Mistral Medium ist die Modellfamilie von Mistral AI für Anwendungsassistenten, Dokumentarbeit und Softwareagenten. Die Ausgabe Medium 3.5 verbindet Anweisungsbefolgung, Schlussfolgern und Programmierung in einem dichten Modell mit 128 Milliarden Parametern und einem Kontextfenster von 256K. Sie versteht Text und visuelles Material und erzeugt Text, Code oder strukturierte Ergebnisse. Ihr Bildencoder wurde für unterschiedliche Bildgrössen und Seitenverhältnisse trainiert, sodass eine Aufgabe schriftliche Anforderungen mit Screenshots, Dokumentseiten oder anderen visuellen Belegen verbinden kann.
Die Funktionen des Modells beginnen mit strukturierten Ausgaben und Funktionsaufrufen. JSON-Ausgaben sind nützlich, wenn die Antwort eine maschinenlesbare Struktur bewahren muss; ein benutzerdefiniertes Schema legt erforderliche Felder und ihre Typen fest. Eine Dokumentaufgabe kann eine Tabelle extrahierter Fakten, einen Abschnittsvergleich oder eine Zusammenfassung mit offenen Fragen liefern. Dokumentfragen verbinden die Extraktion von Dokumenttext und -struktur mit Sprachmodellverständnis, sodass sich die Frage auf den relevanten Inhalt beziehen lässt, statt frei zu raten.
Bei einer werkzeuggestützten Aufgabe beschreibt die Anwendung ihre Funktionen und die akzeptierten Argumente. Das Modell wählt eine Funktion, bereitet Argumente vor und erhält das Ergebnis, nachdem die Anwendung die Handlung ausgeführt hat. Das Gespräch kann mit einem weiteren Werkzeugaufruf oder einer abschliessenden Antwort fortgesetzt werden. Parallele Werkzeugnutzung erlaubt es, unabhängige Aufrufe gemeinsam anzufordern, sofern die Anwendung dies zulässt. Steuerungen für die Werkzeugauswahl können dem Modell die Entscheidung überlassen, ein Werkzeug verlangen oder die Aufgabe auf eine Textantwort begrenzen.
Medium 3.5 passt den Denkaufwand pro Anfrage an. Eine Einstellung mit minimalem Nachdenken gibt die Antwort direkt zurück; hoher Aufwand enthält vor der abschliessenden Antwort einen Denkabschnitt und wird für Agenten- und Programmieraufgaben empfohlen. In Reasoning-Gesprächen über mehrere Gesprächsrunden hinweg bewahren vollständige Assistentennachrichten die für Folgearbeit nötigen Informationen. Vorhergesagte Ausgaben helfen beim Überarbeiten von Code oder Dokumenten mit bekannten Passagen, und ein bereitgestelltes Präfix kann den Antwortanfang festlegen. Stapelabläufe können eine Sammlung unabhängiger Anfragen asynchron verarbeiten.
Die Ausgabe ist für Arbeit konzipiert, die über viele Schritte fortgesetzt wird. Programmierbeispiele umfassen Modulrefaktorierung, Fehlerbehebung, das Erzeugen von Prüfungen, Abhängigkeitsaktualisierungen und die Untersuchung fehlgeschlagener Entwicklungsabläufe. Eine nützliche Aufgabe stellt die betroffenen Dateien, das geforderte Verhalten und ein klares Abschlusskriterium bereit. Das Modell kann die Ergebnisse der Repository-Erkundung und der von der Anwendung ausgeführten Prüfungen zur Überarbeitung seines Lösungsvorschlags nutzen; Werkzeuge und Dateizugriff werden von der umgebenden Agentenumgebung gesteuert.
Für Wissensarbeit beschreibt der Hersteller Recherche, Synthese und Abläufe über verbundene Werkzeuge hinweg. Eine Ailoot-API-Aufgabe kann ein aus bereitgestellten Dokumenten zusammengestelltes strukturiertes Briefing, einen Vergleich technischer Optionen oder einen auf abgerufenen Informationen beruhenden Entwurf verlangen. Geben Sie an, welche Beobachtungen die Schlussfolgerung stützen und welches Artefakt die Aufgabe abschliessen soll. Das Modell bereitet Schlussfolgern und Ergebnis vor; die Anwendung stellt Informationszugang bereit, führt Handlungen aus und präsentiert das Arbeitsergebnis. Der Familienname Medium bleibt eine aktualisierte Auswahl, während die hier beschriebene numerische Architektur, visuelle Verarbeitung und Denkmodi zur ausdrücklich benannten Ausgabe Medium 3.5 gehören.
", "aboutText": "Mistral Medium ist die Modellfamilie von Mistral AI für Anwendungsassistenten, Dokumentarbeit und Softwareagenten. Die Ausgabe Medium 3.5 verbindet Anweisungsbefolgung, Schlussfolgern und Programmierung in einem dichten Modell mit 128 Milliarden Parametern und einem Kontextfenster von 256K. Sie versteht Text und visuelles Material und erzeugt Text, Code oder strukturierte Ergebnisse. Ihr Bildencoder wurde für unterschiedliche Bildgrössen und Seitenverhältnisse trainiert, sodass eine Aufgabe schriftliche Anforderungen mit Screenshots, Dokumentseiten oder anderen visuellen Belegen verbinden kann.\n\nDie Funktionen des Modells beginnen mit strukturierten Ausgaben und Funktionsaufrufen. JSON-Ausgaben sind nützlich, wenn die Antwort eine maschinenlesbare Struktur bewahren muss; ein benutzerdefiniertes Schema legt erforderliche Felder und ihre Typen fest. Eine Dokumentaufgabe kann eine Tabelle extrahierter Fakten, einen Abschnittsvergleich oder eine Zusammenfassung mit offenen Fragen liefern. Dokumentfragen verbinden die Extraktion von Dokumenttext und -struktur mit Sprachmodellverständnis, sodass sich die Frage auf den relevanten Inhalt beziehen lässt, statt frei zu raten.\n\nBei einer werkzeuggestützten Aufgabe beschreibt die Anwendung ihre Funktionen und die akzeptierten Argumente. Das Modell wählt eine Funktion, bereitet Argumente vor und erhält das Ergebnis, nachdem die Anwendung die Handlung ausgeführt hat. Das Gespräch kann mit einem weiteren Werkzeugaufruf oder einer abschliessenden Antwort fortgesetzt werden. Parallele Werkzeugnutzung erlaubt es, unabhängige Aufrufe gemeinsam anzufordern, sofern die Anwendung dies zulässt. Steuerungen für die Werkzeugauswahl können dem Modell die Entscheidung überlassen, ein Werkzeug verlangen oder die Aufgabe auf eine Textantwort begrenzen.\n\nMedium 3.5 passt den Denkaufwand pro Anfrage an. Eine Einstellung mit minimalem Nachdenken gibt die Antwort direkt zurück; hoher Aufwand enthält vor der abschliessenden Antwort einen Denkabschnitt und wird für Agenten- und Programmieraufgaben empfohlen. In Reasoning-Gesprächen über mehrere Gesprächsrunden hinweg bewahren vollständige Assistentennachrichten die für Folgearbeit nötigen Informationen. Vorhergesagte Ausgaben helfen beim Überarbeiten von Code oder Dokumenten mit bekannten Passagen, und ein bereitgestelltes Präfix kann den Antwortanfang festlegen. Stapelabläufe können eine Sammlung unabhängiger Anfragen asynchron verarbeiten.\n\nDie Ausgabe ist für Arbeit konzipiert, die über viele Schritte fortgesetzt wird. Programmierbeispiele umfassen Modulrefaktorierung, Fehlerbehebung, das Erzeugen von Prüfungen, Abhängigkeitsaktualisierungen und die Untersuchung fehlgeschlagener Entwicklungsabläufe. Eine nützliche Aufgabe stellt die betroffenen Dateien, das geforderte Verhalten und ein klares Abschlusskriterium bereit. Das Modell kann die Ergebnisse der Repository-Erkundung und der von der Anwendung ausgeführten Prüfungen zur Überarbeitung seines Lösungsvorschlags nutzen; Werkzeuge und Dateizugriff werden von der umgebenden Agentenumgebung gesteuert.\n\nFür Wissensarbeit beschreibt der Hersteller Recherche, Synthese und Abläufe über verbundene Werkzeuge hinweg. Eine Ailoot-API-Aufgabe kann ein aus bereitgestellten Dokumenten zusammengestelltes strukturiertes Briefing, einen Vergleich technischer Optionen oder einen auf abgerufenen Informationen beruhenden Entwurf verlangen. Geben Sie an, welche Beobachtungen die Schlussfolgerung stützen und welches Artefakt die Aufgabe abschliessen soll. Das Modell bereitet Schlussfolgern und Ergebnis vor; die Anwendung stellt Informationszugang bereit, führt Handlungen aus und präsentiert das Arbeitsergebnis. Der Familienname Medium bleibt eine aktualisierte Auswahl, während die hier beschriebene numerische Architektur, visuelle Verarbeitung und Denkmodi zur ausdrücklich benannten Ausgabe Medium 3.5 gehören.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Extract obligations from a supplier note\n\nPrepare a document brief from this note: 'The supplier will send samples by 6 June. The buyer must approve the color before production starts. The production lead time is 20 business days after approval. No shipping date has been agreed.' Return obligations, dependency and unresolved information, preserving the distinction between sample delivery and production timing.A concise obligation table and a separate list of unresolved scheduling information.The brief does not calculate an agreed shipping date from a production lead time alone.mistral-medium-latestDie Medium-Familie von Mistral AI unterstützt Dokumentverständnis, Programmierung und Agenten, die mehrere werkzeuggestützte Schritte ausführen. Ihre Ausgabe Medium 3.5 verbindet Anweisungsbefolgung und einstellbares Schlussfolgern in einem multimodalen Modell mit einem Kontextfenster von 256K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Medium ist die Modellfamilie von Mistral AI für Anwendungsassistenten, Dokumentarbeit und Softwareagenten. Die Ausgabe Medium 3.5 verbindet Anweisungsbefolgung, Schlussfolgern und Programmierung in einem dichten Modell mit 128 Milliarden Parametern und einem Kontextfenster von 256K. Sie versteht Text und visuelles Material und erzeugt Text, Code oder strukturierte Ergebnisse. Ihr Bildencoder wurde für unterschiedliche Bildgrössen und Seitenverhältnisse trainiert, sodass eine Aufgabe schriftliche Anforderungen mit Screenshots, Dokumentseiten oder anderen visuellen Belegen verbinden kann.
Die Funktionen des Modells beginnen mit strukturierten Ausgaben und Funktionsaufrufen. JSON-Ausgaben sind nützlich, wenn die Antwort eine maschinenlesbare Struktur bewahren muss; ein benutzerdefiniertes Schema legt erforderliche Felder und ihre Typen fest. Eine Dokumentaufgabe kann eine Tabelle extrahierter Fakten, einen Abschnittsvergleich oder eine Zusammenfassung mit offenen Fragen liefern. Dokumentfragen verbinden die Extraktion von Dokumenttext und -struktur mit Sprachmodellverständnis, sodass sich die Frage auf den relevanten Inhalt beziehen lässt, statt frei zu raten.
Bei einer werkzeuggestützten Aufgabe beschreibt die Anwendung ihre Funktionen und die akzeptierten Argumente. Das Modell wählt eine Funktion, bereitet Argumente vor und erhält das Ergebnis, nachdem die Anwendung die Handlung ausgeführt hat. Das Gespräch kann mit einem weiteren Werkzeugaufruf oder einer abschliessenden Antwort fortgesetzt werden. Parallele Werkzeugnutzung erlaubt es, unabhängige Aufrufe gemeinsam anzufordern, sofern die Anwendung dies zulässt. Steuerungen für die Werkzeugauswahl können dem Modell die Entscheidung überlassen, ein Werkzeug verlangen oder die Aufgabe auf eine Textantwort begrenzen.
Medium 3.5 passt den Denkaufwand pro Anfrage an. Eine Einstellung mit minimalem Nachdenken gibt die Antwort direkt zurück; hoher Aufwand enthält vor der abschliessenden Antwort einen Denkabschnitt und wird für Agenten- und Programmieraufgaben empfohlen. In Reasoning-Gesprächen über mehrere Gesprächsrunden hinweg bewahren vollständige Assistentennachrichten die für Folgearbeit nötigen Informationen. Vorhergesagte Ausgaben helfen beim Überarbeiten von Code oder Dokumenten mit bekannten Passagen, und ein bereitgestelltes Präfix kann den Antwortanfang festlegen. Stapelabläufe können eine Sammlung unabhängiger Anfragen asynchron verarbeiten.
Die Ausgabe ist für Arbeit konzipiert, die über viele Schritte fortgesetzt wird. Programmierbeispiele umfassen Modulrefaktorierung, Fehlerbehebung, das Erzeugen von Prüfungen, Abhängigkeitsaktualisierungen und die Untersuchung fehlgeschlagener Entwicklungsabläufe. Eine nützliche Aufgabe stellt die betroffenen Dateien, das geforderte Verhalten und ein klares Abschlusskriterium bereit. Das Modell kann die Ergebnisse der Repository-Erkundung und der von der Anwendung ausgeführten Prüfungen zur Überarbeitung seines Lösungsvorschlags nutzen; Werkzeuge und Dateizugriff werden von der umgebenden Agentenumgebung gesteuert.
Für Wissensarbeit beschreibt der Hersteller Recherche, Synthese und Abläufe über verbundene Werkzeuge hinweg. Eine Ailoot-API-Aufgabe kann ein aus bereitgestellten Dokumenten zusammengestelltes strukturiertes Briefing, einen Vergleich technischer Optionen oder einen auf abgerufenen Informationen beruhenden Entwurf verlangen. Geben Sie an, welche Beobachtungen die Schlussfolgerung stützen und welches Artefakt die Aufgabe abschliessen soll. Das Modell bereitet Schlussfolgern und Ergebnis vor; die Anwendung stellt Informationszugang bereit, führt Handlungen aus und präsentiert das Arbeitsergebnis. Der Familienname Medium bleibt eine aktualisierte Auswahl, während die hier beschriebene numerische Architektur, visuelle Verarbeitung und Denkmodi zur ausdrücklich benannten Ausgabe Medium 3.5 gehören.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistral-medium-latest | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00088 / 1K Tokens Ausgabe · Ausgabetoken $0.0132 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-medium-latest", "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='mistral-medium-latest',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='mistral-medium-latest',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 mistral-medium-latest
Verwenden Sie die oben angezeigten Methodenpfade.
mistral-medium-latestDie Medium-Familie von Mistral AI unterstützt Dokumentverständnis, Programmierung und Agenten, die mehrere werkzeuggestützte Schritte ausführen. Ihre Ausgabe Medium 3.5 verbindet Anweisungsbefolgung und einstellbares Schlussfolgern in einem multimodalen Modell mit einem Kontextfenster von 256K.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Medium ist die Modellfamilie von Mistral AI für Anwendungsassistenten, Dokumentarbeit und Softwareagenten. Die Ausgabe Medium 3.5 verbindet Anweisungsbefolgung, Schlussfolgern und Programmierung in einem dichten Modell mit 128 Milliarden Parametern und einem Kontextfenster von 256K. Sie versteht Text und visuelles Material und erzeugt Text, Code oder strukturierte Ergebnisse. Ihr Bildencoder wurde für unterschiedliche Bildgrössen und Seitenverhältnisse trainiert, sodass eine Aufgabe schriftliche Anforderungen mit Screenshots, Dokumentseiten oder anderen visuellen Belegen verbinden kann.
Die Funktionen des Modells beginnen mit strukturierten Ausgaben und Funktionsaufrufen. JSON-Ausgaben sind nützlich, wenn die Antwort eine maschinenlesbare Struktur bewahren muss; ein benutzerdefiniertes Schema legt erforderliche Felder und ihre Typen fest. Eine Dokumentaufgabe kann eine Tabelle extrahierter Fakten, einen Abschnittsvergleich oder eine Zusammenfassung mit offenen Fragen liefern. Dokumentfragen verbinden die Extraktion von Dokumenttext und -struktur mit Sprachmodellverständnis, sodass sich die Frage auf den relevanten Inhalt beziehen lässt, statt frei zu raten.
Bei einer werkzeuggestützten Aufgabe beschreibt die Anwendung ihre Funktionen und die akzeptierten Argumente. Das Modell wählt eine Funktion, bereitet Argumente vor und erhält das Ergebnis, nachdem die Anwendung die Handlung ausgeführt hat. Das Gespräch kann mit einem weiteren Werkzeugaufruf oder einer abschliessenden Antwort fortgesetzt werden. Parallele Werkzeugnutzung erlaubt es, unabhängige Aufrufe gemeinsam anzufordern, sofern die Anwendung dies zulässt. Steuerungen für die Werkzeugauswahl können dem Modell die Entscheidung überlassen, ein Werkzeug verlangen oder die Aufgabe auf eine Textantwort begrenzen.
Medium 3.5 passt den Denkaufwand pro Anfrage an. Eine Einstellung mit minimalem Nachdenken gibt die Antwort direkt zurück; hoher Aufwand enthält vor der abschliessenden Antwort einen Denkabschnitt und wird für Agenten- und Programmieraufgaben empfohlen. In Reasoning-Gesprächen über mehrere Gesprächsrunden hinweg bewahren vollständige Assistentennachrichten die für Folgearbeit nötigen Informationen. Vorhergesagte Ausgaben helfen beim Überarbeiten von Code oder Dokumenten mit bekannten Passagen, und ein bereitgestelltes Präfix kann den Antwortanfang festlegen. Stapelabläufe können eine Sammlung unabhängiger Anfragen asynchron verarbeiten.
Die Ausgabe ist für Arbeit konzipiert, die über viele Schritte fortgesetzt wird. Programmierbeispiele umfassen Modulrefaktorierung, Fehlerbehebung, das Erzeugen von Prüfungen, Abhängigkeitsaktualisierungen und die Untersuchung fehlgeschlagener Entwicklungsabläufe. Eine nützliche Aufgabe stellt die betroffenen Dateien, das geforderte Verhalten und ein klares Abschlusskriterium bereit. Das Modell kann die Ergebnisse der Repository-Erkundung und der von der Anwendung ausgeführten Prüfungen zur Überarbeitung seines Lösungsvorschlags nutzen; Werkzeuge und Dateizugriff werden von der umgebenden Agentenumgebung gesteuert.
Für Wissensarbeit beschreibt der Hersteller Recherche, Synthese und Abläufe über verbundene Werkzeuge hinweg. Eine Ailoot-API-Aufgabe kann ein aus bereitgestellten Dokumenten zusammengestelltes strukturiertes Briefing, einen Vergleich technischer Optionen oder einen auf abgerufenen Informationen beruhenden Entwurf verlangen. Geben Sie an, welche Beobachtungen die Schlussfolgerung stützen und welches Artefakt die Aufgabe abschliessen soll. Das Modell bereitet Schlussfolgern und Ergebnis vor; die Anwendung stellt Informationszugang bereit, führt Handlungen aus und präsentiert das Arbeitsergebnis. Der Familienname Medium bleibt eine aktualisierte Auswahl, während die hier beschriebene numerische Architektur, visuelle Verarbeitung und Denkmodi zur ausdrücklich benannten Ausgabe Medium 3.5 gehören.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistral-medium-latest | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00088 / 1K Tokens Ausgabe · Ausgabetoken $0.0132 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistral-medium-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-medium-latest', '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': 'mistral-medium-latest', '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 mistral-medium-latest
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Extract obligations from a supplier note\n\nPrepare a document brief from this note: 'The supplier will send samples by 6 June. The buyer must approve the color before production starts. The production lead time is 20 business days after approval. No shipping date has been agreed.' Return obligations, dependency and unresolved information, preserving the distinction between sample delivery and production timing.A concise obligation table and a separate list of unresolved scheduling information.The brief does not calculate an agreed shipping date from a production lead time alone.