Mistral Large ist die multimodale Allzweckfamilie von Mistral AI für komplexe Dokumentarbeit, Softwareentwicklung und Agentenaufgaben. Large 4 verbindet Anweisungsbefolgung, Schlussfolgern und Werkzeugeinsatz mit nativem visuellem Verständnis. Seine granulare Mixture-of-Experts-Architektur hat insgesamt 1,05 Billionen Parameter und 52 Milliarden aktive Parameter sowie einen Bildencoder mit 1,6 Milliarden Parametern. Das Kontextfenster von Large 4 umfasst 1M Tokens. Large 3 ist eine separate Ausgabe mit insgesamt 675 Milliarden Parametern, 41 Milliarden aktiven Parametern und einem Kontextfenster von 256K.
Das Modell arbeitet mit schriftlichen Aufgaben und visuellem Material, um Text, Code oder strukturierte Ergebnisse zu erzeugen. Im Reasoning-Ablauf von Large 4 gibt eine Einstellung mit minimalem Aufwand die Antwort direkt zurück, während hoher Aufwand einen Reasoning-Abschnitt vor der endgültigen Antwort umfasst. Vollständige Assistentennachrichten bewahren die Kontinuität über weitere Gesprächsschritte. Strukturierte Ausgaben können JSON oder ein benutzerdefiniertes Schema verwenden, und die Anwendung kann ein Präfix für einen kontrollierten Antwortanfang bereitstellen.
Funktionsaufrufe verbinden eine analytische Aufgabe mit externen Informationen und Handlungen. Stelle die Funktionsbeschreibungen, Eingabefelder und das Nutzerziel bereit. Das Modell wählt eine Funktion und bereitet Argumente vor; die Anwendung führt sie aus, gibt das Ergebnis zurück und setzt den Dialog fort. Der Ablauf kann aufeinanderfolgende Aufrufe oder mehrere parallele Aufrufe umfassen. Fragen zu Dokumenten verbinden Dokumentextraktion mit Sprachverständnis, während Stapelverarbeitung Sammlungen von Anfragen asynchron bearbeitet. Werkzeugverfügbarkeit und -ausführung werden von der Anwendung um das Modell herum bereitgestellt.
Die Fähigkeitsbereiche von Large 4 beginnen mit Sicherheitsanalysen: Der Hersteller beschreibt die Ersteinschätzung von Schadsoftware, die Priorisierung von Schwachstellen und das Vorbereiten von Erkennungsregeln für defensive Arbeit. Bei agentengestützter Programmierung liegt der Schwerpunkt auf Repository-Verständnis, Softwareänderungen und komplexen Terminalabläufen. Ein nützlicher Programmierauftrag benennt das betroffene Verhalten, die beteiligten Dateien und Abhängigkeiten sowie die Prüfungen, die ein korrektes Ergebnis belegen werden.
Für allgemeine Agentenabläufe kann das Modell Material sammeln, verbundene Werkzeuge nutzen und Arbeitsergebnisse wie Dokumente, Tabellen und Folieninhalte zusammenstellen. Seine multimodale Arbeit umfasst Diagramme, komplexe Seiten, natürliche Szenen und technische Zeichnungen. Visuelle Verankerung verbindet eine Frage mit einem Objekt oder Bereich; eine technische Aufgabe kann die bereitgestellte Zeichnung untersuchen, sichtbare Teile vergleichen und eine auf die Belege bezogene Erklärung zurückgeben. Fordere bei Dokumentanalysen die konkrete Seite, Tabelle oder Passage an, die jede Schlussfolgerung stützt.
Wissenschaftliche und mathematische Anwendungen umfassen Datenanalyse, Modellierung, Simulationscode und umfangreiche Aufgaben der angewandten Mathematik. Wissensarbeit umfasst das Bearbeiten von Dokumenten und Tabellen sowie Informationsvergleiche aus mehreren Quellen. Eine Aufgabe mit der Ailoot API kann eine bearbeitbare Berichtsgliederung, eine strukturierte Sammlung von Befunden oder Code vorgeben, den die Anwendung ausführen und verifizieren soll. Dies sind unterschiedliche Ausgaben: Eine Erklärung beantwortet eine Frage, ein strukturiertes Ergebnis gibt Daten weiter, und ein werkzeuggestützter Ablauf verwendet die Anwendung, um das endgültige Artefakt zu erstellen oder zu aktualisieren.
Das Training von Large 4 umfasst mehrsprachiges Material in mehr als 160 Sprachen, darunter alle Amtssprachen der Europäischen Union. Sein Post-Training verbindet überwachtes Fine-Tuning mit Reinforcement Learning in den Bereichen Schlussfolgern, wissenschaftliche Arbeit, Werkzeugeinsatz, Faktentreue und Sicherheitsausrichtung. Die Sicherheitsarbeit adressiert indirekte Prompt Injection und schädliche Cybersicherheitsanfragen. Die Familienauswahl bleibt eine aktualisierte Modelllinie: Die oben genannten numerischen Architekturen, Kontextfenster und Reasoning-Verhaltensweisen gehören zu den ausdrücklich benannten Ausgaben, die bei der Wahl einer festen Version getrennt bleiben.
", "aboutText": "Mistral Large ist die multimodale Allzweckfamilie von Mistral AI für komplexe Dokumentarbeit, Softwareentwicklung und Agentenaufgaben. Large 4 verbindet Anweisungsbefolgung, Schlussfolgern und Werkzeugeinsatz mit nativem visuellem Verständnis. Seine granulare Mixture-of-Experts-Architektur hat insgesamt 1,05 Billionen Parameter und 52 Milliarden aktive Parameter sowie einen Bildencoder mit 1,6 Milliarden Parametern. Das Kontextfenster von Large 4 umfasst 1M Tokens. Large 3 ist eine separate Ausgabe mit insgesamt 675 Milliarden Parametern, 41 Milliarden aktiven Parametern und einem Kontextfenster von 256K.\n\nDas Modell arbeitet mit schriftlichen Aufgaben und visuellem Material, um Text, Code oder strukturierte Ergebnisse zu erzeugen. Im Reasoning-Ablauf von Large 4 gibt eine Einstellung mit minimalem Aufwand die Antwort direkt zurück, während hoher Aufwand einen Reasoning-Abschnitt vor der endgültigen Antwort umfasst. Vollständige Assistentennachrichten bewahren die Kontinuität über weitere Gesprächsschritte. Strukturierte Ausgaben können JSON oder ein benutzerdefiniertes Schema verwenden, und die Anwendung kann ein Präfix für einen kontrollierten Antwortanfang bereitstellen.\n\nFunktionsaufrufe verbinden eine analytische Aufgabe mit externen Informationen und Handlungen. Stelle die Funktionsbeschreibungen, Eingabefelder und das Nutzerziel bereit. Das Modell wählt eine Funktion und bereitet Argumente vor; die Anwendung führt sie aus, gibt das Ergebnis zurück und setzt den Dialog fort. Der Ablauf kann aufeinanderfolgende Aufrufe oder mehrere parallele Aufrufe umfassen. Fragen zu Dokumenten verbinden Dokumentextraktion mit Sprachverständnis, während Stapelverarbeitung Sammlungen von Anfragen asynchron bearbeitet. Werkzeugverfügbarkeit und -ausführung werden von der Anwendung um das Modell herum bereitgestellt.\n\nDie Fähigkeitsbereiche von Large 4 beginnen mit Sicherheitsanalysen: Der Hersteller beschreibt die Ersteinschätzung von Schadsoftware, die Priorisierung von Schwachstellen und das Vorbereiten von Erkennungsregeln für defensive Arbeit. Bei agentengestützter Programmierung liegt der Schwerpunkt auf Repository-Verständnis, Softwareänderungen und komplexen Terminalabläufen. Ein nützlicher Programmierauftrag benennt das betroffene Verhalten, die beteiligten Dateien und Abhängigkeiten sowie die Prüfungen, die ein korrektes Ergebnis belegen werden.\n\nFür allgemeine Agentenabläufe kann das Modell Material sammeln, verbundene Werkzeuge nutzen und Arbeitsergebnisse wie Dokumente, Tabellen und Folieninhalte zusammenstellen. Seine multimodale Arbeit umfasst Diagramme, komplexe Seiten, natürliche Szenen und technische Zeichnungen. Visuelle Verankerung verbindet eine Frage mit einem Objekt oder Bereich; eine technische Aufgabe kann die bereitgestellte Zeichnung untersuchen, sichtbare Teile vergleichen und eine auf die Belege bezogene Erklärung zurückgeben. Fordere bei Dokumentanalysen die konkrete Seite, Tabelle oder Passage an, die jede Schlussfolgerung stützt.\n\nWissenschaftliche und mathematische Anwendungen umfassen Datenanalyse, Modellierung, Simulationscode und umfangreiche Aufgaben der angewandten Mathematik. Wissensarbeit umfasst das Bearbeiten von Dokumenten und Tabellen sowie Informationsvergleiche aus mehreren Quellen. Eine Aufgabe mit der Ailoot API kann eine bearbeitbare Berichtsgliederung, eine strukturierte Sammlung von Befunden oder Code vorgeben, den die Anwendung ausführen und verifizieren soll. Dies sind unterschiedliche Ausgaben: Eine Erklärung beantwortet eine Frage, ein strukturiertes Ergebnis gibt Daten weiter, und ein werkzeuggestützter Ablauf verwendet die Anwendung, um das endgültige Artefakt zu erstellen oder zu aktualisieren.\n\nDas Training von Large 4 umfasst mehrsprachiges Material in mehr als 160 Sprachen, darunter alle Amtssprachen der Europäischen Union. Sein Post-Training verbindet überwachtes Fine-Tuning mit Reinforcement Learning in den Bereichen Schlussfolgern, wissenschaftliche Arbeit, Werkzeugeinsatz, Faktentreue und Sicherheitsausrichtung. Die Sicherheitsarbeit adressiert indirekte Prompt Injection und schädliche Cybersicherheitsanfragen. Die Familienauswahl bleibt eine aktualisierte Modelllinie: Die oben genannten numerischen Architekturen, Kontextfenster und Reasoning-Verhaltensweisen gehören zu den ausdrücklich benannten Ausgaben, die bei der Wahl einer festen Version getrennt bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.mistralai/mistral-largeDie Large-Familie von Mistral AI verbindet Dokument- und Bildverständnis mit Schlussfolgern, Programmierung und werkzeuggestützten Abläufen. Veröffentlichte Large-Ausgaben unterstützen strukturierte Antworten und Arbeit mit langem Kontext; Architektur und Kontextgröße sind an jede benannte Version gebunden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large ist die multimodale Allzweckfamilie von Mistral AI für komplexe Dokumentarbeit, Softwareentwicklung und Agentenaufgaben. Large 4 verbindet Anweisungsbefolgung, Schlussfolgern und Werkzeugeinsatz mit nativem visuellem Verständnis. Seine granulare Mixture-of-Experts-Architektur hat insgesamt 1,05 Billionen Parameter und 52 Milliarden aktive Parameter sowie einen Bildencoder mit 1,6 Milliarden Parametern. Das Kontextfenster von Large 4 umfasst 1M Tokens. Large 3 ist eine separate Ausgabe mit insgesamt 675 Milliarden Parametern, 41 Milliarden aktiven Parametern und einem Kontextfenster von 256K.
Das Modell arbeitet mit schriftlichen Aufgaben und visuellem Material, um Text, Code oder strukturierte Ergebnisse zu erzeugen. Im Reasoning-Ablauf von Large 4 gibt eine Einstellung mit minimalem Aufwand die Antwort direkt zurück, während hoher Aufwand einen Reasoning-Abschnitt vor der endgültigen Antwort umfasst. Vollständige Assistentennachrichten bewahren die Kontinuität über weitere Gesprächsschritte. Strukturierte Ausgaben können JSON oder ein benutzerdefiniertes Schema verwenden, und die Anwendung kann ein Präfix für einen kontrollierten Antwortanfang bereitstellen.
Funktionsaufrufe verbinden eine analytische Aufgabe mit externen Informationen und Handlungen. Stelle die Funktionsbeschreibungen, Eingabefelder und das Nutzerziel bereit. Das Modell wählt eine Funktion und bereitet Argumente vor; die Anwendung führt sie aus, gibt das Ergebnis zurück und setzt den Dialog fort. Der Ablauf kann aufeinanderfolgende Aufrufe oder mehrere parallele Aufrufe umfassen. Fragen zu Dokumenten verbinden Dokumentextraktion mit Sprachverständnis, während Stapelverarbeitung Sammlungen von Anfragen asynchron bearbeitet. Werkzeugverfügbarkeit und -ausführung werden von der Anwendung um das Modell herum bereitgestellt.
Die Fähigkeitsbereiche von Large 4 beginnen mit Sicherheitsanalysen: Der Hersteller beschreibt die Ersteinschätzung von Schadsoftware, die Priorisierung von Schwachstellen und das Vorbereiten von Erkennungsregeln für defensive Arbeit. Bei agentengestützter Programmierung liegt der Schwerpunkt auf Repository-Verständnis, Softwareänderungen und komplexen Terminalabläufen. Ein nützlicher Programmierauftrag benennt das betroffene Verhalten, die beteiligten Dateien und Abhängigkeiten sowie die Prüfungen, die ein korrektes Ergebnis belegen werden.
Für allgemeine Agentenabläufe kann das Modell Material sammeln, verbundene Werkzeuge nutzen und Arbeitsergebnisse wie Dokumente, Tabellen und Folieninhalte zusammenstellen. Seine multimodale Arbeit umfasst Diagramme, komplexe Seiten, natürliche Szenen und technische Zeichnungen. Visuelle Verankerung verbindet eine Frage mit einem Objekt oder Bereich; eine technische Aufgabe kann die bereitgestellte Zeichnung untersuchen, sichtbare Teile vergleichen und eine auf die Belege bezogene Erklärung zurückgeben. Fordere bei Dokumentanalysen die konkrete Seite, Tabelle oder Passage an, die jede Schlussfolgerung stützt.
Wissenschaftliche und mathematische Anwendungen umfassen Datenanalyse, Modellierung, Simulationscode und umfangreiche Aufgaben der angewandten Mathematik. Wissensarbeit umfasst das Bearbeiten von Dokumenten und Tabellen sowie Informationsvergleiche aus mehreren Quellen. Eine Aufgabe mit der Ailoot API kann eine bearbeitbare Berichtsgliederung, eine strukturierte Sammlung von Befunden oder Code vorgeben, den die Anwendung ausführen und verifizieren soll. Dies sind unterschiedliche Ausgaben: Eine Erklärung beantwortet eine Frage, ein strukturiertes Ergebnis gibt Daten weiter, und ein werkzeuggestützter Ablauf verwendet die Anwendung, um das endgültige Artefakt zu erstellen oder zu aktualisieren.
Das Training von Large 4 umfasst mehrsprachiges Material in mehr als 160 Sprachen, darunter alle Amtssprachen der Europäischen Union. Sein Post-Training verbindet überwachtes Fine-Tuning mit Reinforcement Learning in den Bereichen Schlussfolgern, wissenschaftliche Arbeit, Werkzeugeinsatz, Faktentreue und Sicherheitsausrichtung. Die Sicherheitsarbeit adressiert indirekte Prompt Injection und schädliche Cybersicherheitsanfragen. Die Familienauswahl bleibt eine aktualisierte Modelllinie: Die oben genannten numerischen Architekturen, Kontextfenster und Reasoning-Verhaltensweisen gehören zu den ausdrücklich benannten Ausgaben, die bei der Wahl einer festen Version getrennt bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large | 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 $0.004 / 1K Token Ausgabe · Ausgabetoken $0.012 / 1K Token Eingabe · Cache-Lesen $0.0004 / 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 $0.004 / 1K Token Ausgabe · Ausgabetoken $0.012 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large", "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',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',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
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-largeDie Large-Familie von Mistral AI verbindet Dokument- und Bildverständnis mit Schlussfolgern, Programmierung und werkzeuggestützten Abläufen. Veröffentlichte Large-Ausgaben unterstützen strukturierte Antworten und Arbeit mit langem Kontext; Architektur und Kontextgröße sind an jede benannte Version gebunden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Large ist die multimodale Allzweckfamilie von Mistral AI für komplexe Dokumentarbeit, Softwareentwicklung und Agentenaufgaben. Large 4 verbindet Anweisungsbefolgung, Schlussfolgern und Werkzeugeinsatz mit nativem visuellem Verständnis. Seine granulare Mixture-of-Experts-Architektur hat insgesamt 1,05 Billionen Parameter und 52 Milliarden aktive Parameter sowie einen Bildencoder mit 1,6 Milliarden Parametern. Das Kontextfenster von Large 4 umfasst 1M Tokens. Large 3 ist eine separate Ausgabe mit insgesamt 675 Milliarden Parametern, 41 Milliarden aktiven Parametern und einem Kontextfenster von 256K.
Das Modell arbeitet mit schriftlichen Aufgaben und visuellem Material, um Text, Code oder strukturierte Ergebnisse zu erzeugen. Im Reasoning-Ablauf von Large 4 gibt eine Einstellung mit minimalem Aufwand die Antwort direkt zurück, während hoher Aufwand einen Reasoning-Abschnitt vor der endgültigen Antwort umfasst. Vollständige Assistentennachrichten bewahren die Kontinuität über weitere Gesprächsschritte. Strukturierte Ausgaben können JSON oder ein benutzerdefiniertes Schema verwenden, und die Anwendung kann ein Präfix für einen kontrollierten Antwortanfang bereitstellen.
Funktionsaufrufe verbinden eine analytische Aufgabe mit externen Informationen und Handlungen. Stelle die Funktionsbeschreibungen, Eingabefelder und das Nutzerziel bereit. Das Modell wählt eine Funktion und bereitet Argumente vor; die Anwendung führt sie aus, gibt das Ergebnis zurück und setzt den Dialog fort. Der Ablauf kann aufeinanderfolgende Aufrufe oder mehrere parallele Aufrufe umfassen. Fragen zu Dokumenten verbinden Dokumentextraktion mit Sprachverständnis, während Stapelverarbeitung Sammlungen von Anfragen asynchron bearbeitet. Werkzeugverfügbarkeit und -ausführung werden von der Anwendung um das Modell herum bereitgestellt.
Die Fähigkeitsbereiche von Large 4 beginnen mit Sicherheitsanalysen: Der Hersteller beschreibt die Ersteinschätzung von Schadsoftware, die Priorisierung von Schwachstellen und das Vorbereiten von Erkennungsregeln für defensive Arbeit. Bei agentengestützter Programmierung liegt der Schwerpunkt auf Repository-Verständnis, Softwareänderungen und komplexen Terminalabläufen. Ein nützlicher Programmierauftrag benennt das betroffene Verhalten, die beteiligten Dateien und Abhängigkeiten sowie die Prüfungen, die ein korrektes Ergebnis belegen werden.
Für allgemeine Agentenabläufe kann das Modell Material sammeln, verbundene Werkzeuge nutzen und Arbeitsergebnisse wie Dokumente, Tabellen und Folieninhalte zusammenstellen. Seine multimodale Arbeit umfasst Diagramme, komplexe Seiten, natürliche Szenen und technische Zeichnungen. Visuelle Verankerung verbindet eine Frage mit einem Objekt oder Bereich; eine technische Aufgabe kann die bereitgestellte Zeichnung untersuchen, sichtbare Teile vergleichen und eine auf die Belege bezogene Erklärung zurückgeben. Fordere bei Dokumentanalysen die konkrete Seite, Tabelle oder Passage an, die jede Schlussfolgerung stützt.
Wissenschaftliche und mathematische Anwendungen umfassen Datenanalyse, Modellierung, Simulationscode und umfangreiche Aufgaben der angewandten Mathematik. Wissensarbeit umfasst das Bearbeiten von Dokumenten und Tabellen sowie Informationsvergleiche aus mehreren Quellen. Eine Aufgabe mit der Ailoot API kann eine bearbeitbare Berichtsgliederung, eine strukturierte Sammlung von Befunden oder Code vorgeben, den die Anwendung ausführen und verifizieren soll. Dies sind unterschiedliche Ausgaben: Eine Erklärung beantwortet eine Frage, ein strukturiertes Ergebnis gibt Daten weiter, und ein werkzeuggestützter Ablauf verwendet die Anwendung, um das endgültige Artefakt zu erstellen oder zu aktualisieren.
Das Training von Large 4 umfasst mehrsprachiges Material in mehr als 160 Sprachen, darunter alle Amtssprachen der Europäischen Union. Sein Post-Training verbindet überwachtes Fine-Tuning mit Reinforcement Learning in den Bereichen Schlussfolgern, wissenschaftliche Arbeit, Werkzeugeinsatz, Faktentreue und Sicherheitsausrichtung. Die Sicherheitsarbeit adressiert indirekte Prompt Injection und schädliche Cybersicherheitsanfragen. Die Familienauswahl bleibt eine aktualisierte Modelllinie: Die oben genannten numerischen Architekturen, Kontextfenster und Reasoning-Verhaltensweisen gehören zu den ausdrücklich benannten Ausgaben, die bei der Wahl einer festen Version getrennt bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-large | 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 $0.004 / 1K Token Ausgabe · Ausgabetoken $0.012 / 1K Token Eingabe · Cache-Lesen $0.0004 / 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 $0.004 / 1K Token Ausgabe · Ausgabetoken $0.012 / 1K Token Eingabe · Cache-Lesen $0.0004 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-large",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.