Mistral Medium 3 ist das multimodale Modell von Mistral AI für professionelle Arbeit mit Text, visuellem Verständnis und Code. Die ursprüngliche Veröffentlichung hebt Programmier- und MINT-Aufgaben zusammen mit der Anpassung an Unternehmenswissen und Arbeitsabläufe hervor. Es nimmt textliches und visuelles Material entgegen und erzeugt Text, etwa eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellenmaterial
Die Modellseite nennt ein Kontextfenster von 128k. Nutzen Sie diesen Kontext, um die Quellpassagen, das Gespräch und die Anweisungen zu bewahren, die das gewünschte Artefakt bestimmen. Benennen Sie bei einem Dokumentvergleich, welche Quelle die aktuelle Anforderung ist, welche die vorgeschlagene Überarbeitung und welche Frage geklärt werden soll. Verlangen Sie neben jeder Feststellung das stützende Dokument und den jeweiligen Abschnitt.
Eine praktische Erklärungsaufgabe kann ein Verfahren und die Frage eines Nutzers bereitstellen und dann die relevante Handlung samt der Bedingung verlangen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium enthalten. Ziel ist ein Ergebnis, das an das bereitgestellte Material gebunden ist, statt einer allgemeinen Themenbeschreibung.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für die Extraktion die Feldnamen, Typen und die Darstellung fehlender Quelleninformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und offene Frage trennen. Mistrals gemeinsame Anleitung unterscheidet zwischen JSON-Modus und benutzerdefiniertem Schema und verlangt eine ausdrückliche Anweisung für das gewünschte JSON-Format.
Funktionsaufrufe verbinden die Interpretation des Modells mit von der Anwendung beschriebenen Operationen. Das Modell wählt eine Funktion und bereitet Argumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis wird zum Kontext für die nächste Antwort. Eine Abfrage kann einen fehlenden Referenzwert liefern; eine Berechnung kann ein für die Erklärung benötigtes Ergebnis liefern. Ordnen Sie das Ergebnis der Operation zu, die es erzeugt hat, statt den vorgeschlagenen Aufruf als ausgeführte Aktion zu behandeln.
Dokument- und Bildfragen
Die Beantwortung von Dokumentfragen wird für diese Ausgabe ebenfalls genannt. Der dokumentierte Ablauf des Herstellers bereitet Text, Struktur und Formatierung eines Dokuments mit OCR auf, bevor das Sprachmodell die Analyse übernimmt. Fragen Sie nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahren Sie bei mehreren Dokumenten ihre Identitäten und verlangen Sie einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung.
Verbinden Sie visuelles Material mit einer definierten Frage und bewahren Sie die Beschriftungen, Einheiten und Bereiche, die zur Beantwortung erforderlich sind. Bei einem Diagramm kann nach einem Vergleich benannter Datenreihen gefragt werden; bei einer schematischen Darstellung danach, welche Verbindung eine angegebene Anforderung stützt. Ein lesbares Dokumentbild und ein per OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, auch wenn beide dasselbe Ziel der Fragenbeantwortung verfolgen.
Bearbeitung, Präfixe und Arbeitsabläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben verwenden bekannten Inhalt, wenn der Großteil eines Dokuments oder einer Codedatei erhalten bleiben und nur ein begrenzter Teil geändert werden soll. Stellen Sie den bestehenden Inhalt bereit, beschreiben Sie die Änderung und benennen Sie das zu bewahrende Material. Das unterscheidet sich von der Aufforderung an das Modell, ein völlig neues Dokument zu erstellen.
Ein Antwortpräfix liefert einen bekannten Anfang für den vom Assistenten erzeugten Text, der von dort aus fortgesetzt wird. Stapelverarbeitung ändert die Art der Aufgabenübermittlung, während eine Agenten- oder Gesprächsschnittstelle einen verbundenen Ablauf verwaltet. Die aufgeführten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie fügen dem zugrunde liegenden Modell keine weitere Inhaltsmodalität hinzu und führen keine Aktion ohne die verbundene Umgebung aus.
Programmierung und Domänenanpassung
Geben Sie für eine Programmieranfrage die Anforderung, die betroffene Funktion, relevante Deklarationen sowie erwartete Ein- und Ausgabe an. Verlangen Sie die vorgeschlagene Änderung, ihre Annahmen und Beispiele, die das beabsichtigte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und fragen, welcher Pfad durch den Quellcode sie erklärt. Repository-Zugriff, Codeausführung und das Anwenden der Änderung kommen aus den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt individuelles Nachtraining und Feinabstimmung für domänenspezifische Unternehmenskontexte und Wissensbestände. Das ist ein eigener Anpassungsprozess und keine Behauptung, dass die Dokumente einer konkreten Organisation dem Standardmodell bereits bekannt sind. Stellen Sie für eine quellengebundene Antwort die relevanten Dokumente und Begriffe direkt mit der Aufgabe bereit und definieren Sie die Antwortregeln.
Grenzen der Ausgabe und des Ergebnisses
Dieser Eintrag bewahrt die 2505-Identität und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Architekturgröße und die konfigurierbaren hybriden Reasoning-Steuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die genaue Modellseite veröffentlicht weder eine Parameterzahl noch eine gesonderte harte maximale Antwortlänge, die von einer späteren Veröffentlichung übernommen werden könnte.
Legen Sie das beabsichtigte Ergebnis vor der Anfrage fest: eine Erklärung, eine strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halten Sie textliche und visuelle Belege, Quellenidentitäten sowie Ergebnisse verbundener Werkzeuge ausdrücklich fest, damit die Antwort geprüft und im nächsten Anwendungsschritt genutzt werden kann.
", "aboutText": "Mistral Medium 3 ist das multimodale Modell von Mistral AI für professionelle Arbeit mit Text, visuellem Verständnis und Code. Die ursprüngliche Veröffentlichung hebt Programmier- und MINT-Aufgaben zusammen mit der Anpassung an Unternehmenswissen und Arbeitsabläufe hervor. Es nimmt textliches und visuelles Material entgegen und erzeugt Text, etwa eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.\n\nKontext und professionelles Quellenmaterial\n\nDie Modellseite nennt ein Kontextfenster von 128k. Nutzen Sie diesen Kontext, um die Quellpassagen, das Gespräch und die Anweisungen zu bewahren, die das gewünschte Artefakt bestimmen. Benennen Sie bei einem Dokumentvergleich, welche Quelle die aktuelle Anforderung ist, welche die vorgeschlagene Überarbeitung und welche Frage geklärt werden soll. Verlangen Sie neben jeder Feststellung das stützende Dokument und den jeweiligen Abschnitt.\n\nEine praktische Erklärungsaufgabe kann ein Verfahren und die Frage eines Nutzers bereitstellen und dann die relevante Handlung samt der Bedingung verlangen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium enthalten. Ziel ist ein Ergebnis, das an das bereitgestellte Material gebunden ist, statt einer allgemeinen Themenbeschreibung.\n\nStrukturierte Ausgaben und Funktionen\n\nDie Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für die Extraktion die Feldnamen, Typen und die Darstellung fehlender Quelleninformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und offene Frage trennen. Mistrals gemeinsame Anleitung unterscheidet zwischen JSON-Modus und benutzerdefiniertem Schema und verlangt eine ausdrückliche Anweisung für das gewünschte JSON-Format.\n\nFunktionsaufrufe verbinden die Interpretation des Modells mit von der Anwendung beschriebenen Operationen. Das Modell wählt eine Funktion und bereitet Argumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis wird zum Kontext für die nächste Antwort. Eine Abfrage kann einen fehlenden Referenzwert liefern; eine Berechnung kann ein für die Erklärung benötigtes Ergebnis liefern. Ordnen Sie das Ergebnis der Operation zu, die es erzeugt hat, statt den vorgeschlagenen Aufruf als ausgeführte Aktion zu behandeln.\n\nDokument- und Bildfragen\n\nDie Beantwortung von Dokumentfragen wird für diese Ausgabe ebenfalls genannt. Der dokumentierte Ablauf des Herstellers bereitet Text, Struktur und Formatierung eines Dokuments mit OCR auf, bevor das Sprachmodell die Analyse übernimmt. Fragen Sie nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahren Sie bei mehreren Dokumenten ihre Identitäten und verlangen Sie einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung.\n\nVerbinden Sie visuelles Material mit einer definierten Frage und bewahren Sie die Beschriftungen, Einheiten und Bereiche, die zur Beantwortung erforderlich sind. Bei einem Diagramm kann nach einem Vergleich benannter Datenreihen gefragt werden; bei einer schematischen Darstellung danach, welche Verbindung eine angegebene Anforderung stützt. Ein lesbares Dokumentbild und ein per OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, auch wenn beide dasselbe Ziel der Fragenbeantwortung verfolgen.\n\nBearbeitung, Präfixe und Arbeitsabläufe\n\nDie Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben verwenden bekannten Inhalt, wenn der Großteil eines Dokuments oder einer Codedatei erhalten bleiben und nur ein begrenzter Teil geändert werden soll. Stellen Sie den bestehenden Inhalt bereit, beschreiben Sie die Änderung und benennen Sie das zu bewahrende Material. Das unterscheidet sich von der Aufforderung an das Modell, ein völlig neues Dokument zu erstellen.\n\nEin Antwortpräfix liefert einen bekannten Anfang für den vom Assistenten erzeugten Text, der von dort aus fortgesetzt wird. Stapelverarbeitung ändert die Art der Aufgabenübermittlung, während eine Agenten- oder Gesprächsschnittstelle einen verbundenen Ablauf verwaltet. Die aufgeführten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie fügen dem zugrunde liegenden Modell keine weitere Inhaltsmodalität hinzu und führen keine Aktion ohne die verbundene Umgebung aus.\n\nProgrammierung und Domänenanpassung\n\nGeben Sie für eine Programmieranfrage die Anforderung, die betroffene Funktion, relevante Deklarationen sowie erwartete Ein- und Ausgabe an. Verlangen Sie die vorgeschlagene Änderung, ihre Annahmen und Beispiele, die das beabsichtigte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und fragen, welcher Pfad durch den Quellcode sie erklärt. Repository-Zugriff, Codeausführung und das Anwenden der Änderung kommen aus den umgebenden Entwicklungswerkzeugen.\n\nDie ursprüngliche Ankündigung beschreibt individuelles Nachtraining und Feinabstimmung für domänenspezifische Unternehmenskontexte und Wissensbestände. Das ist ein eigener Anpassungsprozess und keine Behauptung, dass die Dokumente einer konkreten Organisation dem Standardmodell bereits bekannt sind. Stellen Sie für eine quellengebundene Antwort die relevanten Dokumente und Begriffe direkt mit der Aufgabe bereit und definieren Sie die Antwortregeln.\n\nGrenzen der Ausgabe und des Ergebnisses\n\nDieser Eintrag bewahrt die 2505-Identität und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Architekturgröße und die konfigurierbaren hybriden Reasoning-Steuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die genaue Modellseite veröffentlicht weder eine Parameterzahl noch eine gesonderte harte maximale Antwortlänge, die von einer späteren Veröffentlichung übernommen werden könnte.\n\nLegen Sie das beabsichtigte Ergebnis vor der Anfrage fest: eine Erklärung, eine strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halten Sie textliche und visuelle Belege, Quellenidentitäten sowie Ergebnisse verbundener Werkzeuge ausdrücklich fest, damit die Antwort geprüft und im nächsten Anwendungsschritt genutzt werden kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 ist ein multimodales Modell für professionelle Text-, Bildverständnis- und Programmieraufgaben. Sein vom Hersteller angegebener Kontext von 128k sowie dokumentierte strukturierte Ausgaben, Funktionsaufrufe, Dokumentfragen und vorhersehbare Änderungen unterstützen quellenbasierte Erklärungen und Anwendungsabläufe.
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 ist das multimodale Modell von Mistral AI für professionelle Arbeit mit Text, visuellem Verständnis und Code. Die ursprüngliche Veröffentlichung hebt Programmier- und MINT-Aufgaben zusammen mit der Anpassung an Unternehmenswissen und Arbeitsabläufe hervor. Es nimmt textliches und visuelles Material entgegen und erzeugt Text, etwa eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellenmaterial
Die Modellseite nennt ein Kontextfenster von 128k. Nutzen Sie diesen Kontext, um die Quellpassagen, das Gespräch und die Anweisungen zu bewahren, die das gewünschte Artefakt bestimmen. Benennen Sie bei einem Dokumentvergleich, welche Quelle die aktuelle Anforderung ist, welche die vorgeschlagene Überarbeitung und welche Frage geklärt werden soll. Verlangen Sie neben jeder Feststellung das stützende Dokument und den jeweiligen Abschnitt.
Eine praktische Erklärungsaufgabe kann ein Verfahren und die Frage eines Nutzers bereitstellen und dann die relevante Handlung samt der Bedingung verlangen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium enthalten. Ziel ist ein Ergebnis, das an das bereitgestellte Material gebunden ist, statt einer allgemeinen Themenbeschreibung.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für die Extraktion die Feldnamen, Typen und die Darstellung fehlender Quelleninformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und offene Frage trennen. Mistrals gemeinsame Anleitung unterscheidet zwischen JSON-Modus und benutzerdefiniertem Schema und verlangt eine ausdrückliche Anweisung für das gewünschte JSON-Format.
Funktionsaufrufe verbinden die Interpretation des Modells mit von der Anwendung beschriebenen Operationen. Das Modell wählt eine Funktion und bereitet Argumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis wird zum Kontext für die nächste Antwort. Eine Abfrage kann einen fehlenden Referenzwert liefern; eine Berechnung kann ein für die Erklärung benötigtes Ergebnis liefern. Ordnen Sie das Ergebnis der Operation zu, die es erzeugt hat, statt den vorgeschlagenen Aufruf als ausgeführte Aktion zu behandeln.
Dokument- und Bildfragen
Die Beantwortung von Dokumentfragen wird für diese Ausgabe ebenfalls genannt. Der dokumentierte Ablauf des Herstellers bereitet Text, Struktur und Formatierung eines Dokuments mit OCR auf, bevor das Sprachmodell die Analyse übernimmt. Fragen Sie nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahren Sie bei mehreren Dokumenten ihre Identitäten und verlangen Sie einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung.
Verbinden Sie visuelles Material mit einer definierten Frage und bewahren Sie die Beschriftungen, Einheiten und Bereiche, die zur Beantwortung erforderlich sind. Bei einem Diagramm kann nach einem Vergleich benannter Datenreihen gefragt werden; bei einer schematischen Darstellung danach, welche Verbindung eine angegebene Anforderung stützt. Ein lesbares Dokumentbild und ein per OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, auch wenn beide dasselbe Ziel der Fragenbeantwortung verfolgen.
Bearbeitung, Präfixe und Arbeitsabläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben verwenden bekannten Inhalt, wenn der Großteil eines Dokuments oder einer Codedatei erhalten bleiben und nur ein begrenzter Teil geändert werden soll. Stellen Sie den bestehenden Inhalt bereit, beschreiben Sie die Änderung und benennen Sie das zu bewahrende Material. Das unterscheidet sich von der Aufforderung an das Modell, ein völlig neues Dokument zu erstellen.
Ein Antwortpräfix liefert einen bekannten Anfang für den vom Assistenten erzeugten Text, der von dort aus fortgesetzt wird. Stapelverarbeitung ändert die Art der Aufgabenübermittlung, während eine Agenten- oder Gesprächsschnittstelle einen verbundenen Ablauf verwaltet. Die aufgeführten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie fügen dem zugrunde liegenden Modell keine weitere Inhaltsmodalität hinzu und führen keine Aktion ohne die verbundene Umgebung aus.
Programmierung und Domänenanpassung
Geben Sie für eine Programmieranfrage die Anforderung, die betroffene Funktion, relevante Deklarationen sowie erwartete Ein- und Ausgabe an. Verlangen Sie die vorgeschlagene Änderung, ihre Annahmen und Beispiele, die das beabsichtigte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und fragen, welcher Pfad durch den Quellcode sie erklärt. Repository-Zugriff, Codeausführung und das Anwenden der Änderung kommen aus den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt individuelles Nachtraining und Feinabstimmung für domänenspezifische Unternehmenskontexte und Wissensbestände. Das ist ein eigener Anpassungsprozess und keine Behauptung, dass die Dokumente einer konkreten Organisation dem Standardmodell bereits bekannt sind. Stellen Sie für eine quellengebundene Antwort die relevanten Dokumente und Begriffe direkt mit der Aufgabe bereit und definieren Sie die Antwortregeln.
Grenzen der Ausgabe und des Ergebnisses
Dieser Eintrag bewahrt die 2505-Identität und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Architekturgröße und die konfigurierbaren hybriden Reasoning-Steuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die genaue Modellseite veröffentlicht weder eine Parameterzahl noch eine gesonderte harte maximale Antwortlänge, die von einer späteren Veröffentlichung übernommen werden könnte.
Legen Sie das beabsichtigte Ergebnis vor der Anfrage fest: eine Erklärung, eine strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halten Sie textliche und visuelle Belege, Quellenidentitäten sowie Ergebnisse verbundener Werkzeuge ausdrücklich fest, damit die Antwort geprüft und im nächsten Anwendungsschritt genutzt werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-medium-3 | 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 $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen $0.00008 / 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 $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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", "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',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',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
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-medium-3Mistral Medium 3 ist ein multimodales Modell für professionelle Text-, Bildverständnis- und Programmieraufgaben. Sein vom Hersteller angegebener Kontext von 128k sowie dokumentierte strukturierte Ausgaben, Funktionsaufrufe, Dokumentfragen und vorhersehbare Änderungen unterstützen quellenbasierte Erklärungen und Anwendungsabläufe.
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 ist das multimodale Modell von Mistral AI für professionelle Arbeit mit Text, visuellem Verständnis und Code. Die ursprüngliche Veröffentlichung hebt Programmier- und MINT-Aufgaben zusammen mit der Anpassung an Unternehmenswissen und Arbeitsabläufe hervor. Es nimmt textliches und visuelles Material entgegen und erzeugt Text, etwa eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellenmaterial
Die Modellseite nennt ein Kontextfenster von 128k. Nutzen Sie diesen Kontext, um die Quellpassagen, das Gespräch und die Anweisungen zu bewahren, die das gewünschte Artefakt bestimmen. Benennen Sie bei einem Dokumentvergleich, welche Quelle die aktuelle Anforderung ist, welche die vorgeschlagene Überarbeitung und welche Frage geklärt werden soll. Verlangen Sie neben jeder Feststellung das stützende Dokument und den jeweiligen Abschnitt.
Eine praktische Erklärungsaufgabe kann ein Verfahren und die Frage eines Nutzers bereitstellen und dann die relevante Handlung samt der Bedingung verlangen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium enthalten. Ziel ist ein Ergebnis, das an das bereitgestellte Material gebunden ist, statt einer allgemeinen Themenbeschreibung.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für die Extraktion die Feldnamen, Typen und die Darstellung fehlender Quelleninformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und offene Frage trennen. Mistrals gemeinsame Anleitung unterscheidet zwischen JSON-Modus und benutzerdefiniertem Schema und verlangt eine ausdrückliche Anweisung für das gewünschte JSON-Format.
Funktionsaufrufe verbinden die Interpretation des Modells mit von der Anwendung beschriebenen Operationen. Das Modell wählt eine Funktion und bereitet Argumente vor, die Anwendung führt die Funktion aus, und ihr Ergebnis wird zum Kontext für die nächste Antwort. Eine Abfrage kann einen fehlenden Referenzwert liefern; eine Berechnung kann ein für die Erklärung benötigtes Ergebnis liefern. Ordnen Sie das Ergebnis der Operation zu, die es erzeugt hat, statt den vorgeschlagenen Aufruf als ausgeführte Aktion zu behandeln.
Dokument- und Bildfragen
Die Beantwortung von Dokumentfragen wird für diese Ausgabe ebenfalls genannt. Der dokumentierte Ablauf des Herstellers bereitet Text, Struktur und Formatierung eines Dokuments mit OCR auf, bevor das Sprachmodell die Analyse übernimmt. Fragen Sie nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahren Sie bei mehreren Dokumenten ihre Identitäten und verlangen Sie einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung.
Verbinden Sie visuelles Material mit einer definierten Frage und bewahren Sie die Beschriftungen, Einheiten und Bereiche, die zur Beantwortung erforderlich sind. Bei einem Diagramm kann nach einem Vergleich benannter Datenreihen gefragt werden; bei einer schematischen Darstellung danach, welche Verbindung eine angegebene Anforderung stützt. Ein lesbares Dokumentbild und ein per OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, auch wenn beide dasselbe Ziel der Fragenbeantwortung verfolgen.
Bearbeitung, Präfixe und Arbeitsabläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben verwenden bekannten Inhalt, wenn der Großteil eines Dokuments oder einer Codedatei erhalten bleiben und nur ein begrenzter Teil geändert werden soll. Stellen Sie den bestehenden Inhalt bereit, beschreiben Sie die Änderung und benennen Sie das zu bewahrende Material. Das unterscheidet sich von der Aufforderung an das Modell, ein völlig neues Dokument zu erstellen.
Ein Antwortpräfix liefert einen bekannten Anfang für den vom Assistenten erzeugten Text, der von dort aus fortgesetzt wird. Stapelverarbeitung ändert die Art der Aufgabenübermittlung, während eine Agenten- oder Gesprächsschnittstelle einen verbundenen Ablauf verwaltet. Die aufgeführten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie fügen dem zugrunde liegenden Modell keine weitere Inhaltsmodalität hinzu und führen keine Aktion ohne die verbundene Umgebung aus.
Programmierung und Domänenanpassung
Geben Sie für eine Programmieranfrage die Anforderung, die betroffene Funktion, relevante Deklarationen sowie erwartete Ein- und Ausgabe an. Verlangen Sie die vorgeschlagene Änderung, ihre Annahmen und Beispiele, die das beabsichtigte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und fragen, welcher Pfad durch den Quellcode sie erklärt. Repository-Zugriff, Codeausführung und das Anwenden der Änderung kommen aus den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt individuelles Nachtraining und Feinabstimmung für domänenspezifische Unternehmenskontexte und Wissensbestände. Das ist ein eigener Anpassungsprozess und keine Behauptung, dass die Dokumente einer konkreten Organisation dem Standardmodell bereits bekannt sind. Stellen Sie für eine quellengebundene Antwort die relevanten Dokumente und Begriffe direkt mit der Aufgabe bereit und definieren Sie die Antwortregeln.
Grenzen der Ausgabe und des Ergebnisses
Dieser Eintrag bewahrt die 2505-Identität und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Architekturgröße und die konfigurierbaren hybriden Reasoning-Steuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die genaue Modellseite veröffentlicht weder eine Parameterzahl noch eine gesonderte harte maximale Antwortlänge, die von einer späteren Veröffentlichung übernommen werden könnte.
Legen Sie das beabsichtigte Ergebnis vor der Anfrage fest: eine Erklärung, eine strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halten Sie textliche und visuelle Belege, Quellenidentitäten sowie Ergebnisse verbundener Werkzeuge ausdrücklich fest, damit die Antwort geprüft und im nächsten Anwendungsschritt genutzt werden kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-medium-3 | 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 $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen $0.00008 / 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 $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.004 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.