Ministral 3 8B Instruct 2512 ist das mittelgroße, auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, verarbeitet Text und Bilder und gibt Text statt eines Bild- oder Audioartefakts zurück.
Architektur und zentrale Funktionen
Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sein Kontextfenster wird mit 256k beschrieben, und die veröffentlichten Nutzungshinweise verwenden eine standardmäßig konfigurierte Länge von 262.144. Diese Angaben beschreiben diese Ausgabe in der Größe 8B; die kleineren 3B- und größeren 14B-Familienmitglieder behalten ihre eigenen Komponentengrößen und Konfigurationen.
Visuelle Fähigkeiten erweitern die Eingabe des Modells über einen schriftlichen Dialog hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang kombiniert werden. Ein Screenshot kann mit dem Ziel des Nutzers und der Aufforderung verbunden werden, das relevante Bedienelement zu identifizieren. Fordere die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von einem visuellen Detail abhängt, und bewahre Überschriften, Beschriftungen und Einheiten, die zur Interpretation eines Ausschnitts benötigt werden.
Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt außerdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgabe. Definiere die endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das beabsichtigte Artefakt aus einer großen Eingabe erschließen zu lassen.
Dokument-, Dialog- und Agentenaufgaben
Die Anwendungsfälle des Herstellers umfassen Chatschnittstellen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltsgenerierung und spezialisierte Agenten. Stelle für einen Dokumentassistenten die Seite bereit und gib die zurückzugebenden Informationen vor. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort kann die Dokumentkennung, den extrahierten Wert und eine kurze Erklärung mit Bezug zur sichtbaren Quelle enthalten.
Bewahre für einen fortlaufenden Dialog die relevante frühere Antwort und stelle eine gezielte Anschlussfrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung anfordern und danach fragen, welche Aussage eine Schlussfolgerung stützt. Dadurch ändert sich die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellengestützten Erklärung, während das ursprüngliche Material und der Zweck des Dialogs erhalten bleiben.
Stelle für mehrsprachige Bearbeitung die Originalpassage, die vorgesehenen Leser und eine Terminologieliste bereit. Fordere eine überarbeitete Fassung an, die Namen, Bedingungen und Einheiten bewahrt, gefolgt von einer kurzen Erklärung der Änderungen, sofern nützlich. Gib für Inhaltsgenerierung die Zielgruppe und die einzubeziehenden Fakten vor, bevor du einen kurzen Entwurf oder alternative Formulierungen anforderst.
Bei einer Agentenaufgabe stellt die Anwendung die Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion auswählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel in der Modellkarte verbindet eine Bildfrage mit einem Berechnungswerkzeug. Halte das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschließende schriftliche Antwort die Informationen verwendet, die die Operation tatsächlich zurückgegeben hat.
Empfohlene Vorbereitung und Einstellungen
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und die Verwendung von Werkzeugen beschreibt. Halte die Werkzeugauswahl klar definiert und auf das für die Aufgabe notwendige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine große Sammlung unzusammenhängender Operationen zu präsentieren.
Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erkundung zur Verfügung. Behandle dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Reasoning-Modus. Die Familie besitzt eigenständige Checkpoints für Base, Instruct und Reasoning; dieser Eintrag ist die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Größe.
Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneide bei Bedarf zu und bewahre dabei die Beschriftungen und den Kontext, die die Frage benötigt. Enthält eine Seite mehrere unzusammenhängende Bereiche, benenne den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, fokussiertes Bild ist nützlicher, als das Modell raten zu lassen, welches kleine Detail auf einer umfassenden Seite wichtig ist.
Grenzen von Kontext und Ausgabe
Plane Text, Bilder, Dialog und gewünschte Antwort um den konfigurierten Kontext herum. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Anweisung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate harte maximale Antwortlänge.
Der FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind eigenständige Ausgaben. Der Hersteller beschreibt außerdem Spezialisierung und Fine-Tuning als Anwendungsfälle. Bewahre bei der Dialogvorbereitung den benannten Checkpoint und seinen Tokenizer und halte Texterzeugung getrennt von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.
", "aboutText": "Ministral 3 8B Instruct 2512 ist das mittelgroße, auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, verarbeitet Text und Bilder und gibt Text statt eines Bild- oder Audioartefakts zurück.\n\nArchitektur und zentrale Funktionen\n\nDer Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sein Kontextfenster wird mit 256k beschrieben, und die veröffentlichten Nutzungshinweise verwenden eine standardmäßig konfigurierte Länge von 262.144. Diese Angaben beschreiben diese Ausgabe in der Größe 8B; die kleineren 3B- und größeren 14B-Familienmitglieder behalten ihre eigenen Komponentengrößen und Konfigurationen.\n\nVisuelle Fähigkeiten erweitern die Eingabe des Modells über einen schriftlichen Dialog hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang kombiniert werden. Ein Screenshot kann mit dem Ziel des Nutzers und der Aufforderung verbunden werden, das relevante Bedienelement zu identifizieren. Fordere die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von einem visuellen Detail abhängt, und bewahre Überschriften, Beschriftungen und Einheiten, die zur Interpretation eines Ausschnitts benötigt werden.\n\nDie Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt außerdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgabe. Definiere die endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das beabsichtigte Artefakt aus einer großen Eingabe erschließen zu lassen.\n\nDokument-, Dialog- und Agentenaufgaben\n\nDie Anwendungsfälle des Herstellers umfassen Chatschnittstellen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltsgenerierung und spezialisierte Agenten. Stelle für einen Dokumentassistenten die Seite bereit und gib die zurückzugebenden Informationen vor. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort kann die Dokumentkennung, den extrahierten Wert und eine kurze Erklärung mit Bezug zur sichtbaren Quelle enthalten.\n\nBewahre für einen fortlaufenden Dialog die relevante frühere Antwort und stelle eine gezielte Anschlussfrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung anfordern und danach fragen, welche Aussage eine Schlussfolgerung stützt. Dadurch ändert sich die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellengestützten Erklärung, während das ursprüngliche Material und der Zweck des Dialogs erhalten bleiben.\n\nStelle für mehrsprachige Bearbeitung die Originalpassage, die vorgesehenen Leser und eine Terminologieliste bereit. Fordere eine überarbeitete Fassung an, die Namen, Bedingungen und Einheiten bewahrt, gefolgt von einer kurzen Erklärung der Änderungen, sofern nützlich. Gib für Inhaltsgenerierung die Zielgruppe und die einzubeziehenden Fakten vor, bevor du einen kurzen Entwurf oder alternative Formulierungen anforderst.\n\nBei einer Agentenaufgabe stellt die Anwendung die Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion auswählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel in der Modellkarte verbindet eine Bildfrage mit einem Berechnungswerkzeug. Halte das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschließende schriftliche Antwort die Informationen verwendet, die die Operation tatsächlich zurückgegeben hat.\n\nEmpfohlene Vorbereitung und Einstellungen\n\nDer Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und die Verwendung von Werkzeugen beschreibt. Halte die Werkzeugauswahl klar definiert und auf das für die Aufgabe notwendige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine große Sammlung unzusammenhängender Operationen zu präsentieren.\n\nFür alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erkundung zur Verfügung. Behandle dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Reasoning-Modus. Die Familie besitzt eigenständige Checkpoints für Base, Instruct und Reasoning; dieser Eintrag ist die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Größe.\n\nFür Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneide bei Bedarf zu und bewahre dabei die Beschriftungen und den Kontext, die die Frage benötigt. Enthält eine Seite mehrere unzusammenhängende Bereiche, benenne den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, fokussiertes Bild ist nützlicher, als das Modell raten zu lassen, welches kleine Detail auf einer umfassenden Seite wichtig ist.\n\nGrenzen von Kontext und Ausgabe\n\nPlane Text, Bilder, Dialog und gewünschte Antwort um den konfigurierten Kontext herum. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Anweisung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate harte maximale Antwortlänge.\n\nDer FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind eigenständige Ausgaben. Der Hersteller beschreibt außerdem Spezialisierung und Fine-Tuning als Anwendungsfälle. Bewahre bei der Dialogvorbereitung den benannten Checkpoint und seinen Tokenizer und halte Texterzeugung getrennt von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e543fb659c4a0eac20fb238e097437069736ff199ebb8cc6a6de4e688141d0cf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "mistralai/ministral-8b-2512:batchMinistral 3 8B Instruct 2512 ist ein mehrsprachiges Text- und Bildmodell für Anweisungsaufgaben mit einer Sprachkomponente von 8,4 Milliarden Parametern und einem Bildencoder von 0,4 Milliarden Parametern. Es unterstützt einen vom Hersteller angegebenen Kontext von 256k, Systemanweisungen, JSON und native Funktionsaufrufe für Assistenten und Dokumentabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Ministral 3 8B Instruct 2512 ist das mittelgroße, auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Checkpoint ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Bildencoder, verarbeitet Text und Bilder und gibt Text statt eines Bild- oder Audioartefakts zurück.
Architektur und zentrale Funktionen
Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Bildencoder mit 0,4 Milliarden Parametern. Sein Kontextfenster wird mit 256k beschrieben, und die veröffentlichten Nutzungshinweise verwenden eine standardmäßig konfigurierte Länge von 262.144. Diese Angaben beschreiben diese Ausgabe in der Größe 8B; die kleineren 3B- und größeren 14B-Familienmitglieder behalten ihre eigenen Komponentengrößen und Konfigurationen.
Visuelle Fähigkeiten erweitern die Eingabe des Modells über einen schriftlichen Dialog hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang kombiniert werden. Ein Screenshot kann mit dem Ziel des Nutzers und der Aufforderung verbunden werden, das relevante Bedienelement zu identifizieren. Fordere die Beobachtung an, die jede Schlussfolgerung stützt, wenn die Antwort von einem visuellen Detail abhängt, und bewahre Überschriften, Beschriftungen und Einheiten, die zur Interpretation eines Ausschnitts benötigt werden.
Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt außerdem die Befolgung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgabe. Definiere die endgültige Sprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das beabsichtigte Artefakt aus einer großen Eingabe erschließen zu lassen.
Dokument-, Dialog- und Agentenaufgaben
Die Anwendungsfälle des Herstellers umfassen Chatschnittstellen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltsgenerierung und spezialisierte Agenten. Stelle für einen Dokumentassistenten die Seite bereit und gib die zurückzugebenden Informationen vor. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort kann die Dokumentkennung, den extrahierten Wert und eine kurze Erklärung mit Bezug zur sichtbaren Quelle enthalten.
Bewahre für einen fortlaufenden Dialog die relevante frühere Antwort und stelle eine gezielte Anschlussfrage. Ein Nutzer kann zunächst eine Dokumentzusammenfassung anfordern und danach fragen, welche Aussage eine Schlussfolgerung stützt. Dadurch ändert sich die erforderliche Ausgabe von einem allgemeinen Überblick zu einer quellengestützten Erklärung, während das ursprüngliche Material und der Zweck des Dialogs erhalten bleiben.
Stelle für mehrsprachige Bearbeitung die Originalpassage, die vorgesehenen Leser und eine Terminologieliste bereit. Fordere eine überarbeitete Fassung an, die Namen, Bedingungen und Einheiten bewahrt, gefolgt von einer kurzen Erklärung der Änderungen, sofern nützlich. Gib für Inhaltsgenerierung die Zielgruppe und die einzubeziehenden Fakten vor, bevor du einen kurzen Entwurf oder alternative Formulierungen anforderst.
Bei einer Agentenaufgabe stellt die Anwendung die Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion auswählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückgibt. Das Funktionsbeispiel in der Modellkarte verbindet eine Bildfrage mit einem Berechnungswerkzeug. Halte das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschließende schriftliche Antwort die Informationen verwendet, die die Operation tatsächlich zurückgegeben hat.
Empfohlene Vorbereitung und Einstellungen
Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und die Verwendung von Werkzeugen beschreibt. Halte die Werkzeugauswahl klar definiert und auf das für die Aufgabe notwendige Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine große Sammlung unzusammenhängender Operationen zu präsentieren.
Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0,1; höhere Temperaturen stehen für kreative Erkundung zur Verfügung. Behandle dies als Empfehlung für den Anweisungsablauf und nicht als separate Steuerung eines Reasoning-Modus. Die Familie besitzt eigenständige Checkpoints für Base, Instruct und Reasoning; dieser Eintrag ist die Ausgabe Instruct 2512 und nicht die separate Reasoning-Veröffentlichung derselben Größe.
Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneide bei Bedarf zu und bewahre dabei die Beschriftungen und den Kontext, die die Frage benötigt. Enthält eine Seite mehrere unzusammenhängende Bereiche, benenne den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, fokussiertes Bild ist nützlicher, als das Modell raten zu lassen, welches kleine Detail auf einer umfassenden Seite wichtig ist.
Grenzen von Kontext und Ausgabe
Plane Text, Bilder, Dialog und gewünschte Antwort um den konfigurierten Kontext herum. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das vollständige Fenster ist daher keine Anweisung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine separate harte maximale Antwortlänge.
Der FP8-Instruct-Checkpoint, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind eigenständige Ausgaben. Der Hersteller beschreibt außerdem Spezialisierung und Fine-Tuning als Anwendungsfälle. Bewahre bei der Dialogvorbereitung den benannten Checkpoint und seinen Tokenizer und halte Texterzeugung getrennt von Repository-Zugriff, Funktionsausführung oder anderen Handlungen, die die umgebende Anwendung bereitstellt.
POST /v1/batchestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldendpoint | Typstring | AnforderungErforderlich | Werte und Limits /v1/chat/completions | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/ministral-8b-2512:batch | Standard— |
Feldrequests | Typbatch_item[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldrequests[].custom_id | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldrequests[].body.messages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldcompletion_window | Typstring | AnforderungOptional | Werte und Limits 24h | Standard— |
Feldprovider | Typobject|null | AnforderungOptional | Werte und Limits | Standard— |
Feldrequests[].body.model | Typstring | AnforderungOptional | Werte und Limits mistralai/ministral-8b-2512:batch, mistralai/ministral-8b-2512 | Standard— |
Feldprovider.only | Typstring[] | AnforderungOptional | Werte und Limits mistral | Standard— |
Feldprovider.allow_fallbacks | Typboolean|null | AnforderungOptional | Werte und Limits false, null | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragendpoint, model, requests |
Parametermaterial_types | Vertragtext |
Parameterrepresentation | Vertrageingebettete requests[]; jedes Element enthält custom_id und body |
Parameterrequest_endpoint_profile | Vertrag/v1/chat/completions |
Parameterfile_material | VertragDer Aufrufer kann tatsächliches UTF-8-JSONL lokal in requests[] einlesen. Es werden weder ein Upload-Zweck noch input_file_id oder eine Dateireferenz verwendet. Fehlendes oder leeres Kundenmaterial stoppt die Vorbereitung vor POST. |
Parameterserialization_order | Vertragendpoint, model, provider (falls angegeben), completion_window (falls angegeben), requests als letztes Feld |
Parameteroptional_controls | Vertragprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | VertragAnfragekörper für Text Chat Completions in der dokumentierten Inline-Batch-Struktur. |
Lebenszyklus: asynchronous
GET /v1/batches/{operation_id} · die tatsächliche response.id der ursprünglichen Erstellungsantwort; derselbe Nutzer/Schlüssel/dieselbe Gruppe
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 $0.00015 / 1K Token Ausgabe · Ausgabetoken $0.00015 / 1K Token Eingabe · Cache-Lesen $0.000015 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00015 / 1K Token Ausgabe · Ausgabetoken $0.00015 / 1K Token Eingabe · Cache-Lesen $0.000015 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/ministral-8b-2512:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/ministral-8b-2512:batch', 'mistralai/ministral-8b-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/ministral-8b-2512:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\neingebettetes JSON unter results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige ursprüngliche Status-JSON, jedes Ergebnis/jede custom_id und den vollständigen Antwort- oder Fehlerkörper aufbewahren. Abgeschlossene results[] ohne Filterung als JSONL speichern.
Die ursprüngliche Vorgangs-ID beibehalten. Bei 503 result_pending_check gilt X-Should-Retry:false; einen ursprünglichen Batch mit unbekanntem Ausgang niemals erneut einreichen.
| Feld | Typ |
|---|---|
Feldresults[].custom_id | Typstring |
Feldresults[].response.body.choices[].message.content | Typstring|null |
Feldresults[].error | Typobject|null |
Feldusage | Typobject|null |
Feldid | Typstring |
Feldmodel | Typstring |
Feldendpoint | Typstring |
Feldstatus | Typstring |
Feldrequest_counts | Typobject |
Feldresults[].id | Typstring |
Feldresults[].response.status_code | Typinteger |
Feldresults[].response.request_id | Typstring |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültige Struktur der dokumentierten Inline-Einbettung, doppelte Schlüssel, ungültige Identitätsangaben zu einem Element oder ein Konflikt mit den konfigurierten Modellfähigkeiten. | Nächster SchrittDie angegebenen Felder vor jeder neuen Einreichung korrigieren. |
Antwort401 · authentication_error | BedingungUngültiger API-Schlüssel. | Nächster SchrittDen autorisierten Ailoot-Schlüssel verwenden. |
Antwort403 · permission_error | BedingungGruppe für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Berechtigung des Schlüssels bzw. der Gruppe prüfen. |
Antwort422 · invalid_request_error | BedingungStapelverarbeitung wird über das Guthaben abgerechnet; die Erstellung über ein Abonnement wird abgelehnt. | Nächster SchrittDie autorisierte Gruppe mit Guthabenabrechnung verwenden. |
Antwort422 · price_unavailable | BedingungFür die Batch-Eingabe kann kein Preisangebot erstellt werden. | Nächster SchrittAntwort aufbewahren; die dokumentierte Eingabe der API-Familie verwenden. |
Antwort402 · billing_error | BedingungReservierung für Stapelverarbeitung nicht verfügbar. | Nächster SchrittDie Zulassung klären, bevor eine neue Anfrage gestellt wird. |
Antwort503 · price_unavailable | BedingungMethodenpreis bzw. native Tarife für Stapelverarbeitung nicht verfügbar. | Nächster SchrittAntwort aufbewahren; keine anderen Preise einsetzen. |
Antwort503 · api_error | BedingungDie genaue Anbieterroute ist nicht verfügbar. | Nächster SchrittAntwort zur Reparatur der Route aufbewahren. |
Antwort503 · result_pending_check | BedingungDas ursprüngliche Ergebnis muss geprüft werden; X-Should-Retry:false. | Nächster SchrittDie ursprüngliche operation_id/id beibehalten und ihren Status lesen; den ursprünglichen POST niemals wiederholen. |
Antwort404 · not_found | BedingungDer Batch-Vorgang, dessen Status abgefragt wird, ist nicht vorhanden oder gehört einer anderen Identität. | Nächster SchrittDie genaue ursprüngliche id und denselben Nutzer/Schlüssel/dieselbe Gruppe verwenden. |
Ailoot Ultra mistralai/ministral-8b-2512:batch
Verwenden Sie die oben angezeigten Methodenpfade.