Parametern. Die Veröffentlichungsseite des Herstellers erläutert die Zählweise: 49 Milliarden aktive Parameter pro Token beziehungsweise 52 Milliarden einschließlich Embeddings und Ausgabeschichten. Diese Zahlen beschreiben die Modellstruktur und nicht die Länge einer Antwort.
Der Hersteller dokumentiert ein Kontextfenster von einer Million Tokens. Nutzen Sie es, um umfangreiches Quellenmaterial, das Gespräch und Anweisungen zusammenzuführen, und definieren Sie dabei den Zweck des abschließenden Artefakts. Benennen Sie bei einer Frage zu mehreren Dokumenten jedes Dokument und seine Rolle und verlangen Sie neben jeder Feststellung die Quellstelle. Ein großer Kontext ist nützlich, wenn Anforderungen, Diagramme und zugehörige Erklärungen gemeinsam berücksichtigt werden müssen.
Strukturierte Antworten und Dokumentfragen
Die Modellkarte nennt strukturierte Ausgaben, Funktionsaufrufe, die Beantwortung von Dokumentfragen, Antwortpräfixe, Stapelübermittlung und Agentengespräche. Mistrals Dokumentation zu strukturierten Ausgaben unterscheidet zwischen JSON-Modus und benutzerdefiniertem Schema. Geben Sie das erforderliche JSON-Format im Prompt an; verwenden Sie ein definiertes Schema, wenn die verbundene Schnittstelle eine bestimmte Feldstruktur benötigt. Ein Datensatz kann Quellfakten, Interpretationen und offene Fragen trennen, statt sie in einem einzigen Absatz zu verbinden.
Die Beantwortung von Dokumentfragen ist ein Ablauf, der Dokumentverarbeitung mit dem Verständnis des Sprachmodells verbindet. OCR bereitet Text, Struktur und Formatierung auf; anschließend beantwortet das Modell eine Frage zu diesem Material. Eine Anfrage kann eine Anforderung auffinden, Aussagen über mehrere Dokumente vergleichen oder die für eine Entscheidung relevanten Belege zusammenfassen. Direktes Bildverständnis und ein OCR-gestützter Dokumentablauf sind verwandte Wege zur Vorbereitung von Belegen; ein Dokumentverarbeitungsschritt bleibt von einer Bildeingabe verschieden.
Stellen Sie beispielsweise eine technische Spezifikation und Zeichnungen bereit, benennen Sie die betrachtete Revision und verlangen Sie eine Anforderungsmatrix. Jede Zeile kann die Anforderung, das stützende Dokument oder die Zeichnung, den beobachteten Unterschied und die noch nötige Klärung enthalten. Bewahren Sie Beschriftungen, Einheiten und Bildbereiche, die den Vergleich bestimmen, damit das Ergebnis mit dem Quellenmaterial verbunden bleibt.
Programmierung, Agenten und visuelles Reasoning
Die Veröffentlichung beschreibt Cybersicherheitsanalyse, Softwareentwicklung, Repository-Verständnis und terminalbezogene Arbeitsabläufe. Geben Sie für eine defensive Codeprüfung den relevanten Codepfad, das erwartete Verhalten und die Fehlerbelege an. Verlangen Sie die Ursache, eine vorgeschlagene Korrektur und Beispiele, die das alte vom beabsichtigten Verhalten unterscheiden. Fügen Sie für eine Repository-Frage die Module und Aufrufbeziehungen bei, die zur Erklärung des ausgewählten Verhaltens benötigt werden.
Funktionsaufrufe verbinden schlussfolgerndes Denken mit von der Anwendung bereitgestellten Werkzeugen. Die vom Hersteller beschriebene Folge definiert die Funktionen, stellt die Nutzerfrage bereit, lässt das Modell Argumente vorbereiten, führt die gewählte Funktion in der Anwendung aus und liefert ihr Ergebnis für die nächste Antwort zurück. Ein vorgeschlagener Aufruf ist von seiner Ausführung zu unterscheiden. Die Modellkarte nennt außerdem eingebaute Werkzeuge in der Agenten- oder Gesprächsschnittstelle des Herstellers; sie gehören zu diesem verbundenen Ablauf und fügen dem Modell keine neue Ein- oder Ausgabemodalität hinzu.
Das visuelle Verständnis umfasst Dokumente, Diagramme, natürliche Szenen und technische Zeichnungen. Eine Zeichnungsaufgabe kann fragen, welche beschriftete Komponente eine vorgegebene Anforderung erfüllt, welche Bemaßung oder Anmerkung die Feststellung stützt und welcher Bereich genauer geprüft werden muss. Die Beispiele für visuelle Agenten in der Veröffentlichung verbinden Interpretation mit Prüfschritten; Vergrößerung, Informationsabruf und andere Aktionen benötigen die umgebende Werkzeugumgebung.
Wissenschaft, Mathematik und professionelle Ergebnisse
Der Hersteller nennt wissenschaftliche Programmierung, Datenanalyse, Modellierung und mathematisches schlussfolgerndes Denken als vorgesehene Anwendungen. Stellen Sie Gleichungen, Annahmen, Einheiten und die erforderliche Ergebnisform bereit. Eine Anfrage zur wissenschaftlichen Programmierung kann eine Implementierung, die Bedeutung jeder Variablen und einen Plan zum Vergleich ihrer Ausgabe mit Referenzbedingungen verlangen. Das Erzeugen dieser Implementierung ist ein Textergebnis; das Ausführen der Simulation oder Erstellen einer Datei erfordert die Anwendungsumgebung.
Stellen Sie für professionelle Dokumentarbeit die Quellberichte bereit und definieren Sie das Artefakt: eine Vergleichstabelle, Erklärung, überarbeitete Passage oder Tabellenkalkulationsinhalte. Nennen Sie die Berechnungsgrundlage und bewahren Sie die stützenden Dokumentstellen. Die Veröffentlichung beschreibt außerdem mehrsprachiges Training in mehr als 160 Sprachen, einschließlich aller Amtssprachen der Europäischen Union; benennen Sie bei einer mehrsprachigen Aufgabe die gewünschte Ausgabesprache und Terminologie.
Nützliche Grenzen
Die dokumentierten Modalitäten sind Text- und Bildeingabe mit Textausgabe. Der vom Hersteller genannte Kontext von einer Million Tokens ist keine gesonderte Angabe einer maximalen Antwortlänge, und die gelesenen Quellen belegen für diesen Eintrag keine unabhängige harte Ausgabegrenze. Halten Sie die genaue Ausgabe Large 4, die vorbereiteten Belege und verbundenen Werkzeuge ausdrücklich fest. Ein strukturierter Datensatz, eine Erklärung oder eine vorgeschlagene Aktion ist besonders nützlich, wenn Felder, stützende Quellen und der nächste Anwendungsschritt vor der Anfrage definiert werden.
", "aboutText": "Mistral Large 4 ist das multimodale Allzweckmodell von Mistral AI, das Anweisungsbefolgung, schlussfolgerndes Denken, Programmierung und Agentenarbeit verbindet. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Erklärungen, Code und strukturierte Felder. Seine granulare Mixture-of-Experts-Architektur verwendet ausgewählte Komponenten für jedes Token, statt den gesamten Parametersatz gleichzeitig zu aktivieren.\n\nArchitektur und Kontext\n\nDie aktuelle Modellseite nennt insgesamt 1,05 Billionen Parameter, 52 Milliarden aktive Parameter und einen Vision-Encoder mit 1,6 Milliarden Parametern. Die Veröffentlichungsseite des Herstellers erläutert die Zählweise: 49 Milliarden aktive Parameter pro Token beziehungsweise 52 Milliarden einschließlich Embeddings und Ausgabeschichten. Diese Zahlen beschreiben die Modellstruktur und nicht die Länge einer Antwort.\n\nDer Hersteller dokumentiert ein Kontextfenster von einer Million Tokens. Nutzen Sie es, um umfangreiches Quellenmaterial, das Gespräch und Anweisungen zusammenzuführen, und definieren Sie dabei den Zweck des abschließenden Artefakts. Benennen Sie bei einer Frage zu mehreren Dokumenten jedes Dokument und seine Rolle und verlangen Sie neben jeder Feststellung die Quellstelle. Ein großer Kontext ist nützlich, wenn Anforderungen, Diagramme und zugehörige Erklärungen gemeinsam berücksichtigt werden müssen.\n\nStrukturierte Antworten und Dokumentfragen\n\nDie Modellkarte nennt strukturierte Ausgaben, Funktionsaufrufe, die Beantwortung von Dokumentfragen, Antwortpräfixe, Stapelübermittlung und Agentengespräche. Mistrals Dokumentation zu strukturierten Ausgaben unterscheidet zwischen JSON-Modus und benutzerdefiniertem Schema. Geben Sie das erforderliche JSON-Format im Prompt an; verwenden Sie ein definiertes Schema, wenn die verbundene Schnittstelle eine bestimmte Feldstruktur benötigt. Ein Datensatz kann Quellfakten, Interpretationen und offene Fragen trennen, statt sie in einem einzigen Absatz zu verbinden.\n\nDie Beantwortung von Dokumentfragen ist ein Ablauf, der Dokumentverarbeitung mit dem Verständnis des Sprachmodells verbindet. OCR bereitet Text, Struktur und Formatierung auf; anschließend beantwortet das Modell eine Frage zu diesem Material. Eine Anfrage kann eine Anforderung auffinden, Aussagen über mehrere Dokumente vergleichen oder die für eine Entscheidung relevanten Belege zusammenfassen. Direktes Bildverständnis und ein OCR-gestützter Dokumentablauf sind verwandte Wege zur Vorbereitung von Belegen; ein Dokumentverarbeitungsschritt bleibt von einer Bildeingabe verschieden.\n\nStellen Sie beispielsweise eine technische Spezifikation und Zeichnungen bereit, benennen Sie die betrachtete Revision und verlangen Sie eine Anforderungsmatrix. Jede Zeile kann die Anforderung, das stützende Dokument oder die Zeichnung, den beobachteten Unterschied und die noch nötige Klärung enthalten. Bewahren Sie Beschriftungen, Einheiten und Bildbereiche, die den Vergleich bestimmen, damit das Ergebnis mit dem Quellenmaterial verbunden bleibt.\n\nProgrammierung, Agenten und visuelles Reasoning\n\nDie Veröffentlichung beschreibt Cybersicherheitsanalyse, Softwareentwicklung, Repository-Verständnis und terminalbezogene Arbeitsabläufe. Geben Sie für eine defensive Codeprüfung den relevanten Codepfad, das erwartete Verhalten und die Fehlerbelege an. Verlangen Sie die Ursache, eine vorgeschlagene Korrektur und Beispiele, die das alte vom beabsichtigten Verhalten unterscheiden. Fügen Sie für eine Repository-Frage die Module und Aufrufbeziehungen bei, die zur Erklärung des ausgewählten Verhaltens benötigt werden.\n\nFunktionsaufrufe verbinden schlussfolgerndes Denken mit von der Anwendung bereitgestellten Werkzeugen. Die vom Hersteller beschriebene Folge definiert die Funktionen, stellt die Nutzerfrage bereit, lässt das Modell Argumente vorbereiten, führt die gewählte Funktion in der Anwendung aus und liefert ihr Ergebnis für die nächste Antwort zurück. Ein vorgeschlagener Aufruf ist von seiner Ausführung zu unterscheiden. Die Modellkarte nennt außerdem eingebaute Werkzeuge in der Agenten- oder Gesprächsschnittstelle des Herstellers; sie gehören zu diesem verbundenen Ablauf und fügen dem Modell keine neue Ein- oder Ausgabemodalität hinzu.\n\nDas visuelle Verständnis umfasst Dokumente, Diagramme, natürliche Szenen und technische Zeichnungen. Eine Zeichnungsaufgabe kann fragen, welche beschriftete Komponente eine vorgegebene Anforderung erfüllt, welche Bemaßung oder Anmerkung die Feststellung stützt und welcher Bereich genauer geprüft werden muss. Die Beispiele für visuelle Agenten in der Veröffentlichung verbinden Interpretation mit Prüfschritten; Vergrößerung, Informationsabruf und andere Aktionen benötigen die umgebende Werkzeugumgebung.\n\nWissenschaft, Mathematik und professionelle Ergebnisse\n\nDer Hersteller nennt wissenschaftliche Programmierung, Datenanalyse, Modellierung und mathematisches schlussfolgerndes Denken als vorgesehene Anwendungen. Stellen Sie Gleichungen, Annahmen, Einheiten und die erforderliche Ergebnisform bereit. Eine Anfrage zur wissenschaftlichen Programmierung kann eine Implementierung, die Bedeutung jeder Variablen und einen Plan zum Vergleich ihrer Ausgabe mit Referenzbedingungen verlangen. Das Erzeugen dieser Implementierung ist ein Textergebnis; das Ausführen der Simulation oder Erstellen einer Datei erfordert die Anwendungsumgebung.\n\nStellen Sie für professionelle Dokumentarbeit die Quellberichte bereit und definieren Sie das Artefakt: eine Vergleichstabelle, Erklärung, überarbeitete Passage oder Tabellenkalkulationsinhalte. Nennen Sie die Berechnungsgrundlage und bewahren Sie die stützenden Dokumentstellen. Die Veröffentlichung beschreibt außerdem mehrsprachiges Training in mehr als 160 Sprachen, einschließlich aller Amtssprachen der Europäischen Union; benennen Sie bei einer mehrsprachigen Aufgabe die gewünschte Ausgabesprache und Terminologie.\n\nNützliche Grenzen\n\nDie dokumentierten Modalitäten sind Text- und Bildeingabe mit Textausgabe. Der vom Hersteller genannte Kontext von einer Million Tokens ist keine gesonderte Angabe einer maximalen Antwortlänge, und die gelesenen Quellen belegen für diesen Eintrag keine unabhängige harte Ausgabegrenze. Halten Sie die genaue Ausgabe Large 4, die vorbereiteten Belege und verbundenen Werkzeuge ausdrücklich fest. Ein strukturierter Datensatz, eine Erklärung oder eine vorgeschlagene Aktion ist besonders nützlich, wenn Felder, stützende Quellen und der nächste Anwendungsschritt vor der Anfrage definiert werden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 ist ein Text- und Bildmodell für schlussfolgerndes Denken, Programmierung, Dokumentanalyse und werkzeuggestützte Agenten. Sein vom Hersteller angegebenes Kontextfenster von einer Million Tokens unterstützt umfangreiche Quellensammlungen, mit strukturierten Antworten, Funktionsaufrufen und einer granularen Mixture-of-Experts-Architektur.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 4 ist das multimodale Allzweckmodell von Mistral AI, das Anweisungsbefolgung, schlussfolgerndes Denken, Programmierung und Agentenarbeit verbindet. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Erklärungen, Code und strukturierte Felder. Seine granulare Mixture-of-Experts-Architektur verwendet ausgewählte Komponenten für jedes Token, statt den gesamten Parametersatz gleichzeitig zu aktivieren.
Architektur und Kontext
Die aktuelle Modellseite nennt insgesamt 1,05 Billionen Parameter, 52 Milliarden aktive Parameter und einen Vision-Encoder mit 1,6 Milliarden Parametern. Die Veröffentlichungsseite des Herstellers erläutert die Zählweise: 49 Milliarden aktive Parameter pro Token beziehungsweise 52 Milliarden einschließlich Embeddings und Ausgabeschichten. Diese Zahlen beschreiben die Modellstruktur und nicht die Länge einer Antwort.
Der Hersteller dokumentiert ein Kontextfenster von einer Million Tokens. Nutzen Sie es, um umfangreiches Quellenmaterial, das Gespräch und Anweisungen zusammenzuführen, und definieren Sie dabei den Zweck des abschließenden Artefakts. Benennen Sie bei einer Frage zu mehreren Dokumenten jedes Dokument und seine Rolle und verlangen Sie neben jeder Feststellung die Quellstelle. Ein großer Kontext ist nützlich, wenn Anforderungen, Diagramme und zugehörige Erklärungen gemeinsam berücksichtigt werden müssen.
Strukturierte Antworten und Dokumentfragen
Die Modellkarte nennt strukturierte Ausgaben, Funktionsaufrufe, die Beantwortung von Dokumentfragen, Antwortpräfixe, Stapelübermittlung und Agentengespräche. Mistrals Dokumentation zu strukturierten Ausgaben unterscheidet zwischen JSON-Modus und benutzerdefiniertem Schema. Geben Sie das erforderliche JSON-Format im Prompt an; verwenden Sie ein definiertes Schema, wenn die verbundene Schnittstelle eine bestimmte Feldstruktur benötigt. Ein Datensatz kann Quellfakten, Interpretationen und offene Fragen trennen, statt sie in einem einzigen Absatz zu verbinden.
Die Beantwortung von Dokumentfragen ist ein Ablauf, der Dokumentverarbeitung mit dem Verständnis des Sprachmodells verbindet. OCR bereitet Text, Struktur und Formatierung auf; anschließend beantwortet das Modell eine Frage zu diesem Material. Eine Anfrage kann eine Anforderung auffinden, Aussagen über mehrere Dokumente vergleichen oder die für eine Entscheidung relevanten Belege zusammenfassen. Direktes Bildverständnis und ein OCR-gestützter Dokumentablauf sind verwandte Wege zur Vorbereitung von Belegen; ein Dokumentverarbeitungsschritt bleibt von einer Bildeingabe verschieden.
Stellen Sie beispielsweise eine technische Spezifikation und Zeichnungen bereit, benennen Sie die betrachtete Revision und verlangen Sie eine Anforderungsmatrix. Jede Zeile kann die Anforderung, das stützende Dokument oder die Zeichnung, den beobachteten Unterschied und die noch nötige Klärung enthalten. Bewahren Sie Beschriftungen, Einheiten und Bildbereiche, die den Vergleich bestimmen, damit das Ergebnis mit dem Quellenmaterial verbunden bleibt.
Programmierung, Agenten und visuelles Reasoning
Die Veröffentlichung beschreibt Cybersicherheitsanalyse, Softwareentwicklung, Repository-Verständnis und terminalbezogene Arbeitsabläufe. Geben Sie für eine defensive Codeprüfung den relevanten Codepfad, das erwartete Verhalten und die Fehlerbelege an. Verlangen Sie die Ursache, eine vorgeschlagene Korrektur und Beispiele, die das alte vom beabsichtigten Verhalten unterscheiden. Fügen Sie für eine Repository-Frage die Module und Aufrufbeziehungen bei, die zur Erklärung des ausgewählten Verhaltens benötigt werden.
Funktionsaufrufe verbinden schlussfolgerndes Denken mit von der Anwendung bereitgestellten Werkzeugen. Die vom Hersteller beschriebene Folge definiert die Funktionen, stellt die Nutzerfrage bereit, lässt das Modell Argumente vorbereiten, führt die gewählte Funktion in der Anwendung aus und liefert ihr Ergebnis für die nächste Antwort zurück. Ein vorgeschlagener Aufruf ist von seiner Ausführung zu unterscheiden. Die Modellkarte nennt außerdem eingebaute Werkzeuge in der Agenten- oder Gesprächsschnittstelle des Herstellers; sie gehören zu diesem verbundenen Ablauf und fügen dem Modell keine neue Ein- oder Ausgabemodalität hinzu.
Das visuelle Verständnis umfasst Dokumente, Diagramme, natürliche Szenen und technische Zeichnungen. Eine Zeichnungsaufgabe kann fragen, welche beschriftete Komponente eine vorgegebene Anforderung erfüllt, welche Bemaßung oder Anmerkung die Feststellung stützt und welcher Bereich genauer geprüft werden muss. Die Beispiele für visuelle Agenten in der Veröffentlichung verbinden Interpretation mit Prüfschritten; Vergrößerung, Informationsabruf und andere Aktionen benötigen die umgebende Werkzeugumgebung.
Wissenschaft, Mathematik und professionelle Ergebnisse
Der Hersteller nennt wissenschaftliche Programmierung, Datenanalyse, Modellierung und mathematisches schlussfolgerndes Denken als vorgesehene Anwendungen. Stellen Sie Gleichungen, Annahmen, Einheiten und die erforderliche Ergebnisform bereit. Eine Anfrage zur wissenschaftlichen Programmierung kann eine Implementierung, die Bedeutung jeder Variablen und einen Plan zum Vergleich ihrer Ausgabe mit Referenzbedingungen verlangen. Das Erzeugen dieser Implementierung ist ein Textergebnis; das Ausführen der Simulation oder Erstellen einer Datei erfordert die Anwendungsumgebung.
Stellen Sie für professionelle Dokumentarbeit die Quellberichte bereit und definieren Sie das Artefakt: eine Vergleichstabelle, Erklärung, überarbeitete Passage oder Tabellenkalkulationsinhalte. Nennen Sie die Berechnungsgrundlage und bewahren Sie die stützenden Dokumentstellen. Die Veröffentlichung beschreibt außerdem mehrsprachiges Training in mehr als 160 Sprachen, einschließlich aller Amtssprachen der Europäischen Union; benennen Sie bei einer mehrsprachigen Aufgabe die gewünschte Ausgabesprache und Terminologie.
Nützliche Grenzen
Die dokumentierten Modalitäten sind Text- und Bildeingabe mit Textausgabe. Der vom Hersteller genannte Kontext von einer Million Tokens ist keine gesonderte Angabe einer maximalen Antwortlänge, und die gelesenen Quellen belegen für diesen Eintrag keine unabhängige harte Ausgabegrenze. Halten Sie die genaue Ausgabe Large 4, die vorbereiteten Belege und verbundenen Werkzeuge ausdrücklich fest. Ein strukturierter Datensatz, eine Erklärung oder eine vorgeschlagene Aktion ist besonders nützlich, wenn Felder, stützende Quellen und der nächste Anwendungsschritt vor der Anfrage definiert werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-4-0 | 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 $0.00272 / 1K Tokens Ausgabe · Ausgabetoken $0.00836 / 1K Tokens Eingabe · Cache lesen $0.00028 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00272 / 1K Tokens Ausgabe · Ausgabetoken $0.00836 / 1K Tokens Eingabe · Cache lesen $0.00028 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-4-0", "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-4-0',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-4-0',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-4-0
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-large-4-0Mistral Large 4 ist ein Text- und Bildmodell für schlussfolgerndes Denken, Programmierung, Dokumentanalyse und werkzeuggestützte Agenten. Sein vom Hersteller angegebenes Kontextfenster von einer Million Tokens unterstützt umfangreiche Quellensammlungen, mit strukturierten Antworten, Funktionsaufrufen und einer granularen Mixture-of-Experts-Architektur.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 4 ist das multimodale Allzweckmodell von Mistral AI, das Anweisungsbefolgung, schlussfolgerndes Denken, Programmierung und Agentenarbeit verbindet. Es nimmt Text und Bilder entgegen und erzeugt Text, darunter Erklärungen, Code und strukturierte Felder. Seine granulare Mixture-of-Experts-Architektur verwendet ausgewählte Komponenten für jedes Token, statt den gesamten Parametersatz gleichzeitig zu aktivieren.
Architektur und Kontext
Die aktuelle Modellseite nennt insgesamt 1,05 Billionen Parameter, 52 Milliarden aktive Parameter und einen Vision-Encoder mit 1,6 Milliarden Parametern. Die Veröffentlichungsseite des Herstellers erläutert die Zählweise: 49 Milliarden aktive Parameter pro Token beziehungsweise 52 Milliarden einschließlich Embeddings und Ausgabeschichten. Diese Zahlen beschreiben die Modellstruktur und nicht die Länge einer Antwort.
Der Hersteller dokumentiert ein Kontextfenster von einer Million Tokens. Nutzen Sie es, um umfangreiches Quellenmaterial, das Gespräch und Anweisungen zusammenzuführen, und definieren Sie dabei den Zweck des abschließenden Artefakts. Benennen Sie bei einer Frage zu mehreren Dokumenten jedes Dokument und seine Rolle und verlangen Sie neben jeder Feststellung die Quellstelle. Ein großer Kontext ist nützlich, wenn Anforderungen, Diagramme und zugehörige Erklärungen gemeinsam berücksichtigt werden müssen.
Strukturierte Antworten und Dokumentfragen
Die Modellkarte nennt strukturierte Ausgaben, Funktionsaufrufe, die Beantwortung von Dokumentfragen, Antwortpräfixe, Stapelübermittlung und Agentengespräche. Mistrals Dokumentation zu strukturierten Ausgaben unterscheidet zwischen JSON-Modus und benutzerdefiniertem Schema. Geben Sie das erforderliche JSON-Format im Prompt an; verwenden Sie ein definiertes Schema, wenn die verbundene Schnittstelle eine bestimmte Feldstruktur benötigt. Ein Datensatz kann Quellfakten, Interpretationen und offene Fragen trennen, statt sie in einem einzigen Absatz zu verbinden.
Die Beantwortung von Dokumentfragen ist ein Ablauf, der Dokumentverarbeitung mit dem Verständnis des Sprachmodells verbindet. OCR bereitet Text, Struktur und Formatierung auf; anschließend beantwortet das Modell eine Frage zu diesem Material. Eine Anfrage kann eine Anforderung auffinden, Aussagen über mehrere Dokumente vergleichen oder die für eine Entscheidung relevanten Belege zusammenfassen. Direktes Bildverständnis und ein OCR-gestützter Dokumentablauf sind verwandte Wege zur Vorbereitung von Belegen; ein Dokumentverarbeitungsschritt bleibt von einer Bildeingabe verschieden.
Stellen Sie beispielsweise eine technische Spezifikation und Zeichnungen bereit, benennen Sie die betrachtete Revision und verlangen Sie eine Anforderungsmatrix. Jede Zeile kann die Anforderung, das stützende Dokument oder die Zeichnung, den beobachteten Unterschied und die noch nötige Klärung enthalten. Bewahren Sie Beschriftungen, Einheiten und Bildbereiche, die den Vergleich bestimmen, damit das Ergebnis mit dem Quellenmaterial verbunden bleibt.
Programmierung, Agenten und visuelles Reasoning
Die Veröffentlichung beschreibt Cybersicherheitsanalyse, Softwareentwicklung, Repository-Verständnis und terminalbezogene Arbeitsabläufe. Geben Sie für eine defensive Codeprüfung den relevanten Codepfad, das erwartete Verhalten und die Fehlerbelege an. Verlangen Sie die Ursache, eine vorgeschlagene Korrektur und Beispiele, die das alte vom beabsichtigten Verhalten unterscheiden. Fügen Sie für eine Repository-Frage die Module und Aufrufbeziehungen bei, die zur Erklärung des ausgewählten Verhaltens benötigt werden.
Funktionsaufrufe verbinden schlussfolgerndes Denken mit von der Anwendung bereitgestellten Werkzeugen. Die vom Hersteller beschriebene Folge definiert die Funktionen, stellt die Nutzerfrage bereit, lässt das Modell Argumente vorbereiten, führt die gewählte Funktion in der Anwendung aus und liefert ihr Ergebnis für die nächste Antwort zurück. Ein vorgeschlagener Aufruf ist von seiner Ausführung zu unterscheiden. Die Modellkarte nennt außerdem eingebaute Werkzeuge in der Agenten- oder Gesprächsschnittstelle des Herstellers; sie gehören zu diesem verbundenen Ablauf und fügen dem Modell keine neue Ein- oder Ausgabemodalität hinzu.
Das visuelle Verständnis umfasst Dokumente, Diagramme, natürliche Szenen und technische Zeichnungen. Eine Zeichnungsaufgabe kann fragen, welche beschriftete Komponente eine vorgegebene Anforderung erfüllt, welche Bemaßung oder Anmerkung die Feststellung stützt und welcher Bereich genauer geprüft werden muss. Die Beispiele für visuelle Agenten in der Veröffentlichung verbinden Interpretation mit Prüfschritten; Vergrößerung, Informationsabruf und andere Aktionen benötigen die umgebende Werkzeugumgebung.
Wissenschaft, Mathematik und professionelle Ergebnisse
Der Hersteller nennt wissenschaftliche Programmierung, Datenanalyse, Modellierung und mathematisches schlussfolgerndes Denken als vorgesehene Anwendungen. Stellen Sie Gleichungen, Annahmen, Einheiten und die erforderliche Ergebnisform bereit. Eine Anfrage zur wissenschaftlichen Programmierung kann eine Implementierung, die Bedeutung jeder Variablen und einen Plan zum Vergleich ihrer Ausgabe mit Referenzbedingungen verlangen. Das Erzeugen dieser Implementierung ist ein Textergebnis; das Ausführen der Simulation oder Erstellen einer Datei erfordert die Anwendungsumgebung.
Stellen Sie für professionelle Dokumentarbeit die Quellberichte bereit und definieren Sie das Artefakt: eine Vergleichstabelle, Erklärung, überarbeitete Passage oder Tabellenkalkulationsinhalte. Nennen Sie die Berechnungsgrundlage und bewahren Sie die stützenden Dokumentstellen. Die Veröffentlichung beschreibt außerdem mehrsprachiges Training in mehr als 160 Sprachen, einschließlich aller Amtssprachen der Europäischen Union; benennen Sie bei einer mehrsprachigen Aufgabe die gewünschte Ausgabesprache und Terminologie.
Nützliche Grenzen
Die dokumentierten Modalitäten sind Text- und Bildeingabe mit Textausgabe. Der vom Hersteller genannte Kontext von einer Million Tokens ist keine gesonderte Angabe einer maximalen Antwortlänge, und die gelesenen Quellen belegen für diesen Eintrag keine unabhängige harte Ausgabegrenze. Halten Sie die genaue Ausgabe Large 4, die vorbereiteten Belege und verbundenen Werkzeuge ausdrücklich fest. Ein strukturierter Datensatz, eine Erklärung oder eine vorgeschlagene Aktion ist besonders nützlich, wenn Felder, stützende Quellen und der nächste Anwendungsschritt vor der Anfrage definiert werden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-4-0 | 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 $0.00272 / 1K Tokens Ausgabe · Ausgabetoken $0.00836 / 1K Tokens Eingabe · Cache lesen $0.00028 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00272 / 1K Tokens Ausgabe · Ausgabetoken $0.00836 / 1K Tokens Eingabe · Cache lesen $0.00028 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-0', '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-4-0', '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-4-0
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.