Mistral Medium 3.5 ist das dichte Modell von Mistral AI mit 128 Milliarden Parametern, das Anweisungsbefolgung, schlussfolgerndes Denken und Programmierung in einem einzigen Satz von Gewichten verbindet. Es erhält Text und Bilder und gibt Text zurück. Der Hersteller positioniert es für Agenten- und Programmieraufgaben, während derselbe Modellstand eine direkte Gesprächsantwort liefern oder für eine anspruchsvollere Aufgabe seinen dokumentierten Reasoning-Modus verwenden kann.
Einheitliches Modell und visuelle Fähigkeiten
Die veröffentlichte Modellkarte nennt 128 Milliarden dichte Parameter und ein Kontextfenster von 256k. Der Vision-Encoder ist für unterschiedliche Bildgrößen und Seitenverhältnisse trainiert. Bilder können Belege zu einer Programmier- oder Dokumentaufgabe beitragen: ein Screenshot einer Benutzeroberfläche, ein Diagramm zu einer Anforderung oder eine Seite mit Informationen, die das Modell auslegen muss. Das Ergebnis kann eine schriftliche Erklärung, Code oder strukturierte Felder statt eines erzeugten Bildes sein.
Der Hersteller beschreibt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt außerdem die Einhaltung von Systemprompts und native Funktionsaufrufe mit JSON-Ausgabe hervor. Legen Sie Zielgruppe, Sprache und Antwortregeln getrennt vom untersuchten Material fest, damit die Formulierungen eines Quelldokuments Belege für die Aufgabe bleiben.
Reasoning-Einstellungen
Die Modellkarte dokumentiert zwei Werte für den Reasoning-Aufwand pro Anfrage. Der Wert none liefert eine anweisungsbezogene Antwort ohne Reasoning-Modus; high aktiviert Reasoning und wird für komplexe Prompts und agentengestützte Programmierung empfohlen. Das ist eine Moduswahl innerhalb desselben Modellstands Medium 3.5 und keine andere Modellidentität.
Für hohen Reasoning-Aufwand empfiehlt der Hersteller temperature 0.7 und top-p 0.95. Für none dokumentiert er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7 und lässt top-p ungesetzt oder bei 1.0. Das sind Empfehlungen für diese Veröffentlichung. Wählen Sie zuerst den Zweck der Ausgabe: eine knappe Feldextraktion, eine Codeänderung mit Erklärung oder einen Vergleich, der mehrere begründete Entscheidungen erfordert.
Eine praktische Reasoning-Aufgabe kann eine Anforderung, die Implementierung und die Eingabe liefern, die eine Abweichung offenlegt. Bitten Sie das Modell, den relevanten Pfad zu identifizieren, die Unstimmigkeit zu erklären und die kleinste Änderung vorzuschlagen, die die öffentliche Schnittstelle bewahrt. Verlangen Sie den überarbeiteten Code getrennt von Annahmen und Beispielen. Das Modell erzeugt einen Vorschlag; Kompilieren, Ausführen und Anwenden erfordern die mit dem Agenten verbundene Entwicklungsumgebung.
Werkzeuge, Dokumente und vorhersehbare Änderungen
Die Dienstbeschreibung des Herstellers nennt außerdem strukturierte Ausgaben, vorhergesagte Ausgaben, Dokumentfragen, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Definieren Sie für die Extraktion Feldnamen, Typen und den Umgang mit fehlenden Werten. Der JSON-Modus liefert eine strukturierte Darstellung, während ein benutzerdefiniertes Schema eine spezifischere Form in der verbundenen Schnittstelle definiert. Verlangen Sie nur den Datensatz, wenn ein Programm ihn parsen wird, und eine gesonderte Erklärung, wenn eine Person die Auslegung prüfen muss.
Die Beantwortung von Dokumentfragen verbindet per OCR aufbereiteten Text und dessen Struktur mit dem Verständnis des Sprachmodells. Benennen Sie für einen Vergleich die Dokumente und die zu bewertende Bedingung und verlangen Sie dann jede Feststellung mit ihrer Quellstelle. Eine nützliche Ausgabe kann gemeinsame Anforderungen, Widersprüche und offene Fragen trennen. Direkte Bildfragen können sich auf eine Diagrammbeschriftung oder ein Oberflächenelement konzentrieren; das Bewahren von Überschriften, Einheiten und Bildrollen hilft dabei, die Antwort mit dem bereitgestellten Material verbunden zu halten.
Vorhergesagte Ausgaben sind für Aufgaben dokumentiert, bei denen ein großer Teil der gewünschten Antwort bereits bekannt ist, etwa die erneute Erzeugung einer Codedatei oder eines Dokuments mit begrenzten Änderungen. Stellen Sie den vorhandenen Inhalt bereit und benennen Sie die konkrete Änderung, wobei die zu erhaltenden Teile bewahrt werden. Das unterscheidet sich von der Aufforderung, ein vollständig neues Artefakt zu erstellen oder von einem bekannten Antwortpräfix aus fortzusetzen. Die Dienstfunktionen beschreiben Optionen für Übermittlung und Formatierung; sie ändern weder die Text- und Bildeingabe noch die Textausgabe des Modells.
In einem werkzeuggestützten Ablauf stellt die Anwendung Funktionsbeschreibungen und Parameter bereit, das Modell wählt eine Funktion und bereitet Argumente vor, und die Anwendung führt sie aus und liefert das Ergebnis zurück. Ein Berechnungswerkzeug kann Werte erhalten, die aus einem bereitgestellten Bild gelesen wurden, während ein Abfragewerkzeug die fehlenden Informationen für die nächste Antwort liefern kann. Ordnen Sie das Werkzeugergebnis der Operation zu, die es erzeugt hat. Agentisches Reasoning stützt sich auf diese Umgebung; die Textgenerierung allein führt keine externen Aktionen aus.
Lange Sitzungen vorbereiten
Nutzen Sie den Kontext von 256k für zusammengehörigen Quellcode, Dokumente und Gesprächsverlauf und halten Sie das eigentliche Ziel ausdrücklich fest. Eine Programmiersitzung kann das Modul, seinen Aufrufer und die Anforderungen bewahren und dabei eine klar definierte Änderung verlangen. Eine Dokumentsitzung kann die relevanten Abschnitte zusammenhalten und zugleich eine kurze Tabelle oder einen überarbeiteten Abschnitt zurückgeben. Die Kontextkapazität legt keine gesonderte maximale Antwortlänge fest; das Generierungsbeispiel mit 1.024 Tokens in der Modellkarte dient der Veranschaulichung und ist nicht diese Grenze.
Der Hersteller weist darauf hin, dass eine ältere veröffentlichte Konfiguration einen Fehler für lange Kontexte enthielt und dieser behoben wurde, auch mit Bedeutung für abgeleitete Modellstände. Bewahren Sie die korrigierte Veröffentlichungskonfiguration, wenn Sie die Gewichte für lange Sitzungen verwenden. Die hybriden Modi und die Architektur mit 128 Milliarden Parametern von Medium 3.5 sollten nicht Medium 3.1 oder einem gesondert benannten Draft-Head-Modellstand zugeordnet werden, nur weil ihre Namen dieselbe Familie nennen.
", "aboutText": "Mistral Medium 3.5 ist das dichte Modell von Mistral AI mit 128 Milliarden Parametern, das Anweisungsbefolgung, schlussfolgerndes Denken und Programmierung in einem einzigen Satz von Gewichten verbindet. Es erhält Text und Bilder und gibt Text zurück. Der Hersteller positioniert es für Agenten- und Programmieraufgaben, während derselbe Modellstand eine direkte Gesprächsantwort liefern oder für eine anspruchsvollere Aufgabe seinen dokumentierten Reasoning-Modus verwenden kann.\n\nEinheitliches Modell und visuelle Fähigkeiten\n\nDie veröffentlichte Modellkarte nennt 128 Milliarden dichte Parameter und ein Kontextfenster von 256k. Der Vision-Encoder ist für unterschiedliche Bildgrößen und Seitenverhältnisse trainiert. Bilder können Belege zu einer Programmier- oder Dokumentaufgabe beitragen: ein Screenshot einer Benutzeroberfläche, ein Diagramm zu einer Anforderung oder eine Seite mit Informationen, die das Modell auslegen muss. Das Ergebnis kann eine schriftliche Erklärung, Code oder strukturierte Felder statt eines erzeugten Bildes sein.\n\nDer Hersteller beschreibt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt außerdem die Einhaltung von Systemprompts und native Funktionsaufrufe mit JSON-Ausgabe hervor. Legen Sie Zielgruppe, Sprache und Antwortregeln getrennt vom untersuchten Material fest, damit die Formulierungen eines Quelldokuments Belege für die Aufgabe bleiben.\n\nReasoning-Einstellungen\n\nDie Modellkarte dokumentiert zwei Werte für den Reasoning-Aufwand pro Anfrage. Der Wert none liefert eine anweisungsbezogene Antwort ohne Reasoning-Modus; high aktiviert Reasoning und wird für komplexe Prompts und agentengestützte Programmierung empfohlen. Das ist eine Moduswahl innerhalb desselben Modellstands Medium 3.5 und keine andere Modellidentität.\n\nFür hohen Reasoning-Aufwand empfiehlt der Hersteller temperature 0.7 und top-p 0.95. Für none dokumentiert er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7 und lässt top-p ungesetzt oder bei 1.0. Das sind Empfehlungen für diese Veröffentlichung. Wählen Sie zuerst den Zweck der Ausgabe: eine knappe Feldextraktion, eine Codeänderung mit Erklärung oder einen Vergleich, der mehrere begründete Entscheidungen erfordert.\n\nEine praktische Reasoning-Aufgabe kann eine Anforderung, die Implementierung und die Eingabe liefern, die eine Abweichung offenlegt. Bitten Sie das Modell, den relevanten Pfad zu identifizieren, die Unstimmigkeit zu erklären und die kleinste Änderung vorzuschlagen, die die öffentliche Schnittstelle bewahrt. Verlangen Sie den überarbeiteten Code getrennt von Annahmen und Beispielen. Das Modell erzeugt einen Vorschlag; Kompilieren, Ausführen und Anwenden erfordern die mit dem Agenten verbundene Entwicklungsumgebung.\n\nWerkzeuge, Dokumente und vorhersehbare Änderungen\n\nDie Dienstbeschreibung des Herstellers nennt außerdem strukturierte Ausgaben, vorhergesagte Ausgaben, Dokumentfragen, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Definieren Sie für die Extraktion Feldnamen, Typen und den Umgang mit fehlenden Werten. Der JSON-Modus liefert eine strukturierte Darstellung, während ein benutzerdefiniertes Schema eine spezifischere Form in der verbundenen Schnittstelle definiert. Verlangen Sie nur den Datensatz, wenn ein Programm ihn parsen wird, und eine gesonderte Erklärung, wenn eine Person die Auslegung prüfen muss.\n\nDie Beantwortung von Dokumentfragen verbindet per OCR aufbereiteten Text und dessen Struktur mit dem Verständnis des Sprachmodells. Benennen Sie für einen Vergleich die Dokumente und die zu bewertende Bedingung und verlangen Sie dann jede Feststellung mit ihrer Quellstelle. Eine nützliche Ausgabe kann gemeinsame Anforderungen, Widersprüche und offene Fragen trennen. Direkte Bildfragen können sich auf eine Diagrammbeschriftung oder ein Oberflächenelement konzentrieren; das Bewahren von Überschriften, Einheiten und Bildrollen hilft dabei, die Antwort mit dem bereitgestellten Material verbunden zu halten.\n\nVorhergesagte Ausgaben sind für Aufgaben dokumentiert, bei denen ein großer Teil der gewünschten Antwort bereits bekannt ist, etwa die erneute Erzeugung einer Codedatei oder eines Dokuments mit begrenzten Änderungen. Stellen Sie den vorhandenen Inhalt bereit und benennen Sie die konkrete Änderung, wobei die zu erhaltenden Teile bewahrt werden. Das unterscheidet sich von der Aufforderung, ein vollständig neues Artefakt zu erstellen oder von einem bekannten Antwortpräfix aus fortzusetzen. Die Dienstfunktionen beschreiben Optionen für Übermittlung und Formatierung; sie ändern weder die Text- und Bildeingabe noch die Textausgabe des Modells.\n\nIn einem werkzeuggestützten Ablauf stellt die Anwendung Funktionsbeschreibungen und Parameter bereit, das Modell wählt eine Funktion und bereitet Argumente vor, und die Anwendung führt sie aus und liefert das Ergebnis zurück. Ein Berechnungswerkzeug kann Werte erhalten, die aus einem bereitgestellten Bild gelesen wurden, während ein Abfragewerkzeug die fehlenden Informationen für die nächste Antwort liefern kann. Ordnen Sie das Werkzeugergebnis der Operation zu, die es erzeugt hat. Agentisches Reasoning stützt sich auf diese Umgebung; die Textgenerierung allein führt keine externen Aktionen aus.\n\nLange Sitzungen vorbereiten\n\nNutzen Sie den Kontext von 256k für zusammengehörigen Quellcode, Dokumente und Gesprächsverlauf und halten Sie das eigentliche Ziel ausdrücklich fest. Eine Programmiersitzung kann das Modul, seinen Aufrufer und die Anforderungen bewahren und dabei eine klar definierte Änderung verlangen. Eine Dokumentsitzung kann die relevanten Abschnitte zusammenhalten und zugleich eine kurze Tabelle oder einen überarbeiteten Abschnitt zurückgeben. Die Kontextkapazität legt keine gesonderte maximale Antwortlänge fest; das Generierungsbeispiel mit 1.024 Tokens in der Modellkarte dient der Veranschaulichung und ist nicht diese Grenze.\n\nDer Hersteller weist darauf hin, dass eine ältere veröffentlichte Konfiguration einen Fehler für lange Kontexte enthielt und dieser behoben wurde, auch mit Bedeutung für abgeleitete Modellstände. Bewahren Sie die korrigierte Veröffentlichungskonfiguration, wenn Sie die Gewichte für lange Sitzungen verwenden. Die hybriden Modi und die Architektur mit 128 Milliarden Parametern von Medium 3.5 sollten nicht Medium 3.1 oder einem gesondert benannten Draft-Head-Modellstand zugeordnet werden, nur weil ihre Namen dieselbe Familie nennen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral Medium 3.5 verbindet Anweisungsbefolgung, schlussfolgerndes Denken und Programmierung in einem dichten Text- und Bildmodell mit 128 Milliarden Parametern. Es bietet einen vom Hersteller angegebenen Kontext von 256k, Reasoning-Einstellungen pro Anfrage, native Funktionsaufrufe und strukturierte Ausgaben für Dokument- und Agentenabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Medium 3.5 ist das dichte Modell von Mistral AI mit 128 Milliarden Parametern, das Anweisungsbefolgung, schlussfolgerndes Denken und Programmierung in einem einzigen Satz von Gewichten verbindet. Es erhält Text und Bilder und gibt Text zurück. Der Hersteller positioniert es für Agenten- und Programmieraufgaben, während derselbe Modellstand eine direkte Gesprächsantwort liefern oder für eine anspruchsvollere Aufgabe seinen dokumentierten Reasoning-Modus verwenden kann.
Einheitliches Modell und visuelle Fähigkeiten
Die veröffentlichte Modellkarte nennt 128 Milliarden dichte Parameter und ein Kontextfenster von 256k. Der Vision-Encoder ist für unterschiedliche Bildgrößen und Seitenverhältnisse trainiert. Bilder können Belege zu einer Programmier- oder Dokumentaufgabe beitragen: ein Screenshot einer Benutzeroberfläche, ein Diagramm zu einer Anforderung oder eine Seite mit Informationen, die das Modell auslegen muss. Das Ergebnis kann eine schriftliche Erklärung, Code oder strukturierte Felder statt eines erzeugten Bildes sein.
Der Hersteller beschreibt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt außerdem die Einhaltung von Systemprompts und native Funktionsaufrufe mit JSON-Ausgabe hervor. Legen Sie Zielgruppe, Sprache und Antwortregeln getrennt vom untersuchten Material fest, damit die Formulierungen eines Quelldokuments Belege für die Aufgabe bleiben.
Reasoning-Einstellungen
Die Modellkarte dokumentiert zwei Werte für den Reasoning-Aufwand pro Anfrage. Der Wert none liefert eine anweisungsbezogene Antwort ohne Reasoning-Modus; high aktiviert Reasoning und wird für komplexe Prompts und agentengestützte Programmierung empfohlen. Das ist eine Moduswahl innerhalb desselben Modellstands Medium 3.5 und keine andere Modellidentität.
Für hohen Reasoning-Aufwand empfiehlt der Hersteller temperature 0.7 und top-p 0.95. Für none dokumentiert er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7 und lässt top-p ungesetzt oder bei 1.0. Das sind Empfehlungen für diese Veröffentlichung. Wählen Sie zuerst den Zweck der Ausgabe: eine knappe Feldextraktion, eine Codeänderung mit Erklärung oder einen Vergleich, der mehrere begründete Entscheidungen erfordert.
Eine praktische Reasoning-Aufgabe kann eine Anforderung, die Implementierung und die Eingabe liefern, die eine Abweichung offenlegt. Bitten Sie das Modell, den relevanten Pfad zu identifizieren, die Unstimmigkeit zu erklären und die kleinste Änderung vorzuschlagen, die die öffentliche Schnittstelle bewahrt. Verlangen Sie den überarbeiteten Code getrennt von Annahmen und Beispielen. Das Modell erzeugt einen Vorschlag; Kompilieren, Ausführen und Anwenden erfordern die mit dem Agenten verbundene Entwicklungsumgebung.
Werkzeuge, Dokumente und vorhersehbare Änderungen
Die Dienstbeschreibung des Herstellers nennt außerdem strukturierte Ausgaben, vorhergesagte Ausgaben, Dokumentfragen, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Definieren Sie für die Extraktion Feldnamen, Typen und den Umgang mit fehlenden Werten. Der JSON-Modus liefert eine strukturierte Darstellung, während ein benutzerdefiniertes Schema eine spezifischere Form in der verbundenen Schnittstelle definiert. Verlangen Sie nur den Datensatz, wenn ein Programm ihn parsen wird, und eine gesonderte Erklärung, wenn eine Person die Auslegung prüfen muss.
Die Beantwortung von Dokumentfragen verbindet per OCR aufbereiteten Text und dessen Struktur mit dem Verständnis des Sprachmodells. Benennen Sie für einen Vergleich die Dokumente und die zu bewertende Bedingung und verlangen Sie dann jede Feststellung mit ihrer Quellstelle. Eine nützliche Ausgabe kann gemeinsame Anforderungen, Widersprüche und offene Fragen trennen. Direkte Bildfragen können sich auf eine Diagrammbeschriftung oder ein Oberflächenelement konzentrieren; das Bewahren von Überschriften, Einheiten und Bildrollen hilft dabei, die Antwort mit dem bereitgestellten Material verbunden zu halten.
Vorhergesagte Ausgaben sind für Aufgaben dokumentiert, bei denen ein großer Teil der gewünschten Antwort bereits bekannt ist, etwa die erneute Erzeugung einer Codedatei oder eines Dokuments mit begrenzten Änderungen. Stellen Sie den vorhandenen Inhalt bereit und benennen Sie die konkrete Änderung, wobei die zu erhaltenden Teile bewahrt werden. Das unterscheidet sich von der Aufforderung, ein vollständig neues Artefakt zu erstellen oder von einem bekannten Antwortpräfix aus fortzusetzen. Die Dienstfunktionen beschreiben Optionen für Übermittlung und Formatierung; sie ändern weder die Text- und Bildeingabe noch die Textausgabe des Modells.
In einem werkzeuggestützten Ablauf stellt die Anwendung Funktionsbeschreibungen und Parameter bereit, das Modell wählt eine Funktion und bereitet Argumente vor, und die Anwendung führt sie aus und liefert das Ergebnis zurück. Ein Berechnungswerkzeug kann Werte erhalten, die aus einem bereitgestellten Bild gelesen wurden, während ein Abfragewerkzeug die fehlenden Informationen für die nächste Antwort liefern kann. Ordnen Sie das Werkzeugergebnis der Operation zu, die es erzeugt hat. Agentisches Reasoning stützt sich auf diese Umgebung; die Textgenerierung allein führt keine externen Aktionen aus.
Lange Sitzungen vorbereiten
Nutzen Sie den Kontext von 256k für zusammengehörigen Quellcode, Dokumente und Gesprächsverlauf und halten Sie das eigentliche Ziel ausdrücklich fest. Eine Programmiersitzung kann das Modul, seinen Aufrufer und die Anforderungen bewahren und dabei eine klar definierte Änderung verlangen. Eine Dokumentsitzung kann die relevanten Abschnitte zusammenhalten und zugleich eine kurze Tabelle oder einen überarbeiteten Abschnitt zurückgeben. Die Kontextkapazität legt keine gesonderte maximale Antwortlänge fest; das Generierungsbeispiel mit 1.024 Tokens in der Modellkarte dient der Veranschaulichung und ist nicht diese Grenze.
Der Hersteller weist darauf hin, dass eine ältere veröffentlichte Konfiguration einen Fehler für lange Kontexte enthielt und dieser behoben wurde, auch mit Bedeutung für abgeleitete Modellstände. Bewahren Sie die korrigierte Veröffentlichungskonfiguration, wenn Sie die Gewichte für lange Sitzungen verwenden. Die hybriden Modi und die Architektur mit 128 Milliarden Parametern von Medium 3.5 sollten nicht Medium 3.1 oder einem gesondert benannten Draft-Head-Modellstand zugeordnet werden, nur weil ihre Namen dieselbe Familie nennen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-medium-3-5 | 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 $0.003 / 1K Tokens Ausgabe · Ausgabetoken $0.015 / 1K Tokens Eingabe · Cache lesen — / 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 $0.003 / 1K Tokens Ausgabe · Ausgabetoken $0.015 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-medium-3-5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-medium-3-5',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-medium-3-5
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-medium-3-5Mistral Medium 3.5 verbindet Anweisungsbefolgung, schlussfolgerndes Denken und Programmierung in einem dichten Text- und Bildmodell mit 128 Milliarden Parametern. Es bietet einen vom Hersteller angegebenen Kontext von 256k, Reasoning-Einstellungen pro Anfrage, native Funktionsaufrufe und strukturierte Ausgaben für Dokument- und Agentenabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Medium 3.5 ist das dichte Modell von Mistral AI mit 128 Milliarden Parametern, das Anweisungsbefolgung, schlussfolgerndes Denken und Programmierung in einem einzigen Satz von Gewichten verbindet. Es erhält Text und Bilder und gibt Text zurück. Der Hersteller positioniert es für Agenten- und Programmieraufgaben, während derselbe Modellstand eine direkte Gesprächsantwort liefern oder für eine anspruchsvollere Aufgabe seinen dokumentierten Reasoning-Modus verwenden kann.
Einheitliches Modell und visuelle Fähigkeiten
Die veröffentlichte Modellkarte nennt 128 Milliarden dichte Parameter und ein Kontextfenster von 256k. Der Vision-Encoder ist für unterschiedliche Bildgrößen und Seitenverhältnisse trainiert. Bilder können Belege zu einer Programmier- oder Dokumentaufgabe beitragen: ein Screenshot einer Benutzeroberfläche, ein Diagramm zu einer Anforderung oder eine Seite mit Informationen, die das Modell auslegen muss. Das Ergebnis kann eine schriftliche Erklärung, Code oder strukturierte Felder statt eines erzeugten Bildes sein.
Der Hersteller beschreibt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt außerdem die Einhaltung von Systemprompts und native Funktionsaufrufe mit JSON-Ausgabe hervor. Legen Sie Zielgruppe, Sprache und Antwortregeln getrennt vom untersuchten Material fest, damit die Formulierungen eines Quelldokuments Belege für die Aufgabe bleiben.
Reasoning-Einstellungen
Die Modellkarte dokumentiert zwei Werte für den Reasoning-Aufwand pro Anfrage. Der Wert none liefert eine anweisungsbezogene Antwort ohne Reasoning-Modus; high aktiviert Reasoning und wird für komplexe Prompts und agentengestützte Programmierung empfohlen. Das ist eine Moduswahl innerhalb desselben Modellstands Medium 3.5 und keine andere Modellidentität.
Für hohen Reasoning-Aufwand empfiehlt der Hersteller temperature 0.7 und top-p 0.95. Für none dokumentiert er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7 und lässt top-p ungesetzt oder bei 1.0. Das sind Empfehlungen für diese Veröffentlichung. Wählen Sie zuerst den Zweck der Ausgabe: eine knappe Feldextraktion, eine Codeänderung mit Erklärung oder einen Vergleich, der mehrere begründete Entscheidungen erfordert.
Eine praktische Reasoning-Aufgabe kann eine Anforderung, die Implementierung und die Eingabe liefern, die eine Abweichung offenlegt. Bitten Sie das Modell, den relevanten Pfad zu identifizieren, die Unstimmigkeit zu erklären und die kleinste Änderung vorzuschlagen, die die öffentliche Schnittstelle bewahrt. Verlangen Sie den überarbeiteten Code getrennt von Annahmen und Beispielen. Das Modell erzeugt einen Vorschlag; Kompilieren, Ausführen und Anwenden erfordern die mit dem Agenten verbundene Entwicklungsumgebung.
Werkzeuge, Dokumente und vorhersehbare Änderungen
Die Dienstbeschreibung des Herstellers nennt außerdem strukturierte Ausgaben, vorhergesagte Ausgaben, Dokumentfragen, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Definieren Sie für die Extraktion Feldnamen, Typen und den Umgang mit fehlenden Werten. Der JSON-Modus liefert eine strukturierte Darstellung, während ein benutzerdefiniertes Schema eine spezifischere Form in der verbundenen Schnittstelle definiert. Verlangen Sie nur den Datensatz, wenn ein Programm ihn parsen wird, und eine gesonderte Erklärung, wenn eine Person die Auslegung prüfen muss.
Die Beantwortung von Dokumentfragen verbindet per OCR aufbereiteten Text und dessen Struktur mit dem Verständnis des Sprachmodells. Benennen Sie für einen Vergleich die Dokumente und die zu bewertende Bedingung und verlangen Sie dann jede Feststellung mit ihrer Quellstelle. Eine nützliche Ausgabe kann gemeinsame Anforderungen, Widersprüche und offene Fragen trennen. Direkte Bildfragen können sich auf eine Diagrammbeschriftung oder ein Oberflächenelement konzentrieren; das Bewahren von Überschriften, Einheiten und Bildrollen hilft dabei, die Antwort mit dem bereitgestellten Material verbunden zu halten.
Vorhergesagte Ausgaben sind für Aufgaben dokumentiert, bei denen ein großer Teil der gewünschten Antwort bereits bekannt ist, etwa die erneute Erzeugung einer Codedatei oder eines Dokuments mit begrenzten Änderungen. Stellen Sie den vorhandenen Inhalt bereit und benennen Sie die konkrete Änderung, wobei die zu erhaltenden Teile bewahrt werden. Das unterscheidet sich von der Aufforderung, ein vollständig neues Artefakt zu erstellen oder von einem bekannten Antwortpräfix aus fortzusetzen. Die Dienstfunktionen beschreiben Optionen für Übermittlung und Formatierung; sie ändern weder die Text- und Bildeingabe noch die Textausgabe des Modells.
In einem werkzeuggestützten Ablauf stellt die Anwendung Funktionsbeschreibungen und Parameter bereit, das Modell wählt eine Funktion und bereitet Argumente vor, und die Anwendung führt sie aus und liefert das Ergebnis zurück. Ein Berechnungswerkzeug kann Werte erhalten, die aus einem bereitgestellten Bild gelesen wurden, während ein Abfragewerkzeug die fehlenden Informationen für die nächste Antwort liefern kann. Ordnen Sie das Werkzeugergebnis der Operation zu, die es erzeugt hat. Agentisches Reasoning stützt sich auf diese Umgebung; die Textgenerierung allein führt keine externen Aktionen aus.
Lange Sitzungen vorbereiten
Nutzen Sie den Kontext von 256k für zusammengehörigen Quellcode, Dokumente und Gesprächsverlauf und halten Sie das eigentliche Ziel ausdrücklich fest. Eine Programmiersitzung kann das Modul, seinen Aufrufer und die Anforderungen bewahren und dabei eine klar definierte Änderung verlangen. Eine Dokumentsitzung kann die relevanten Abschnitte zusammenhalten und zugleich eine kurze Tabelle oder einen überarbeiteten Abschnitt zurückgeben. Die Kontextkapazität legt keine gesonderte maximale Antwortlänge fest; das Generierungsbeispiel mit 1.024 Tokens in der Modellkarte dient der Veranschaulichung und ist nicht diese Grenze.
Der Hersteller weist darauf hin, dass eine ältere veröffentlichte Konfiguration einen Fehler für lange Kontexte enthielt und dieser behoben wurde, auch mit Bedeutung für abgeleitete Modellstände. Bewahren Sie die korrigierte Veröffentlichungskonfiguration, wenn Sie die Gewichte für lange Sitzungen verwenden. Die hybriden Modi und die Architektur mit 128 Milliarden Parametern von Medium 3.5 sollten nicht Medium 3.1 oder einem gesondert benannten Draft-Head-Modellstand zugeordnet werden, nur weil ihre Namen dieselbe Familie nennen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-medium-3-5 | 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 $0.003 / 1K Tokens Ausgabe · Ausgabetoken $0.015 / 1K Tokens Eingabe · Cache lesen — / 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 $0.003 / 1K Tokens Ausgabe · Ausgabetoken $0.015 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3-5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3-5', '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-medium-3-5
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.