Source: https://ailoot.ai/models/de-at/mistralai-mistral-large-4-0/
Canonical: https://ailoot.ai/models/de-at/mistralai-mistral-large-4-0/
Language: de-at

# Mistral: Mistral Large 4

[Markdown](https://ailoot.ai/models/de-at/mistralai-mistral-large-4-0/index.md) · [JSON](https://ailoot.ai/models/de-at/mistralai-mistral-large-4-0/facts.json)

## [Mistral: Mistral Large 4](https://ailoot.ai/models/de-at/mistralai-mistral-large-4-0/)

Mistral 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.

- [**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `mistralai/mistral-large-4-0`](https://ailoot.ai/models/de-at/mistralai-mistral-large-4-0/#method-0)
- [**Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `mistralai/mistral-large-4-0`](https://ailoot.ai/models/de-at/mistralai-mistral-large-4-0/#method-1)

Über das Modell

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.

Praktische Aufgabe

### Praktische Aufgabe

Technisches Beispiel auf Englisch

```
Build an engineering requirement matrix

Create 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.
```

#### Erwartetes Ergebnis

```
A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.
```

#### Ergebnis prüfen

```
The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.
```

**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `mistralai/mistral-large-4-0`

[`mistralai/mistral-large-4-0`](https://ailoot.ai/models/de-at/#m=mistralai%2Fmistral-large-4-0&route=Ultra&caller=mistralai%2Fmistral-large-4-0&fmt=chat)

Mistral /`mistralai/mistral-large-4-0`

### Einstieg

Mistral 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.

Zulässige Eingaben

Text

Ergebnisse

Text

### In Ailoot verfügbar · Eingaben und Methoden

**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions`

Eingabe

`text`

Ausgabe

`text`

Ausgabeformat

json oder SSE

| Feld | Typ | Anforderung | Werte und Limits | Standard |
| --- | --- | --- | --- | --- |
| Feld`model` | Typ`string` | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-4-0 | Standard— |
| Feld`messages` | Typ`message[]` | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
| Feld`messages[].role` | Typ`string` | 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— |
| Feld`messages[].content` | Typ`string\|content_part[]\|null` | AnforderungOptional | Werte und Limits | Standard— |
| Feld`messages[].tool_calls` | Typ`tool_call[]` | AnforderungOptional | Werte und Limits | Standard— |
| Feld`messages[].tool_call_id` | Typ`string` | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
| Feld`messages[].name` | Typ`string` | AnforderungOptional | Werte und Limits | Standard— |
| Feld`messages[].reasoning_content` | Typ`string` | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
| Feld`messages[].reasoning_details` | Typ`object\|array` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`max_tokens` | Typ`integer` | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
| Feld`max_completion_tokens` | Typ`integer` | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
| Feld`stream` | Typ`boolean` | AnforderungOptional | Werte und Limits | Standardfalse |
| Feld`stream_options.include_usage` | Typ`boolean` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`temperature` | Typ`number` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`top_p` | Typ`number` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`stop` | Typ`string\|string[]` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`tools` | Typ`function_tool[]` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`tools[].type` | Typ`string` | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
| Feld`tools[].function.name` | Typ`string` | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
| Feld`tools[].function.description` | Typ`string` | AnforderungOptional | Werte und Limits | Standard— |
| Feld`tools[].function.parameters` | Typ`JSON_schema` | AnforderungOptional | Werte und Limits | Standard— |
| Feld`tool_choice` | Typ`string\|object` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`parallel_tool_calls` | Typ`boolean` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`response_format` | Typ`object` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`reasoning_effort` | Typ`string` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`reasoning` | Typ`object` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`service_tier` | Typ`string` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`instructions` | Typ`string` | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
| Feld`functions` | Typ`function[]` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`function_call` | Typ`string\|object` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`prompt_cache_options` | Typ`object` | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
| Feld`modalities` | Typ`string[]` | AnforderungOptional | Werte und Limits text | Standard— |
| Feld`provider` | Typ`object` | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
| Feld`cache_control.ttl` | Typ`string` | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |

Kombinationen von Eingabematerialien

**Text** · UTF8-Text

`messages[].content`

Methodenparameter und Lebenszyklus

| Parameter | Vertrag |
| --- | --- |
| Parameter`content_type` | Vertragapplication/json |
| Parameter`required` | Vertragmodel, messages |
| Parameter`material_types` | Vertragtext |
| Parameter`messages` | VertragNachrichtenarray mit role/content-Struktur |
| Parameter`file_material` | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
| Parameter`optional_controls` | Vertragstream, temperature, top\_p, stop, max\_tokens, max\_completion\_tokens, reasoning, response\_format, tools, tool\_choice |
| Parameter`control_scope` | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
| Parameter`output_modalities` | Vertragtext |
| Parameter`hosted_operations` | Vertragfalse |
| Parameter`multimodal_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.

### Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus

Standardtarif Wenn der Schnellmodus ausgewählt ist

Flex-Modus

Standardtarif Wenn der Modus flex ausgewählt ist

Maximaler Denkaufwand

Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Denkaufwand · hoch

Standardtarif Wenn der Denkaufwand hoch ist

Denkaufwand · keiner

Standardtarif Wenn kein Denkaufwand verwendet wird

#### Ailoot-Tarife

#### Preise nach Konfiguration

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 →](https://ailoot.ai/docs/de-at/billing/reserve/)

### Beispielanfragen

#### Ailoot Ultra · OpenAI Chat

curlPython SDKPython-Stream

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "mistralai/mistral-large-4-0", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
```

```python
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='mistralai/mistral-large-4-0',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
```

```python
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='mistralai/mistral-large-4-0',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")
```

### Ergebnisse abrufen und speichern

#### Ailoot Ultra · OpenAI Chat

json oder SSE

##### Alle fertiggestellten Ergebnisse aufbewahren

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.

##### Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder

| Feld | Typ |
| --- | --- |
| Feld`choices[].index` | Typinteger |
| Feld`choices[].message.content` | Typstring\|null |
| Feld`choices[].message.tool_calls` | Typtool\_call\[\] |
| Feld`choices[].message.reasoning_content` | Typstring |
| Feld`choices[].message.reasoning_details` | Typobject\|array |
| Feld`choices[].finish_reason` | Typstring\|null |
| Feld`usage` | Typobject |

Fehler und nächste Schritte

| Antwort | Bedingung | Nächster Schritt |
| --- | --- | --- |
| Antwort400 · `invalid_request_error` | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |

### Aliasnamen

#### Modellaliasnamen

**Ailoot Ultra** [`mistralai/mistral-large-4-0`](https://ailoot.ai/models/de-at/#m=mistralai%2Fmistral-large-4-0&route=Ultra&caller=mistralai%2Fmistral-large-4-0&fmt=chat)

#### Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

#### Zugehörige Aufrufer-IDs

[`mistralai/mistral-large-4-0`](https://ailoot.ai/models/de-at/#m=mistralai%2Fmistral-large-4-0&route=Ultra&caller=mistralai%2Fmistral-large-4-0&fmt=chat)

**Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `mistralai/mistral-large-4-0`

[`mistralai/mistral-large-4-0`](https://ailoot.ai/models/de-at/#m=mistralai%2Fmistral-large-4-0&route=Ultra&caller=mistralai%2Fmistral-large-4-0&fmt=messages)

Mistral /`mistralai/mistral-large-4-0`

### Einstieg

Mistral 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.

Zulässige Eingaben

Text

Ergebnisse

json · sse

### In Ailoot verfügbar · Eingaben und Methoden

**Ailoot Ultra · Anthropic Messages** `POST /v1/messages`

Eingabe

`text`

Ausgabe

`json`, `sse`

Ausgabeformat

JSON oder SSE

| Feld | Typ | Anforderung | Werte und Limits | Standard |
| --- | --- | --- | --- | --- |
| Feld`model` | Typ`string` | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-4-0 | Standard— |
| Feld`messages` | Typ`message[]` | AnforderungErforderlich | Werte und Limits | Standard— |
| Feld`messages[].role` | Typ`string` | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
| Feld`messages[].content` | Typ`string` | AnforderungErforderlich | Werte und Limits | Standard— |
| Feld`max_tokens` | Typ`integer` | AnforderungErforderlich | Werte und Limits | Standard— |
| Feld`stream` | Typ`boolean` | AnforderungOptional | Werte und Limits | Standardfalse |

Kombinationen von Eingabematerialien

**Text** · UTF-8-Text

`Zeichenfolge messages[].content`

Methodenparameter und Lebenszyklus

| Parameter | Vertrag |
| --- | --- |
| Parameter`content_type` | Vertragapplication/json |
| Parameter`required` | Vertragmodel, messages, max\_tokens |
| Parameter`optional_controls` | Vertragstream |
| Parameter`material_types` | Vertragtext |
| Parameter`text_file_material` | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |

Lebenszyklus: `synchronous_or_streamed`

### Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus

Standardtarif Wenn der Schnellmodus ausgewählt ist

Flex-Modus

Standardtarif Wenn der Modus flex ausgewählt ist

Maximaler Denkaufwand

Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Denkaufwand · hoch

Standardtarif Wenn der Denkaufwand hoch ist

Denkaufwand · keiner

Standardtarif Wenn kein Denkaufwand verwendet wird

#### Ailoot-Tarife

#### Preise nach Konfiguration

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 →](https://ailoot.ai/docs/de-at/billing/reserve/)

### Beispielanfragen

#### Ailoot Ultra · Anthropic Messages

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern

```json
{
  "model": "mistralai/mistral-large-4-0",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
```

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'mistralai/mistral-large-4-0', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
```

```python
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'mistralai/mistral-large-4-0', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
```

### Ergebnisse abrufen und speichern

#### Ailoot Ultra · Anthropic Messages

JSON oder SSE

##### Alle fertiggestellten Ergebnisse aufbewahren

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.

##### Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder

| Feld | Typ |
| --- | --- |
| Feld`id` | Typstring |
| Feld`model` | Typstring |
| Feld`content[]` | Typtext\|thinking\|tool\_use\|other content block |
| Feld`stop_reason` | Typstring\|null |
| Feld`usage` | Typobject |

Fehler und nächste Schritte

| Antwort | Bedingung | Nächster Schritt |
| --- | --- | --- |
| Antwort400 · `invalid_request_error` | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |

### Aliasnamen

#### Modellaliasnamen

**Ailoot Ultra** [`mistralai/mistral-large-4-0`](https://ailoot.ai/models/de-at/#m=mistralai%2Fmistral-large-4-0&route=Ultra&caller=mistralai%2Fmistral-large-4-0&fmt=messages)

#### Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

#### Zugehörige Aufrufer-IDs

[`mistralai/mistral-large-4-0`](https://ailoot.ai/models/de-at/#m=mistralai%2Fmistral-large-4-0&route=Ultra&caller=mistralai%2Fmistral-large-4-0&fmt=messages)

FAQ · Mistral: Mistral Large 4

Welche Eingaben und Ergebnisse sind verfügbar?

`POST /v1/chat/completions` · `mistralai/mistral-large-4-0`: `text` → `text` `POST /v1/messages` · `mistralai/mistral-large-4-0`: `text` → `json`, `sse`

Welche Felder verwendet die Anfrage?

`POST /v1/chat/completions` · `mistralai/mistral-large-4-0`: `model`, `messages`, `stream`, `modalities`, `provider` `POST /v1/messages` · `mistralai/mistral-large-4-0`: `model`, `messages`, `max_tokens`, `stream`

Welche Grenzen gelten?

`POST /v1/chat/completions` · `mistralai/mistral-large-4-0`: `messages.min_items`: `1`

Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung.

## Das Unternehmen und sein Projektportfolio

Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.

## Tokens mit Rabatt kaufen.

Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf.

Abo

Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen.

Aktionscode bis 50%

Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet.

Ausgaben in der Historie

Modell, Tokens und Betrag werden für jede Anfrage gespeichert.

[Abo wählen](https://ailoot.ai/docs/de-at/billing/subscriptions/) · [Modellpreise ansehen](https://ailoot.ai/models/de-at/)

## Verbinden Sie die API mit dem Produkt, das Sie verkaufen.

SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an.

Kommerzielle Anwendung

Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes.

Reseller-Lizenz

Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an.

Dokumente auf der Website

Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich.

[Reseller-Lizenz anfordern](mailto:support@ailoot.ai) · [Offizielles Angebot und Lizenzvertrag](https://ailoot.ai/legal/offer?lang=de-at)

## Ailoot · Das Unternehmen und sein Projektportfolio





Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle.





Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.





Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.