Mistral Large 2411 ist ein dichtes, auf Anweisungen abgestimmtes Modell von Mistral AI mit 123 Milliarden Parametern. Der Hersteller beschreibt mehrsprachige Textverarbeitung, Schlussfolgern und Programmierung mit einem Kontextfenster von 128K sowie dokumentierten Fähigkeiten für Funktionsaufrufe und JSON-Ausgabe. Das genaue gehostete Modellprofil nennt eine Kontextlänge von 128.000 Tokens.
Kennzeichne den Text, den die Antwort verwenden soll, und benenne die Frage, die ihn verbindet. Ein Vergleich kann die Anforderungen, Ausnahmen oder Entscheidungen in jeder Quelle anfordern, mit zugehörigen Quellenkennzeichnungen neben den Befunden. Ein Entwurf kann Zielgruppe, zu vermittelnde Fakten und gewünschte Länge benennen.
Stelle für Codearbeit die relevante Schnittstelle, repräsentative Eingaben und erwartete Ausgaben bereit. Fordere eine gezielte Implementierung oder Korrektur mit Tests für die von dir benannten Fälle an. Der Hersteller beschreibt Training in mehr als 80 Programmiersprachen; gib die Sprache und Projektkonventionen an, die die aktuelle Aufgabe benötigt. Prüfe den zurückgegebenen Code in diesem Projekt und führe ihn dort aus, bevor du ihn integrierst.
Die Modellkarte dokumentiert Funktionsaufrufe in einem Anwendungsablauf. Die Anwendung stellt die Funktionsdefinitionen bereit, führt eine angeforderte Operation aus und gibt das tatsächliche Ergebnis zurück. Bewahre dieses Ergebnis zusammen mit der relevanten Anfrage, bevor du das Modell um Fortsetzung oder die Vorbereitung einer endgültigen Antwort bittest.
Definiere für JSON-Ausgabe die Felder, Typen und den Umgang mit fehlenden Werten. Validiere die zurückgegebene Struktur und vergleiche ihren Inhalt mit dem bereitgestellten Material, bevor du ihn in einer weiteren Operation verwendest. Eine Funktionsanfrage oder strukturierte Antwort ist Teil eines Ablaufs mit eigenen Prüf- und Ausführungsschritten.
Der Hersteller empfiehlt einen Systemprompt, der den Zweck des Assistenten nennt. Gib Antwortstil, Aufgabenbedingungen und die zu verwendende Terminologie vor. Mistrals dokumentiertes Modellformat besitzt eine eigene Behandlung von Systemprompts für direkte Bereitstellungen.
Halte die relevanten Passagen, den Code und frühere Entscheidungen innerhalb des für dieses Modellprofil angegebenen Kontexts und lasse Platz für das gewünschte Ergebnis. Liefere aktuelle Belege für Fragen, die davon abhängen. Bewahre beim Vergleich von Modellrevisionen die Ausgabekennung 2411 zusammen mit Prompt und Antwort.
", "aboutText": "Mistral Large 2411 ist ein dichtes, auf Anweisungen abgestimmtes Modell von Mistral AI mit 123 Milliarden Parametern. Der Hersteller beschreibt mehrsprachige Textverarbeitung, Schlussfolgern und Programmierung mit einem Kontextfenster von 128K sowie dokumentierten Fähigkeiten für Funktionsaufrufe und JSON-Ausgabe. Das genaue gehostete Modellprofil nennt eine Kontextlänge von 128.000 Tokens.\n\n### Mit Passagen oder Code arbeiten\n\nKennzeichne den Text, den die Antwort verwenden soll, und benenne die Frage, die ihn verbindet. Ein Vergleich kann die Anforderungen, Ausnahmen oder Entscheidungen in jeder Quelle anfordern, mit zugehörigen Quellenkennzeichnungen neben den Befunden. Ein Entwurf kann Zielgruppe, zu vermittelnde Fakten und gewünschte Länge benennen.\n\nStelle für Codearbeit die relevante Schnittstelle, repräsentative Eingaben und erwartete Ausgaben bereit. Fordere eine gezielte Implementierung oder Korrektur mit Tests für die von dir benannten Fälle an. Der Hersteller beschreibt Training in mehr als 80 Programmiersprachen; gib die Sprache und Projektkonventionen an, die die aktuelle Aufgabe benötigt. Prüfe den zurückgegebenen Code in diesem Projekt und führe ihn dort aus, bevor du ihn integrierst.\n\n### Funktionen und strukturierte Ergebnisse\n\nDie Modellkarte dokumentiert Funktionsaufrufe in einem Anwendungsablauf. Die Anwendung stellt die Funktionsdefinitionen bereit, führt eine angeforderte Operation aus und gibt das tatsächliche Ergebnis zurück. Bewahre dieses Ergebnis zusammen mit der relevanten Anfrage, bevor du das Modell um Fortsetzung oder die Vorbereitung einer endgültigen Antwort bittest.\n\nDefiniere für JSON-Ausgabe die Felder, Typen und den Umgang mit fehlenden Werten. Validiere die zurückgegebene Struktur und vergleiche ihren Inhalt mit dem bereitgestellten Material, bevor du ihn in einer weiteren Operation verwendest. Eine Funktionsanfrage oder strukturierte Antwort ist Teil eines Ablaufs mit eigenen Prüf- und Ausführungsschritten.\n\n### Rolle und relevanten Kontext definieren\n\nDer Hersteller empfiehlt einen Systemprompt, der den Zweck des Assistenten nennt. Gib Antwortstil, Aufgabenbedingungen und die zu verwendende Terminologie vor. Mistrals dokumentiertes Modellformat besitzt eine eigene Behandlung von Systemprompts für direkte Bereitstellungen.\n\nHalte die relevanten Passagen, den Code und frühere Entscheidungen innerhalb des für dieses Modellprofil angegebenen Kontexts und lasse Platz für das gewünschte Ergebnis. Liefere aktuelle Belege für Fragen, die davon abhängen. Bewahre beim Vergleich von Modellrevisionen die Ausgabekennung 2411 zusammen mit Prompt und Antwort.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a stable deduplication helper\n\nWrite a Python function unique_ids(values) that returns the first occurrence of each case-sensitive string in input order. Preserve empty strings; do not sort or lowercase values. For ["B", "a", "B", "", "a"], specify the expected output. Include tests for empty input and strings that differ only in case.A function implementation and three explicit input/output tests for ordering, empty input and case sensitivity.Check that first-occurrence order is preserved and uppercase/lowercase identifiers are not merged.mistral-large-2411Mistral Large 2411 ist das dichte Textmodell von Mistral AI mit 123 Milliarden Parametern für mehrsprachige Arbeit, Schlussfolgern und Codeaufgaben. Seine Modellkarte dokumentiert einen Kontext von 128K, Funktionsaufrufe und JSON-Ausgabe; stelle gekennzeichnetes Quellenmaterial und eine konkrete Anfrage nach einer Antwort oder Implementierung bereit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 2411 ist ein dichtes, auf Anweisungen abgestimmtes Modell von Mistral AI mit 123 Milliarden Parametern. Der Hersteller beschreibt mehrsprachige Textverarbeitung, Schlussfolgern und Programmierung mit einem Kontextfenster von 128K sowie dokumentierten Fähigkeiten für Funktionsaufrufe und JSON-Ausgabe. Das genaue gehostete Modellprofil nennt eine Kontextlänge von 128.000 Tokens.
Kennzeichne den Text, den die Antwort verwenden soll, und benenne die Frage, die ihn verbindet. Ein Vergleich kann die Anforderungen, Ausnahmen oder Entscheidungen in jeder Quelle anfordern, mit zugehörigen Quellenkennzeichnungen neben den Befunden. Ein Entwurf kann Zielgruppe, zu vermittelnde Fakten und gewünschte Länge benennen.
Stelle für Codearbeit die relevante Schnittstelle, repräsentative Eingaben und erwartete Ausgaben bereit. Fordere eine gezielte Implementierung oder Korrektur mit Tests für die von dir benannten Fälle an. Der Hersteller beschreibt Training in mehr als 80 Programmiersprachen; gib die Sprache und Projektkonventionen an, die die aktuelle Aufgabe benötigt. Prüfe den zurückgegebenen Code in diesem Projekt und führe ihn dort aus, bevor du ihn integrierst.
Die Modellkarte dokumentiert Funktionsaufrufe in einem Anwendungsablauf. Die Anwendung stellt die Funktionsdefinitionen bereit, führt eine angeforderte Operation aus und gibt das tatsächliche Ergebnis zurück. Bewahre dieses Ergebnis zusammen mit der relevanten Anfrage, bevor du das Modell um Fortsetzung oder die Vorbereitung einer endgültigen Antwort bittest.
Definiere für JSON-Ausgabe die Felder, Typen und den Umgang mit fehlenden Werten. Validiere die zurückgegebene Struktur und vergleiche ihren Inhalt mit dem bereitgestellten Material, bevor du ihn in einer weiteren Operation verwendest. Eine Funktionsanfrage oder strukturierte Antwort ist Teil eines Ablaufs mit eigenen Prüf- und Ausführungsschritten.
Der Hersteller empfiehlt einen Systemprompt, der den Zweck des Assistenten nennt. Gib Antwortstil, Aufgabenbedingungen und die zu verwendende Terminologie vor. Mistrals dokumentiertes Modellformat besitzt eine eigene Behandlung von Systemprompts für direkte Bereitstellungen.
Halte die relevanten Passagen, den Code und frühere Entscheidungen innerhalb des für dieses Modellprofil angegebenen Kontexts und lasse Platz für das gewünschte Ergebnis. Liefere aktuelle Belege für Fragen, die davon abhängen. Bewahre beim Vergleich von Modellrevisionen die Ausgabekennung 2411 zusammen mit Prompt und Antwort.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistral-large-2411 | 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 $0.0044 / 1K Token Ausgabe · Ausgabetoken $0.0132 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-large-2411", "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-large-2411',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-large-2411',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-large-2411
Verwenden Sie die oben angezeigten Methodenpfade.
mistral-large-2411Mistral Large 2411 ist das dichte Textmodell von Mistral AI mit 123 Milliarden Parametern für mehrsprachige Arbeit, Schlussfolgern und Codeaufgaben. Seine Modellkarte dokumentiert einen Kontext von 128K, Funktionsaufrufe und JSON-Ausgabe; stelle gekennzeichnetes Quellenmaterial und eine konkrete Anfrage nach einer Antwort oder Implementierung bereit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 2411 ist ein dichtes, auf Anweisungen abgestimmtes Modell von Mistral AI mit 123 Milliarden Parametern. Der Hersteller beschreibt mehrsprachige Textverarbeitung, Schlussfolgern und Programmierung mit einem Kontextfenster von 128K sowie dokumentierten Fähigkeiten für Funktionsaufrufe und JSON-Ausgabe. Das genaue gehostete Modellprofil nennt eine Kontextlänge von 128.000 Tokens.
Kennzeichne den Text, den die Antwort verwenden soll, und benenne die Frage, die ihn verbindet. Ein Vergleich kann die Anforderungen, Ausnahmen oder Entscheidungen in jeder Quelle anfordern, mit zugehörigen Quellenkennzeichnungen neben den Befunden. Ein Entwurf kann Zielgruppe, zu vermittelnde Fakten und gewünschte Länge benennen.
Stelle für Codearbeit die relevante Schnittstelle, repräsentative Eingaben und erwartete Ausgaben bereit. Fordere eine gezielte Implementierung oder Korrektur mit Tests für die von dir benannten Fälle an. Der Hersteller beschreibt Training in mehr als 80 Programmiersprachen; gib die Sprache und Projektkonventionen an, die die aktuelle Aufgabe benötigt. Prüfe den zurückgegebenen Code in diesem Projekt und führe ihn dort aus, bevor du ihn integrierst.
Die Modellkarte dokumentiert Funktionsaufrufe in einem Anwendungsablauf. Die Anwendung stellt die Funktionsdefinitionen bereit, führt eine angeforderte Operation aus und gibt das tatsächliche Ergebnis zurück. Bewahre dieses Ergebnis zusammen mit der relevanten Anfrage, bevor du das Modell um Fortsetzung oder die Vorbereitung einer endgültigen Antwort bittest.
Definiere für JSON-Ausgabe die Felder, Typen und den Umgang mit fehlenden Werten. Validiere die zurückgegebene Struktur und vergleiche ihren Inhalt mit dem bereitgestellten Material, bevor du ihn in einer weiteren Operation verwendest. Eine Funktionsanfrage oder strukturierte Antwort ist Teil eines Ablaufs mit eigenen Prüf- und Ausführungsschritten.
Der Hersteller empfiehlt einen Systemprompt, der den Zweck des Assistenten nennt. Gib Antwortstil, Aufgabenbedingungen und die zu verwendende Terminologie vor. Mistrals dokumentiertes Modellformat besitzt eine eigene Behandlung von Systemprompts für direkte Bereitstellungen.
Halte die relevanten Passagen, den Code und frühere Entscheidungen innerhalb des für dieses Modellprofil angegebenen Kontexts und lasse Platz für das gewünschte Ergebnis. Liefere aktuelle Belege für Fragen, die davon abhängen. Bewahre beim Vergleich von Modellrevisionen die Ausgabekennung 2411 zusammen mit Prompt und Antwort.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistral-large-2411 | 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 $0.0044 / 1K Token Ausgabe · Ausgabetoken $0.0132 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistral-large-2411",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-large-2411', '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-large-2411', '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-large-2411
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a stable deduplication helper\n\nWrite a Python function unique_ids(values) that returns the first occurrence of each case-sensitive string in input order. Preserve empty strings; do not sort or lowercase values. For ["B", "a", "B", "", "a"], specify the expected output. Include tests for empty input and strings that differ only in case.A function implementation and three explicit input/output tests for ordering, empty input and case sensitivity.Check that first-occurrence order is preserved and uppercase/lowercase identifiers are not merged.