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 sowie die Anpassung an Unternehmenswissen und -abläufe hervor. Es nimmt textliches und visuelles Material entgegen und erzeugt Text, darunter eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellmaterial
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 für einen Dokumentvergleich, welche Quelle die aktuelle Anforderung und welche die vorgeschlagene Überarbeitung darstellt und welche Frage geklärt werden soll. Fordern Sie das stützende Dokument und den Abschnitt neben jeder Erkenntnis an.
Eine praktische Erklärungsaufgabe kann eine Verfahrensbeschreibung und eine Nutzerfrage bereitstellen und dann nach der relevanten Handlung und der Bedingung fragen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium umfassen. Ziel ist ein mit dem bereitgestellten Material verbundenes Ergebnis statt einer allgemeinen Beschreibung des Themas.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für eine Extraktion Feldnamen, Typen und die Darstellung fehlender Quellinformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und ungeklärte Frage trennen. Mistrals gemeinsame Anleitung unterscheidet den JSON-Modus von einem benutzerdefinierten Schema und verlangt eine ausdrückliche Anforderung des gewünschten JSON-Formats.
Funktionsaufrufe verbinden die Interpretation des Modells mit Vorgängen, die die Anwendung beschreibt. 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 bereitstellen. Halten Sie das Ergebnis mit dem Vorgang verknüpft, der es erzeugt hat, statt einen vorgeschlagenen Aufruf als ausgeführte Handlung zu behandeln.
Dokument- und Bildfragen
Auch Dokumentfragen sind für diese Ausgabe aufgeführt. Der dokumentierte Herstellerablauf bereitet Text, Struktur und Formatierung eines Dokuments per OCR vor der Sprachmodellanalyse auf. Fragen Sie nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahren Sie bei mehreren Dokumenten deren Identitäten und fordern Sie einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung an.
Verbinden Sie visuelles Material mit einer definierten Frage und bewahren Sie die zu ihrer Beantwortung nötigen Beschriftungen, Einheiten und Bereiche. Bei einem Diagramm kann nach einem Vergleich benannter Reihen gefragt werden; bei einem Schaubild danach, welche Verbindung eine bereitgestellte Anforderung stützt. Ein lesbares Dokumentbild und ein per OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, selbst wenn beide dasselbe Ziel der Fragebeantwortung verfolgen.
Bearbeitungen, Präfixe und Abläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben verwenden bekannte Inhalte, wenn der Grossteil eines Dokuments oder einer Codedatei erhalten bleiben soll, während sich ein begrenzter Teil ändert. Stellen Sie den vorhandenen Inhalt bereit, spezifizieren Sie die Änderung und benennen Sie das zu bewahrende Material. Dies unterscheidet sich von der Aufforderung, ein vollständig neues Dokument zu erstellen.
Ein Antwortpräfix liefert einen bekannten Anfang für den vom Assistenten erzeugten Text, der anschliessend von dort fortgesetzt wird. Stapelverarbeitung ändert die Art der Aufgabenübermittlung, während eine Agenten- oder Gesprächsschnittstelle einen zusammenhängenden Ablauf verwaltet. Die aufgeführten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie fügen dem zugrunde liegenden Modell keine weitere Inhaltsmodalität hinzu und führen ohne die verbundene Umgebung keine Handlung aus.
Programmierung und Domänenanpassung
Stellen Sie für eine Programmieranfrage die Anforderung, die betroffene Funktion, relevante Deklarationen sowie erwartete Ein- und Ausgabe bereit. Fordern Sie die vorgeschlagene Änderung, ihre Annahmen und Beispiele an, die das gewünschte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und danach fragen, welcher Quellcodepfad sie erklärt. Repository-Zugriff, Codeausführung und Anwendung der Änderung stammen von den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt angepasstes Nachtraining und Feinabstimmung für domänenspezifische Unternehmenskontexte und Wissensbestände. Dies ist ein eigener Anpassungsprozess und keine Behauptung, die Standardversion kenne bereits die Dokumente einer bestimmten Organisation. Stellen Sie für eine quellengebundene Antwort relevante Dokumente und Terminologie direkt mit der Aufgabe bereit und definieren Sie die Antwortregeln.
Ausgabe- und Ergebnisgrenzen
Dieser Eintrag bewahrt die 2505-Identität und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Architekturgrösse und die einstellbaren hybriden Denksteuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die konkrete Modellseite veröffentlicht weder eine Parameterzahl noch eine separate feste maximale Antwortlänge, die aus einer späteren Veröffentlichung übernommen werden könnte.
Legen Sie vor der Anfrage das beabsichtigte Ergebnis fest: eine Erklärung, strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halten Sie textliche und visuelle Belege, Quellenidentitäten und verbundene Werkzeugergebnisse ausdrücklich fest, damit sich die Antwort prüfen und im nächsten Anwendungsschritt nutzen lässt.
", "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 sowie die Anpassung an Unternehmenswissen und -abläufe hervor. Es nimmt textliches und visuelles Material entgegen und erzeugt Text, darunter eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.\n\nKontext und professionelles Quellmaterial\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 für einen Dokumentvergleich, welche Quelle die aktuelle Anforderung und welche die vorgeschlagene Überarbeitung darstellt und welche Frage geklärt werden soll. Fordern Sie das stützende Dokument und den Abschnitt neben jeder Erkenntnis an.\n\nEine praktische Erklärungsaufgabe kann eine Verfahrensbeschreibung und eine Nutzerfrage bereitstellen und dann nach der relevanten Handlung und der Bedingung fragen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium umfassen. Ziel ist ein mit dem bereitgestellten Material verbundenes Ergebnis statt einer allgemeinen Beschreibung des Themas.\n\nStrukturierte Ausgaben und Funktionen\n\nDie Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für eine Extraktion Feldnamen, Typen und die Darstellung fehlender Quellinformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und ungeklärte Frage trennen. Mistrals gemeinsame Anleitung unterscheidet den JSON-Modus von einem benutzerdefinierten Schema und verlangt eine ausdrückliche Anforderung des gewünschten JSON-Formats.\n\nFunktionsaufrufe verbinden die Interpretation des Modells mit Vorgängen, die die Anwendung beschreibt. 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 bereitstellen. Halten Sie das Ergebnis mit dem Vorgang verknüpft, der es erzeugt hat, statt einen vorgeschlagenen Aufruf als ausgeführte Handlung zu behandeln.\n\nDokument- und Bildfragen\n\nAuch Dokumentfragen sind für diese Ausgabe aufgeführt. Der dokumentierte Herstellerablauf bereitet Text, Struktur und Formatierung eines Dokuments per OCR vor der Sprachmodellanalyse auf. Fragen Sie nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahren Sie bei mehreren Dokumenten deren Identitäten und fordern Sie einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung an.\n\nVerbinden Sie visuelles Material mit einer definierten Frage und bewahren Sie die zu ihrer Beantwortung nötigen Beschriftungen, Einheiten und Bereiche. Bei einem Diagramm kann nach einem Vergleich benannter Reihen gefragt werden; bei einem Schaubild danach, welche Verbindung eine bereitgestellte Anforderung stützt. Ein lesbares Dokumentbild und ein per OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, selbst wenn beide dasselbe Ziel der Fragebeantwortung verfolgen.\n\nBearbeitungen, Präfixe und Abläufe\n\nDie Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben verwenden bekannte Inhalte, wenn der Grossteil eines Dokuments oder einer Codedatei erhalten bleiben soll, während sich ein begrenzter Teil ändert. Stellen Sie den vorhandenen Inhalt bereit, spezifizieren Sie die Änderung und benennen Sie das zu bewahrende Material. Dies unterscheidet sich von der Aufforderung, ein vollständig neues Dokument zu erstellen.\n\nEin Antwortpräfix liefert einen bekannten Anfang für den vom Assistenten erzeugten Text, der anschliessend von dort fortgesetzt wird. Stapelverarbeitung ändert die Art der Aufgabenübermittlung, während eine Agenten- oder Gesprächsschnittstelle einen zusammenhängenden Ablauf verwaltet. Die aufgeführten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie fügen dem zugrunde liegenden Modell keine weitere Inhaltsmodalität hinzu und führen ohne die verbundene Umgebung keine Handlung aus.\n\nProgrammierung und Domänenanpassung\n\nStellen Sie für eine Programmieranfrage die Anforderung, die betroffene Funktion, relevante Deklarationen sowie erwartete Ein- und Ausgabe bereit. Fordern Sie die vorgeschlagene Änderung, ihre Annahmen und Beispiele an, die das gewünschte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und danach fragen, welcher Quellcodepfad sie erklärt. Repository-Zugriff, Codeausführung und Anwendung der Änderung stammen von den umgebenden Entwicklungswerkzeugen.\n\nDie ursprüngliche Ankündigung beschreibt angepasstes Nachtraining und Feinabstimmung für domänenspezifische Unternehmenskontexte und Wissensbestände. Dies ist ein eigener Anpassungsprozess und keine Behauptung, die Standardversion kenne bereits die Dokumente einer bestimmten Organisation. Stellen Sie für eine quellengebundene Antwort relevante Dokumente und Terminologie direkt mit der Aufgabe bereit und definieren Sie die Antwortregeln.\n\nAusgabe- und Ergebnisgrenzen\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 einstellbaren hybriden Denksteuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die konkrete Modellseite veröffentlicht weder eine Parameterzahl noch eine separate feste maximale Antwortlänge, die aus einer späteren Veröffentlichung übernommen werden könnte.\n\nLegen Sie vor der Anfrage das beabsichtigte Ergebnis fest: eine Erklärung, strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halten Sie textliche und visuelle Belege, Quellenidentitäten und verbundene Werkzeugergebnisse ausdrücklich fest, damit sich die Antwort prüfen und im nächsten Anwendungsschritt nutzen lässt.", "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 Herstellerkontext 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 sowie die Anpassung an Unternehmenswissen und -abläufe hervor. Es nimmt textliches und visuelles Material entgegen und erzeugt Text, darunter eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellmaterial
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 für einen Dokumentvergleich, welche Quelle die aktuelle Anforderung und welche die vorgeschlagene Überarbeitung darstellt und welche Frage geklärt werden soll. Fordern Sie das stützende Dokument und den Abschnitt neben jeder Erkenntnis an.
Eine praktische Erklärungsaufgabe kann eine Verfahrensbeschreibung und eine Nutzerfrage bereitstellen und dann nach der relevanten Handlung und der Bedingung fragen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium umfassen. Ziel ist ein mit dem bereitgestellten Material verbundenes Ergebnis statt einer allgemeinen Beschreibung des Themas.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für eine Extraktion Feldnamen, Typen und die Darstellung fehlender Quellinformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und ungeklärte Frage trennen. Mistrals gemeinsame Anleitung unterscheidet den JSON-Modus von einem benutzerdefinierten Schema und verlangt eine ausdrückliche Anforderung des gewünschten JSON-Formats.
Funktionsaufrufe verbinden die Interpretation des Modells mit Vorgängen, die die Anwendung beschreibt. 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 bereitstellen. Halten Sie das Ergebnis mit dem Vorgang verknüpft, der es erzeugt hat, statt einen vorgeschlagenen Aufruf als ausgeführte Handlung zu behandeln.
Dokument- und Bildfragen
Auch Dokumentfragen sind für diese Ausgabe aufgeführt. Der dokumentierte Herstellerablauf bereitet Text, Struktur und Formatierung eines Dokuments per OCR vor der Sprachmodellanalyse auf. Fragen Sie nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahren Sie bei mehreren Dokumenten deren Identitäten und fordern Sie einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung an.
Verbinden Sie visuelles Material mit einer definierten Frage und bewahren Sie die zu ihrer Beantwortung nötigen Beschriftungen, Einheiten und Bereiche. Bei einem Diagramm kann nach einem Vergleich benannter Reihen gefragt werden; bei einem Schaubild danach, welche Verbindung eine bereitgestellte Anforderung stützt. Ein lesbares Dokumentbild und ein per OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, selbst wenn beide dasselbe Ziel der Fragebeantwortung verfolgen.
Bearbeitungen, Präfixe und Abläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben verwenden bekannte Inhalte, wenn der Grossteil eines Dokuments oder einer Codedatei erhalten bleiben soll, während sich ein begrenzter Teil ändert. Stellen Sie den vorhandenen Inhalt bereit, spezifizieren Sie die Änderung und benennen Sie das zu bewahrende Material. Dies unterscheidet sich von der Aufforderung, ein vollständig neues Dokument zu erstellen.
Ein Antwortpräfix liefert einen bekannten Anfang für den vom Assistenten erzeugten Text, der anschliessend von dort fortgesetzt wird. Stapelverarbeitung ändert die Art der Aufgabenübermittlung, während eine Agenten- oder Gesprächsschnittstelle einen zusammenhängenden Ablauf verwaltet. Die aufgeführten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie fügen dem zugrunde liegenden Modell keine weitere Inhaltsmodalität hinzu und führen ohne die verbundene Umgebung keine Handlung aus.
Programmierung und Domänenanpassung
Stellen Sie für eine Programmieranfrage die Anforderung, die betroffene Funktion, relevante Deklarationen sowie erwartete Ein- und Ausgabe bereit. Fordern Sie die vorgeschlagene Änderung, ihre Annahmen und Beispiele an, die das gewünschte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und danach fragen, welcher Quellcodepfad sie erklärt. Repository-Zugriff, Codeausführung und Anwendung der Änderung stammen von den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt angepasstes Nachtraining und Feinabstimmung für domänenspezifische Unternehmenskontexte und Wissensbestände. Dies ist ein eigener Anpassungsprozess und keine Behauptung, die Standardversion kenne bereits die Dokumente einer bestimmten Organisation. Stellen Sie für eine quellengebundene Antwort relevante Dokumente und Terminologie direkt mit der Aufgabe bereit und definieren Sie die Antwortregeln.
Ausgabe- und Ergebnisgrenzen
Dieser Eintrag bewahrt die 2505-Identität und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Architekturgrösse und die einstellbaren hybriden Denksteuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die konkrete Modellseite veröffentlicht weder eine Parameterzahl noch eine separate feste maximale Antwortlänge, die aus einer späteren Veröffentlichung übernommen werden könnte.
Legen Sie vor der Anfrage das beabsichtigte Ergebnis fest: eine Erklärung, strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halten Sie textliche und visuelle Belege, Quellenidentitäten und verbundene Werkzeugergebnisse ausdrücklich fest, damit sich die Antwort prüfen und im nächsten Anwendungsschritt nutzen lässt.
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 · Cache schreiben — / 1K Tokens Eingabe · 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 $0.00008 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 Herstellerkontext 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 sowie die Anpassung an Unternehmenswissen und -abläufe hervor. Es nimmt textliches und visuelles Material entgegen und erzeugt Text, darunter eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellmaterial
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 für einen Dokumentvergleich, welche Quelle die aktuelle Anforderung und welche die vorgeschlagene Überarbeitung darstellt und welche Frage geklärt werden soll. Fordern Sie das stützende Dokument und den Abschnitt neben jeder Erkenntnis an.
Eine praktische Erklärungsaufgabe kann eine Verfahrensbeschreibung und eine Nutzerfrage bereitstellen und dann nach der relevanten Handlung und der Bedingung fragen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium umfassen. Ziel ist ein mit dem bereitgestellten Material verbundenes Ergebnis statt einer allgemeinen Beschreibung des Themas.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definieren Sie für eine Extraktion Feldnamen, Typen und die Darstellung fehlender Quellinformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und ungeklärte Frage trennen. Mistrals gemeinsame Anleitung unterscheidet den JSON-Modus von einem benutzerdefinierten Schema und verlangt eine ausdrückliche Anforderung des gewünschten JSON-Formats.
Funktionsaufrufe verbinden die Interpretation des Modells mit Vorgängen, die die Anwendung beschreibt. 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 bereitstellen. Halten Sie das Ergebnis mit dem Vorgang verknüpft, der es erzeugt hat, statt einen vorgeschlagenen Aufruf als ausgeführte Handlung zu behandeln.
Dokument- und Bildfragen
Auch Dokumentfragen sind für diese Ausgabe aufgeführt. Der dokumentierte Herstellerablauf bereitet Text, Struktur und Formatierung eines Dokuments per OCR vor der Sprachmodellanalyse auf. Fragen Sie nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahren Sie bei mehreren Dokumenten deren Identitäten und fordern Sie einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung an.
Verbinden Sie visuelles Material mit einer definierten Frage und bewahren Sie die zu ihrer Beantwortung nötigen Beschriftungen, Einheiten und Bereiche. Bei einem Diagramm kann nach einem Vergleich benannter Reihen gefragt werden; bei einem Schaubild danach, welche Verbindung eine bereitgestellte Anforderung stützt. Ein lesbares Dokumentbild und ein per OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, selbst wenn beide dasselbe Ziel der Fragebeantwortung verfolgen.
Bearbeitungen, Präfixe und Abläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben verwenden bekannte Inhalte, wenn der Grossteil eines Dokuments oder einer Codedatei erhalten bleiben soll, während sich ein begrenzter Teil ändert. Stellen Sie den vorhandenen Inhalt bereit, spezifizieren Sie die Änderung und benennen Sie das zu bewahrende Material. Dies unterscheidet sich von der Aufforderung, ein vollständig neues Dokument zu erstellen.
Ein Antwortpräfix liefert einen bekannten Anfang für den vom Assistenten erzeugten Text, der anschliessend von dort fortgesetzt wird. Stapelverarbeitung ändert die Art der Aufgabenübermittlung, während eine Agenten- oder Gesprächsschnittstelle einen zusammenhängenden Ablauf verwaltet. Die aufgeführten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie fügen dem zugrunde liegenden Modell keine weitere Inhaltsmodalität hinzu und führen ohne die verbundene Umgebung keine Handlung aus.
Programmierung und Domänenanpassung
Stellen Sie für eine Programmieranfrage die Anforderung, die betroffene Funktion, relevante Deklarationen sowie erwartete Ein- und Ausgabe bereit. Fordern Sie die vorgeschlagene Änderung, ihre Annahmen und Beispiele an, die das gewünschte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und danach fragen, welcher Quellcodepfad sie erklärt. Repository-Zugriff, Codeausführung und Anwendung der Änderung stammen von den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt angepasstes Nachtraining und Feinabstimmung für domänenspezifische Unternehmenskontexte und Wissensbestände. Dies ist ein eigener Anpassungsprozess und keine Behauptung, die Standardversion kenne bereits die Dokumente einer bestimmten Organisation. Stellen Sie für eine quellengebundene Antwort relevante Dokumente und Terminologie direkt mit der Aufgabe bereit und definieren Sie die Antwortregeln.
Ausgabe- und Ergebnisgrenzen
Dieser Eintrag bewahrt die 2505-Identität und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Architekturgrösse und die einstellbaren hybriden Denksteuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die konkrete Modellseite veröffentlicht weder eine Parameterzahl noch eine separate feste maximale Antwortlänge, die aus einer späteren Veröffentlichung übernommen werden könnte.
Legen Sie vor der Anfrage das beabsichtigte Ergebnis fest: eine Erklärung, strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halten Sie textliche und visuelle Belege, Quellenidentitäten und verbundene Werkzeugergebnisse ausdrücklich fest, damit sich die Antwort prüfen und im nächsten Anwendungsschritt nutzen lässt.
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 · Cache schreiben — / 1K Tokens Eingabe · 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 $0.00008 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.