Mistral Large 3 2512 ist die auf Anweisungen abgestimmte Ausgabe von Mistral AI für allgemeine Dialoge, visuelles Verständnis und Unternehmensarbeit. Ihre dünn besetzte Mixture-of-Experts-Architektur hat insgesamt 675 Milliarden Parameter, davon 41 Milliarden aktive, und ein Kontextfenster von 256k. Text und Bilder können zur selben Aufgabe beitragen, während die Antwort als Text, Code oder strukturiertes Ergebnis vorliegt.
Fähigkeiten und Eingabevorbereitung
Das Modell verbindet eine Sprachkomponente mit einem Bildencoder. Gib einem Bild eine klare Rolle: eine zu lesende Seite, ein zu interpretierendes Diagramm oder eine zu erklärende Bildschirmansicht. Stelle bei einer überladenen Ansicht einen Ausschnitt mit den relevanten Bedienelementen bereit und bewahre die umgebenden Beschriftungen, die zu ihrem Verständnis nötig sind. Mistral empfiehlt annähernd quadratische Bildformen; teile eine außergewöhnlich schmale oder breite Quelle in nützliche Bereiche auf, statt wichtige Details zu einem unlesbaren Streifen zu verkleinern.
Der Hersteller nennt mehrsprachige Dialoge in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Lege Ausgabesprache, vorgesehene Leser und zu bewahrende Terminologie fest. Fordere für einen Supportartikel eine lokalisierte Erklärung mit unveränderten Produktnamen und eine kurze Liste unsicherer Übersetzungen an, die vor der Veröffentlichung geklärt werden müssen.
Lange Dokumente und Unternehmenswissen
Nutze den Kontext, um zusammengehöriges Material zusammenzuführen: Richtlinientext, eine Spezifikation, bestehende Entscheidungen und die Frage, die eine Antwort benötigt. Kennzeichne jede Quelle und ihre Revision. Eine nützliche Anfrage lautet: „Vergleiche diese drei Onboarding-Richtlinien. Gib eine Tabelle mit gemeinsamen Anforderungen, Konflikten und unbeantworteten Fragen zurück, jeweils mit dem Quellabschnitt zum Befund.“ Das entstehende Artefakt ist ein in den bereitgestellten Passagen verankerter Vergleich statt einer allgemeinen Zusammenfassung des Themas.
Benenne für eine Dokumentfrage den gewünschten Detailgrad und fordere die stützende Passage neben der Schlussfolgerung an. Mistrals Ablauf Document QnA extrahiert zunächst Text und Dokumentstruktur mittels OCR und verwendet dann ein Sprachmodell zur Interpretation dieses Materials. Bewahre beim Aufbereiten extrahierten Texts Seitenzahlen und Überschriften, damit die Antwort auf das Original verweisen kann. Eine Dokument-URL, extrahierter Text und Bildbelege haben unterschiedliche Vorbereitungsanforderungen; wähle die Eingabeform, die die verwendete Anwendung unterstützt.
Programmierung und Alltagshilfe
Mistral positioniert Large 3 sowohl für Programmierunterstützung als auch für Alltagsdialoge. Stelle die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bereit. Beispielsweise: „Dieser Parser verwirft das letzte Feld, wenn die Eingabe ohne Zeilenumbruch endet. Erkläre den fehlschlagenden Zweig, schlage die kleinste Änderung vor und gib die korrigierte Funktion mit drei repräsentativen Ein-/Ausgabebeispielen zurück.“ Das nützliche Ergebnis ist eine Änderung mit Bezug zum tatsächlichen Code und eine Menge von Fällen, die der Entwickler ausführen kann.
Stelle für einen geschäftlichen Entwurf die Fakten und das gewünschte Artefakt gemeinsam bereit. Eine Anfrage, Besprechungsnotizen in eine Entscheidungsvorlage umzuwandeln, sollte Entscheidung, Alternativen, ungeklärte Annahmen und nächste Handlung benennen. Bitte das Modell, Quellenfakten von Empfehlungen getrennt zu halten und fehlende Informationen im passenden Abschnitt zu kennzeichnen. Dies erleichtert die Überarbeitung der Ausgabe gegenüber einer undifferenzierten Erzählung.
Werkzeuge und strukturierte Ergebnisse
Native Funktionsaufrufe ermöglichen dem Modell, eine bereitgestellte Funktion auszuwählen und ihre Argumente vorzubereiten. Die Anwendung führt diese Funktion aus und gibt ihr Ergebnis zurück; das Modell verwendet die zurückgegebenen Informationen anschließend in der Antwort. Halte Werkzeuge spezifisch und stelle nur die für die Aufgabe nötigen bereit. Ein Assistent zur Bestandsprüfung kann eine Produktreferenz erhalten, eine Bestandsabfrage anfordern und die zurückgegebene Menge samt Lager erklären. Validiere die gewählte Funktion und ihre Argumente vor der Ausführung der Anfrage und bewahre die Werkzeugantwort neben der endgültigen Antwort.
Gib für eine Extraktion die Felder, Typen und den Umgang mit fehlenden Werten vor. Mistral dokumentiert JSON-Modus und benutzerdefinierte strukturierte Ausgabe; sein JSON-Modus verlangt eine ausdrückliche Anweisung, JSON zurückzugeben, während ein benutzerdefiniertes Schema stärkere Formatkontrolle liefert. Eine Rechnungszusammenfassung kann Lieferant, Rechnungsnummer, Fälligkeitsdatum, Währung und Rechnungspositionen anfordern, mit einheitlicher Darstellung fehlender Werte. Prüfe die extrahierten Werte anhand des Dokuments, auch wenn die Antwort der gewünschten Struktur entspricht.
Einstellungen und Unterschiede zwischen Ausgaben
Definiere Rolle, Aufgabe und Werkzeugregeln in den Systemanweisungen. Mistral empfiehlt für produktive und alltägliche Nutzung dieses Checkpoints eine Temperatur unter 0,1; höhere Werte können für kreative Aufgaben erprobt werden. Trenne eine Anfrage nach vielfältigen Ideen von einer Anfrage nach reproduzierbarer Extraktion: Gib der ersten Raum für Alternativen und der zweiten ausdrückliche Felder und Quellenbedingungen.
Diese Anweisungsausgabe ist vom Basischeckpoint Large 3 und von speziellen Reasoning-Modellen getrennt. Der Hersteller nennt strenges Schlussfolgern und spezialisierte visuelle Arbeit als Bereiche, in denen ein eigens dafür entworfenes Modell vorzuziehen sein kann. Stelle für eine schwierige Berechnung Annahmen und Einheiten bereit, fordere Zwischenprüfungen an und nutze ein verfügbares Berechnungswerkzeug zur Verifikation des Ergebnisses. Bereite bei dichten visuellen Belegen lesbare Bereiche vor und vergleiche die Antwort mit der Quelle, bevor du sie in einem Bericht verwendest.
", "aboutText": "Mistral Large 3 2512 ist die auf Anweisungen abgestimmte Ausgabe von Mistral AI für allgemeine Dialoge, visuelles Verständnis und Unternehmensarbeit. Ihre dünn besetzte Mixture-of-Experts-Architektur hat insgesamt 675 Milliarden Parameter, davon 41 Milliarden aktive, und ein Kontextfenster von 256k. Text und Bilder können zur selben Aufgabe beitragen, während die Antwort als Text, Code oder strukturiertes Ergebnis vorliegt.\n\nFähigkeiten und Eingabevorbereitung\n\nDas Modell verbindet eine Sprachkomponente mit einem Bildencoder. Gib einem Bild eine klare Rolle: eine zu lesende Seite, ein zu interpretierendes Diagramm oder eine zu erklärende Bildschirmansicht. Stelle bei einer überladenen Ansicht einen Ausschnitt mit den relevanten Bedienelementen bereit und bewahre die umgebenden Beschriftungen, die zu ihrem Verständnis nötig sind. Mistral empfiehlt annähernd quadratische Bildformen; teile eine außergewöhnlich schmale oder breite Quelle in nützliche Bereiche auf, statt wichtige Details zu einem unlesbaren Streifen zu verkleinern.\n\nDer Hersteller nennt mehrsprachige Dialoge in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Lege Ausgabesprache, vorgesehene Leser und zu bewahrende Terminologie fest. Fordere für einen Supportartikel eine lokalisierte Erklärung mit unveränderten Produktnamen und eine kurze Liste unsicherer Übersetzungen an, die vor der Veröffentlichung geklärt werden müssen.\n\nLange Dokumente und Unternehmenswissen\n\nNutze den Kontext, um zusammengehöriges Material zusammenzuführen: Richtlinientext, eine Spezifikation, bestehende Entscheidungen und die Frage, die eine Antwort benötigt. Kennzeichne jede Quelle und ihre Revision. Eine nützliche Anfrage lautet: „Vergleiche diese drei Onboarding-Richtlinien. Gib eine Tabelle mit gemeinsamen Anforderungen, Konflikten und unbeantworteten Fragen zurück, jeweils mit dem Quellabschnitt zum Befund.“ Das entstehende Artefakt ist ein in den bereitgestellten Passagen verankerter Vergleich statt einer allgemeinen Zusammenfassung des Themas.\n\nBenenne für eine Dokumentfrage den gewünschten Detailgrad und fordere die stützende Passage neben der Schlussfolgerung an. Mistrals Ablauf Document QnA extrahiert zunächst Text und Dokumentstruktur mittels OCR und verwendet dann ein Sprachmodell zur Interpretation dieses Materials. Bewahre beim Aufbereiten extrahierten Texts Seitenzahlen und Überschriften, damit die Antwort auf das Original verweisen kann. Eine Dokument-URL, extrahierter Text und Bildbelege haben unterschiedliche Vorbereitungsanforderungen; wähle die Eingabeform, die die verwendete Anwendung unterstützt.\n\nProgrammierung und Alltagshilfe\n\nMistral positioniert Large 3 sowohl für Programmierunterstützung als auch für Alltagsdialoge. Stelle die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bereit. Beispielsweise: „Dieser Parser verwirft das letzte Feld, wenn die Eingabe ohne Zeilenumbruch endet. Erkläre den fehlschlagenden Zweig, schlage die kleinste Änderung vor und gib die korrigierte Funktion mit drei repräsentativen Ein-/Ausgabebeispielen zurück.“ Das nützliche Ergebnis ist eine Änderung mit Bezug zum tatsächlichen Code und eine Menge von Fällen, die der Entwickler ausführen kann.\n\nStelle für einen geschäftlichen Entwurf die Fakten und das gewünschte Artefakt gemeinsam bereit. Eine Anfrage, Besprechungsnotizen in eine Entscheidungsvorlage umzuwandeln, sollte Entscheidung, Alternativen, ungeklärte Annahmen und nächste Handlung benennen. Bitte das Modell, Quellenfakten von Empfehlungen getrennt zu halten und fehlende Informationen im passenden Abschnitt zu kennzeichnen. Dies erleichtert die Überarbeitung der Ausgabe gegenüber einer undifferenzierten Erzählung.\n\nWerkzeuge und strukturierte Ergebnisse\n\nNative Funktionsaufrufe ermöglichen dem Modell, eine bereitgestellte Funktion auszuwählen und ihre Argumente vorzubereiten. Die Anwendung führt diese Funktion aus und gibt ihr Ergebnis zurück; das Modell verwendet die zurückgegebenen Informationen anschließend in der Antwort. Halte Werkzeuge spezifisch und stelle nur die für die Aufgabe nötigen bereit. Ein Assistent zur Bestandsprüfung kann eine Produktreferenz erhalten, eine Bestandsabfrage anfordern und die zurückgegebene Menge samt Lager erklären. Validiere die gewählte Funktion und ihre Argumente vor der Ausführung der Anfrage und bewahre die Werkzeugantwort neben der endgültigen Antwort.\n\nGib für eine Extraktion die Felder, Typen und den Umgang mit fehlenden Werten vor. Mistral dokumentiert JSON-Modus und benutzerdefinierte strukturierte Ausgabe; sein JSON-Modus verlangt eine ausdrückliche Anweisung, JSON zurückzugeben, während ein benutzerdefiniertes Schema stärkere Formatkontrolle liefert. Eine Rechnungszusammenfassung kann Lieferant, Rechnungsnummer, Fälligkeitsdatum, Währung und Rechnungspositionen anfordern, mit einheitlicher Darstellung fehlender Werte. Prüfe die extrahierten Werte anhand des Dokuments, auch wenn die Antwort der gewünschten Struktur entspricht.\n\nEinstellungen und Unterschiede zwischen Ausgaben\n\nDefiniere Rolle, Aufgabe und Werkzeugregeln in den Systemanweisungen. Mistral empfiehlt für produktive und alltägliche Nutzung dieses Checkpoints eine Temperatur unter 0,1; höhere Werte können für kreative Aufgaben erprobt werden. Trenne eine Anfrage nach vielfältigen Ideen von einer Anfrage nach reproduzierbarer Extraktion: Gib der ersten Raum für Alternativen und der zweiten ausdrückliche Felder und Quellenbedingungen.\n\nDiese Anweisungsausgabe ist vom Basischeckpoint Large 3 und von speziellen Reasoning-Modellen getrennt. Der Hersteller nennt strenges Schlussfolgern und spezialisierte visuelle Arbeit als Bereiche, in denen ein eigens dafür entworfenes Modell vorzuziehen sein kann. Stelle für eine schwierige Berechnung Annahmen und Einheiten bereit, fordere Zwischenprüfungen an und nutze ein verfügbares Berechnungswerkzeug zur Verifikation des Ergebnisses. Bereite bei dichten visuellen Belegen lesbare Bereiche vor und vergleiche die Antwort mit der Quelle, bevor du sie in einem Bericht verwendest.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512 ist ein mehrsprachiges Text- und Bildmodell für lange Dokumente, Unternehmenswissen, Programmierung und werkzeuggestützte Arbeit. Sein Kontext von 256k, native Funktionsaufrufe und strukturierte Ausgaben helfen, bereitgestellte Belege in Antworten, Datensätze und vorgeschlagene Handlungen umzusetzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 3 2512 ist die auf Anweisungen abgestimmte Ausgabe von Mistral AI für allgemeine Dialoge, visuelles Verständnis und Unternehmensarbeit. Ihre dünn besetzte Mixture-of-Experts-Architektur hat insgesamt 675 Milliarden Parameter, davon 41 Milliarden aktive, und ein Kontextfenster von 256k. Text und Bilder können zur selben Aufgabe beitragen, während die Antwort als Text, Code oder strukturiertes Ergebnis vorliegt.
Fähigkeiten und Eingabevorbereitung
Das Modell verbindet eine Sprachkomponente mit einem Bildencoder. Gib einem Bild eine klare Rolle: eine zu lesende Seite, ein zu interpretierendes Diagramm oder eine zu erklärende Bildschirmansicht. Stelle bei einer überladenen Ansicht einen Ausschnitt mit den relevanten Bedienelementen bereit und bewahre die umgebenden Beschriftungen, die zu ihrem Verständnis nötig sind. Mistral empfiehlt annähernd quadratische Bildformen; teile eine außergewöhnlich schmale oder breite Quelle in nützliche Bereiche auf, statt wichtige Details zu einem unlesbaren Streifen zu verkleinern.
Der Hersteller nennt mehrsprachige Dialoge in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Lege Ausgabesprache, vorgesehene Leser und zu bewahrende Terminologie fest. Fordere für einen Supportartikel eine lokalisierte Erklärung mit unveränderten Produktnamen und eine kurze Liste unsicherer Übersetzungen an, die vor der Veröffentlichung geklärt werden müssen.
Lange Dokumente und Unternehmenswissen
Nutze den Kontext, um zusammengehöriges Material zusammenzuführen: Richtlinientext, eine Spezifikation, bestehende Entscheidungen und die Frage, die eine Antwort benötigt. Kennzeichne jede Quelle und ihre Revision. Eine nützliche Anfrage lautet: „Vergleiche diese drei Onboarding-Richtlinien. Gib eine Tabelle mit gemeinsamen Anforderungen, Konflikten und unbeantworteten Fragen zurück, jeweils mit dem Quellabschnitt zum Befund.“ Das entstehende Artefakt ist ein in den bereitgestellten Passagen verankerter Vergleich statt einer allgemeinen Zusammenfassung des Themas.
Benenne für eine Dokumentfrage den gewünschten Detailgrad und fordere die stützende Passage neben der Schlussfolgerung an. Mistrals Ablauf Document QnA extrahiert zunächst Text und Dokumentstruktur mittels OCR und verwendet dann ein Sprachmodell zur Interpretation dieses Materials. Bewahre beim Aufbereiten extrahierten Texts Seitenzahlen und Überschriften, damit die Antwort auf das Original verweisen kann. Eine Dokument-URL, extrahierter Text und Bildbelege haben unterschiedliche Vorbereitungsanforderungen; wähle die Eingabeform, die die verwendete Anwendung unterstützt.
Programmierung und Alltagshilfe
Mistral positioniert Large 3 sowohl für Programmierunterstützung als auch für Alltagsdialoge. Stelle die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bereit. Beispielsweise: „Dieser Parser verwirft das letzte Feld, wenn die Eingabe ohne Zeilenumbruch endet. Erkläre den fehlschlagenden Zweig, schlage die kleinste Änderung vor und gib die korrigierte Funktion mit drei repräsentativen Ein-/Ausgabebeispielen zurück.“ Das nützliche Ergebnis ist eine Änderung mit Bezug zum tatsächlichen Code und eine Menge von Fällen, die der Entwickler ausführen kann.
Stelle für einen geschäftlichen Entwurf die Fakten und das gewünschte Artefakt gemeinsam bereit. Eine Anfrage, Besprechungsnotizen in eine Entscheidungsvorlage umzuwandeln, sollte Entscheidung, Alternativen, ungeklärte Annahmen und nächste Handlung benennen. Bitte das Modell, Quellenfakten von Empfehlungen getrennt zu halten und fehlende Informationen im passenden Abschnitt zu kennzeichnen. Dies erleichtert die Überarbeitung der Ausgabe gegenüber einer undifferenzierten Erzählung.
Werkzeuge und strukturierte Ergebnisse
Native Funktionsaufrufe ermöglichen dem Modell, eine bereitgestellte Funktion auszuwählen und ihre Argumente vorzubereiten. Die Anwendung führt diese Funktion aus und gibt ihr Ergebnis zurück; das Modell verwendet die zurückgegebenen Informationen anschließend in der Antwort. Halte Werkzeuge spezifisch und stelle nur die für die Aufgabe nötigen bereit. Ein Assistent zur Bestandsprüfung kann eine Produktreferenz erhalten, eine Bestandsabfrage anfordern und die zurückgegebene Menge samt Lager erklären. Validiere die gewählte Funktion und ihre Argumente vor der Ausführung der Anfrage und bewahre die Werkzeugantwort neben der endgültigen Antwort.
Gib für eine Extraktion die Felder, Typen und den Umgang mit fehlenden Werten vor. Mistral dokumentiert JSON-Modus und benutzerdefinierte strukturierte Ausgabe; sein JSON-Modus verlangt eine ausdrückliche Anweisung, JSON zurückzugeben, während ein benutzerdefiniertes Schema stärkere Formatkontrolle liefert. Eine Rechnungszusammenfassung kann Lieferant, Rechnungsnummer, Fälligkeitsdatum, Währung und Rechnungspositionen anfordern, mit einheitlicher Darstellung fehlender Werte. Prüfe die extrahierten Werte anhand des Dokuments, auch wenn die Antwort der gewünschten Struktur entspricht.
Einstellungen und Unterschiede zwischen Ausgaben
Definiere Rolle, Aufgabe und Werkzeugregeln in den Systemanweisungen. Mistral empfiehlt für produktive und alltägliche Nutzung dieses Checkpoints eine Temperatur unter 0,1; höhere Werte können für kreative Aufgaben erprobt werden. Trenne eine Anfrage nach vielfältigen Ideen von einer Anfrage nach reproduzierbarer Extraktion: Gib der ersten Raum für Alternativen und der zweiten ausdrückliche Felder und Quellenbedingungen.
Diese Anweisungsausgabe ist vom Basischeckpoint Large 3 und von speziellen Reasoning-Modellen getrennt. Der Hersteller nennt strenges Schlussfolgern und spezialisierte visuelle Arbeit als Bereiche, in denen ein eigens dafür entworfenes Modell vorzuziehen sein kann. Stelle für eine schwierige Berechnung Annahmen und Einheiten bereit, fordere Zwischenprüfungen an und nutze ein verfügbares Berechnungswerkzeug zur Verifikation des Ergebnisses. Bereite bei dichten visuellen Belegen lesbare Bereiche vor und vergleiche die Antwort mit der Quelle, bevor du sie in einem Bericht verwendest.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-2512 | 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 $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0066 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0066 / 1K Token Eingabe · Cache-Lesen $0.0001 / 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": "mistralai/mistral-large-2512", "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-large-2512',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-large-2512',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-large-2512
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-large-2512Mistral Large 3 2512 ist ein mehrsprachiges Text- und Bildmodell für lange Dokumente, Unternehmenswissen, Programmierung und werkzeuggestützte Arbeit. Sein Kontext von 256k, native Funktionsaufrufe und strukturierte Ausgaben helfen, bereitgestellte Belege in Antworten, Datensätze und vorgeschlagene Handlungen umzusetzen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large 3 2512 ist die auf Anweisungen abgestimmte Ausgabe von Mistral AI für allgemeine Dialoge, visuelles Verständnis und Unternehmensarbeit. Ihre dünn besetzte Mixture-of-Experts-Architektur hat insgesamt 675 Milliarden Parameter, davon 41 Milliarden aktive, und ein Kontextfenster von 256k. Text und Bilder können zur selben Aufgabe beitragen, während die Antwort als Text, Code oder strukturiertes Ergebnis vorliegt.
Fähigkeiten und Eingabevorbereitung
Das Modell verbindet eine Sprachkomponente mit einem Bildencoder. Gib einem Bild eine klare Rolle: eine zu lesende Seite, ein zu interpretierendes Diagramm oder eine zu erklärende Bildschirmansicht. Stelle bei einer überladenen Ansicht einen Ausschnitt mit den relevanten Bedienelementen bereit und bewahre die umgebenden Beschriftungen, die zu ihrem Verständnis nötig sind. Mistral empfiehlt annähernd quadratische Bildformen; teile eine außergewöhnlich schmale oder breite Quelle in nützliche Bereiche auf, statt wichtige Details zu einem unlesbaren Streifen zu verkleinern.
Der Hersteller nennt mehrsprachige Dialoge in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Lege Ausgabesprache, vorgesehene Leser und zu bewahrende Terminologie fest. Fordere für einen Supportartikel eine lokalisierte Erklärung mit unveränderten Produktnamen und eine kurze Liste unsicherer Übersetzungen an, die vor der Veröffentlichung geklärt werden müssen.
Lange Dokumente und Unternehmenswissen
Nutze den Kontext, um zusammengehöriges Material zusammenzuführen: Richtlinientext, eine Spezifikation, bestehende Entscheidungen und die Frage, die eine Antwort benötigt. Kennzeichne jede Quelle und ihre Revision. Eine nützliche Anfrage lautet: „Vergleiche diese drei Onboarding-Richtlinien. Gib eine Tabelle mit gemeinsamen Anforderungen, Konflikten und unbeantworteten Fragen zurück, jeweils mit dem Quellabschnitt zum Befund.“ Das entstehende Artefakt ist ein in den bereitgestellten Passagen verankerter Vergleich statt einer allgemeinen Zusammenfassung des Themas.
Benenne für eine Dokumentfrage den gewünschten Detailgrad und fordere die stützende Passage neben der Schlussfolgerung an. Mistrals Ablauf Document QnA extrahiert zunächst Text und Dokumentstruktur mittels OCR und verwendet dann ein Sprachmodell zur Interpretation dieses Materials. Bewahre beim Aufbereiten extrahierten Texts Seitenzahlen und Überschriften, damit die Antwort auf das Original verweisen kann. Eine Dokument-URL, extrahierter Text und Bildbelege haben unterschiedliche Vorbereitungsanforderungen; wähle die Eingabeform, die die verwendete Anwendung unterstützt.
Programmierung und Alltagshilfe
Mistral positioniert Large 3 sowohl für Programmierunterstützung als auch für Alltagsdialoge. Stelle die relevanten Funktionen, das erwartete Verhalten und den beobachteten Fehler bereit. Beispielsweise: „Dieser Parser verwirft das letzte Feld, wenn die Eingabe ohne Zeilenumbruch endet. Erkläre den fehlschlagenden Zweig, schlage die kleinste Änderung vor und gib die korrigierte Funktion mit drei repräsentativen Ein-/Ausgabebeispielen zurück.“ Das nützliche Ergebnis ist eine Änderung mit Bezug zum tatsächlichen Code und eine Menge von Fällen, die der Entwickler ausführen kann.
Stelle für einen geschäftlichen Entwurf die Fakten und das gewünschte Artefakt gemeinsam bereit. Eine Anfrage, Besprechungsnotizen in eine Entscheidungsvorlage umzuwandeln, sollte Entscheidung, Alternativen, ungeklärte Annahmen und nächste Handlung benennen. Bitte das Modell, Quellenfakten von Empfehlungen getrennt zu halten und fehlende Informationen im passenden Abschnitt zu kennzeichnen. Dies erleichtert die Überarbeitung der Ausgabe gegenüber einer undifferenzierten Erzählung.
Werkzeuge und strukturierte Ergebnisse
Native Funktionsaufrufe ermöglichen dem Modell, eine bereitgestellte Funktion auszuwählen und ihre Argumente vorzubereiten. Die Anwendung führt diese Funktion aus und gibt ihr Ergebnis zurück; das Modell verwendet die zurückgegebenen Informationen anschließend in der Antwort. Halte Werkzeuge spezifisch und stelle nur die für die Aufgabe nötigen bereit. Ein Assistent zur Bestandsprüfung kann eine Produktreferenz erhalten, eine Bestandsabfrage anfordern und die zurückgegebene Menge samt Lager erklären. Validiere die gewählte Funktion und ihre Argumente vor der Ausführung der Anfrage und bewahre die Werkzeugantwort neben der endgültigen Antwort.
Gib für eine Extraktion die Felder, Typen und den Umgang mit fehlenden Werten vor. Mistral dokumentiert JSON-Modus und benutzerdefinierte strukturierte Ausgabe; sein JSON-Modus verlangt eine ausdrückliche Anweisung, JSON zurückzugeben, während ein benutzerdefiniertes Schema stärkere Formatkontrolle liefert. Eine Rechnungszusammenfassung kann Lieferant, Rechnungsnummer, Fälligkeitsdatum, Währung und Rechnungspositionen anfordern, mit einheitlicher Darstellung fehlender Werte. Prüfe die extrahierten Werte anhand des Dokuments, auch wenn die Antwort der gewünschten Struktur entspricht.
Einstellungen und Unterschiede zwischen Ausgaben
Definiere Rolle, Aufgabe und Werkzeugregeln in den Systemanweisungen. Mistral empfiehlt für produktive und alltägliche Nutzung dieses Checkpoints eine Temperatur unter 0,1; höhere Werte können für kreative Aufgaben erprobt werden. Trenne eine Anfrage nach vielfältigen Ideen von einer Anfrage nach reproduzierbarer Extraktion: Gib der ersten Raum für Alternativen und der zweiten ausdrückliche Felder und Quellenbedingungen.
Diese Anweisungsausgabe ist vom Basischeckpoint Large 3 und von speziellen Reasoning-Modellen getrennt. Der Hersteller nennt strenges Schlussfolgern und spezialisierte visuelle Arbeit als Bereiche, in denen ein eigens dafür entworfenes Modell vorzuziehen sein kann. Stelle für eine schwierige Berechnung Annahmen und Einheiten bereit, fordere Zwischenprüfungen an und nutze ein verfügbares Berechnungswerkzeug zur Verifikation des Ergebnisses. Bereite bei dichten visuellen Belegen lesbare Bereiche vor und vergleiche die Antwort mit der Quelle, bevor du sie in einem Bericht verwendest.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large-2512 | 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 $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0066 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0022 / 1K Token Ausgabe · Ausgabetoken $0.0066 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-large-2512', '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-large-2512', '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-large-2512
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.