Mistral Medium 3 ist das multimodale Modell von Mistral AI für professionelle Arbeit mit Text, visuellem Verständnis und Code. Die ursprüngliche Veröffentlichung hebt Programmier- und MINT-Aufgaben sowie die Anpassung an Unternehmenswissen und -abläufe hervor. Es verarbeitet schriftliches und visuelles Material und erzeugt Text, darunter eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellenmaterial
Die Modellseite nennt ein Kontextfenster von 128k. Nutze diesen Kontext, um die Quellpassagen, den Dialog und die Anweisungen zu bewahren, die das gewünschte Artefakt bestimmen. Benenne für einen Dokumentvergleich, welche Quelle die aktuelle Anforderung darstellt, welche die vorgeschlagene Überarbeitung und welche Frage geklärt werden soll. Fordere das stützende Dokument und den Abschnitt neben jedem Befund an.
Eine praktische Erklärungsaufgabe kann ein Verfahren und eine Nutzerfrage bereitstellen und anschließend nach der relevanten Handlung und der Bedingung fragen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium enthalten. Das Ziel ist ein Ergebnis mit Bezug zum bereitgestellten Material statt einer allgemeinen Beschreibung des Themas.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definiere für eine Extraktion die Feldnamen, Typen und die Darstellung fehlender Quelleninformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und offene Frage trennen. Mistrals gemeinsame Anleitung unterscheidet den JSON-Modus von einem benutzerdefinierten Schema und verlangt eine ausdrückliche Aufforderung zum gewünschten JSON-Format.
Funktionsaufrufe verbinden die Interpretation des Modells mit Operationen, die die Anwendung beschreibt. Das Modell wählt eine Funktion und bereitet Argumente vor, die Anwendung führt die Funktion aus und ihr Ergebnis wird zum Kontext für die nächste Antwort. Eine Abfrage kann einen fehlenden Referenzwert liefern; eine Berechnung kann ein Ergebnis liefern, das für die Erklärung benötigt wird. Bewahre das Ergebnis zusammen mit der Operation, die es erzeugt hat, statt den vorgeschlagenen Aufruf als ausgeführte Handlung zu behandeln.
Fragen zu Dokumenten und Bildern
Fragen zu Dokumenten werden für diese Ausgabe ebenfalls genannt. Der dokumentierte Ablauf des Herstellers bereitet Text, Struktur und Formatierung eines Dokuments mittels OCR vor der Sprachmodellanalyse auf. Frage nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahre bei mehreren Dokumenten deren Identitäten und fordere einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung an.
Kombiniere visuelles Material mit einer definierten Frage und bewahre die Bezeichnungen, Einheiten und Bereiche, die zu ihrer Beantwortung nötig sind. Bei einem Diagramm kann nach einem Vergleich benannter Datenreihen gefragt werden; bei einer schematischen Darstellung danach, welche Verbindung eine vorgegebene Anforderung stützt. Ein lesbares Dokumentbild und ein mittels OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, auch wenn beide demselben Ziel der Fragebeantwortung dienen.
Bearbeitung, Präfixe und Abläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Vorhergesagte Ausgaben nutzen bekannten Inhalt, wenn der größte Teil eines Dokuments oder einer Codedatei erhalten bleiben soll und nur ein begrenzter Teil geändert wird. Stelle den vorhandenen Inhalt bereit, spezifiere die Änderung und benenne das zu bewahrende Material. Dies unterscheidet sich davon, das Modell um ein vollständig neues Dokument zu bitten.
Ein Antwortpräfix liefert einen bekannten Anfang für den erzeugten Assistententext, der dann von diesem Anfang aus fortgesetzt wird. Stapelverarbeitung ändert die Einreichung von Aufgaben, während eine Agenten-/Dialogschnittstelle einen verbundenen Ablauf verwaltet. Die genannten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie ergänzen keine weitere Inhaltsmodalität des zugrunde liegenden Modells und führen ohne die verbundene Umgebung keine Handlung aus.
Programmierung und Domänenanpassung
Stelle für einen Programmierauftrag die Anforderung, die betroffene Funktion, relevante Deklarationen und die erwartete Ein- und Ausgabe bereit. Fordere die vorgeschlagene Änderung, ihre Annahmen und Beispiele an, die das beabsichtigte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und fragen, welcher Pfad durch den Quellcode sie erklärt. Repository-Zugriff, Codeausführung und das Anwenden der Änderung stammen aus den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt benutzerdefiniertes Post-Training und Fine-Tuning für domänenspezifische Unternehmenskontexte und Wissensbasen. Dies ist ein eigenständiger Anpassungsprozess und keine Behauptung, dass das Standardmodell die Dokumente einer bestimmten Organisation bereits kennt. Stelle für eine quellengestützte Antwort die relevanten Dokumente und die Terminologie direkt mit der Aufgabe bereit und definiere die Antwortregeln.
Grenzen der Ausgabe und des Ergebnisses
Dieser Eintrag bewahrt die Identität 2505 und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Parameterzahl und die konfigurierbaren hybriden Reasoning-Steuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die genaue Modellseite veröffentlicht weder eine Parameterzahl noch eine separate harte maximale Antwortlänge, die aus einer späteren Veröffentlichung übernommen werden könnte.
Bereite das beabsichtigte Ergebnis vor der Anfrage vor: eine Erklärung, strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halte schriftliche und visuelle Belege, Quellenidentitäten und Ergebnisse verbundener Werkzeuge ausdrücklich fest, damit sich die Antwort prüfen und im nächsten Anwendungsschritt verwenden lässt.
", "aboutText": "Mistral Medium 3 ist das multimodale Modell von Mistral AI für professionelle Arbeit mit Text, visuellem Verständnis und Code. Die ursprüngliche Veröffentlichung hebt Programmier- und MINT-Aufgaben sowie die Anpassung an Unternehmenswissen und -abläufe hervor. Es verarbeitet schriftliches und visuelles Material und erzeugt Text, darunter eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.\n\nKontext und professionelles Quellenmaterial\n\nDie Modellseite nennt ein Kontextfenster von 128k. Nutze diesen Kontext, um die Quellpassagen, den Dialog und die Anweisungen zu bewahren, die das gewünschte Artefakt bestimmen. Benenne für einen Dokumentvergleich, welche Quelle die aktuelle Anforderung darstellt, welche die vorgeschlagene Überarbeitung und welche Frage geklärt werden soll. Fordere das stützende Dokument und den Abschnitt neben jedem Befund an.\n\nEine praktische Erklärungsaufgabe kann ein Verfahren und eine Nutzerfrage bereitstellen und anschließend nach der relevanten Handlung und der Bedingung fragen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium enthalten. Das Ziel ist ein Ergebnis mit Bezug zum bereitgestellten Material statt einer allgemeinen Beschreibung des Themas.\n\nStrukturierte Ausgaben und Funktionen\n\nDie Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definiere für eine Extraktion die Feldnamen, Typen und die Darstellung fehlender Quelleninformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und offene Frage trennen. Mistrals gemeinsame Anleitung unterscheidet den JSON-Modus von einem benutzerdefinierten Schema und verlangt eine ausdrückliche Aufforderung zum gewünschten JSON-Format.\n\nFunktionsaufrufe verbinden die Interpretation des Modells mit Operationen, die die Anwendung beschreibt. Das Modell wählt eine Funktion und bereitet Argumente vor, die Anwendung führt die Funktion aus und ihr Ergebnis wird zum Kontext für die nächste Antwort. Eine Abfrage kann einen fehlenden Referenzwert liefern; eine Berechnung kann ein Ergebnis liefern, das für die Erklärung benötigt wird. Bewahre das Ergebnis zusammen mit der Operation, die es erzeugt hat, statt den vorgeschlagenen Aufruf als ausgeführte Handlung zu behandeln.\n\nFragen zu Dokumenten und Bildern\n\nFragen zu Dokumenten werden für diese Ausgabe ebenfalls genannt. Der dokumentierte Ablauf des Herstellers bereitet Text, Struktur und Formatierung eines Dokuments mittels OCR vor der Sprachmodellanalyse auf. Frage nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahre bei mehreren Dokumenten deren Identitäten und fordere einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung an.\n\nKombiniere visuelles Material mit einer definierten Frage und bewahre die Bezeichnungen, Einheiten und Bereiche, die zu ihrer Beantwortung nötig sind. Bei einem Diagramm kann nach einem Vergleich benannter Datenreihen gefragt werden; bei einer schematischen Darstellung danach, welche Verbindung eine vorgegebene Anforderung stützt. Ein lesbares Dokumentbild und ein mittels OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, auch wenn beide demselben Ziel der Fragebeantwortung dienen.\n\nBearbeitung, Präfixe und Abläufe\n\nDie Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Vorhergesagte Ausgaben nutzen bekannten Inhalt, wenn der größte Teil eines Dokuments oder einer Codedatei erhalten bleiben soll und nur ein begrenzter Teil geändert wird. Stelle den vorhandenen Inhalt bereit, spezifiere die Änderung und benenne das zu bewahrende Material. Dies unterscheidet sich davon, das Modell um ein vollständig neues Dokument zu bitten.\n\nEin Antwortpräfix liefert einen bekannten Anfang für den erzeugten Assistententext, der dann von diesem Anfang aus fortgesetzt wird. Stapelverarbeitung ändert die Einreichung von Aufgaben, während eine Agenten-/Dialogschnittstelle einen verbundenen Ablauf verwaltet. Die genannten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie ergänzen keine weitere Inhaltsmodalität des zugrunde liegenden Modells und führen ohne die verbundene Umgebung keine Handlung aus.\n\nProgrammierung und Domänenanpassung\n\nStelle für einen Programmierauftrag die Anforderung, die betroffene Funktion, relevante Deklarationen und die erwartete Ein- und Ausgabe bereit. Fordere die vorgeschlagene Änderung, ihre Annahmen und Beispiele an, die das beabsichtigte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und fragen, welcher Pfad durch den Quellcode sie erklärt. Repository-Zugriff, Codeausführung und das Anwenden der Änderung stammen aus den umgebenden Entwicklungswerkzeugen.\n\nDie ursprüngliche Ankündigung beschreibt benutzerdefiniertes Post-Training und Fine-Tuning für domänenspezifische Unternehmenskontexte und Wissensbasen. Dies ist ein eigenständiger Anpassungsprozess und keine Behauptung, dass das Standardmodell die Dokumente einer bestimmten Organisation bereits kennt. Stelle für eine quellengestützte Antwort die relevanten Dokumente und die Terminologie direkt mit der Aufgabe bereit und definiere die Antwortregeln.\n\nGrenzen der Ausgabe und des Ergebnisses\n\nDieser Eintrag bewahrt die Identität 2505 und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Parameterzahl und die konfigurierbaren hybriden Reasoning-Steuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die genaue Modellseite veröffentlicht weder eine Parameterzahl noch eine separate harte maximale Antwortlänge, die aus einer späteren Veröffentlichung übernommen werden könnte.\n\nBereite das beabsichtigte Ergebnis vor der Anfrage vor: eine Erklärung, strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halte schriftliche und visuelle Belege, Quellenidentitäten und Ergebnisse verbundener Werkzeuge ausdrücklich fest, damit sich die Antwort prüfen und im nächsten Anwendungsschritt verwenden lässt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 ist ein multimodales Modell für professionelle Text-, Bildverständnis- und Programmieraufgaben. Sein vom Hersteller angegebener Kontext von 128k und dokumentierte strukturierte Ausgaben, Funktionsaufrufe, Fragen zu Dokumenten sowie vorhersehbare Änderungen unterstützen quellengestützte Erklärungen und Anwendungsabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Medium 3 ist das multimodale Modell von Mistral AI für professionelle Arbeit mit Text, visuellem Verständnis und Code. Die ursprüngliche Veröffentlichung hebt Programmier- und MINT-Aufgaben sowie die Anpassung an Unternehmenswissen und -abläufe hervor. Es verarbeitet schriftliches und visuelles Material und erzeugt Text, darunter eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellenmaterial
Die Modellseite nennt ein Kontextfenster von 128k. Nutze diesen Kontext, um die Quellpassagen, den Dialog und die Anweisungen zu bewahren, die das gewünschte Artefakt bestimmen. Benenne für einen Dokumentvergleich, welche Quelle die aktuelle Anforderung darstellt, welche die vorgeschlagene Überarbeitung und welche Frage geklärt werden soll. Fordere das stützende Dokument und den Abschnitt neben jedem Befund an.
Eine praktische Erklärungsaufgabe kann ein Verfahren und eine Nutzerfrage bereitstellen und anschließend nach der relevanten Handlung und der Bedingung fragen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium enthalten. Das Ziel ist ein Ergebnis mit Bezug zum bereitgestellten Material statt einer allgemeinen Beschreibung des Themas.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definiere für eine Extraktion die Feldnamen, Typen und die Darstellung fehlender Quelleninformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und offene Frage trennen. Mistrals gemeinsame Anleitung unterscheidet den JSON-Modus von einem benutzerdefinierten Schema und verlangt eine ausdrückliche Aufforderung zum gewünschten JSON-Format.
Funktionsaufrufe verbinden die Interpretation des Modells mit Operationen, die die Anwendung beschreibt. Das Modell wählt eine Funktion und bereitet Argumente vor, die Anwendung führt die Funktion aus und ihr Ergebnis wird zum Kontext für die nächste Antwort. Eine Abfrage kann einen fehlenden Referenzwert liefern; eine Berechnung kann ein Ergebnis liefern, das für die Erklärung benötigt wird. Bewahre das Ergebnis zusammen mit der Operation, die es erzeugt hat, statt den vorgeschlagenen Aufruf als ausgeführte Handlung zu behandeln.
Fragen zu Dokumenten und Bildern
Fragen zu Dokumenten werden für diese Ausgabe ebenfalls genannt. Der dokumentierte Ablauf des Herstellers bereitet Text, Struktur und Formatierung eines Dokuments mittels OCR vor der Sprachmodellanalyse auf. Frage nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahre bei mehreren Dokumenten deren Identitäten und fordere einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung an.
Kombiniere visuelles Material mit einer definierten Frage und bewahre die Bezeichnungen, Einheiten und Bereiche, die zu ihrer Beantwortung nötig sind. Bei einem Diagramm kann nach einem Vergleich benannter Datenreihen gefragt werden; bei einer schematischen Darstellung danach, welche Verbindung eine vorgegebene Anforderung stützt. Ein lesbares Dokumentbild und ein mittels OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, auch wenn beide demselben Ziel der Fragebeantwortung dienen.
Bearbeitung, Präfixe und Abläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Vorhergesagte Ausgaben nutzen bekannten Inhalt, wenn der größte Teil eines Dokuments oder einer Codedatei erhalten bleiben soll und nur ein begrenzter Teil geändert wird. Stelle den vorhandenen Inhalt bereit, spezifiere die Änderung und benenne das zu bewahrende Material. Dies unterscheidet sich davon, das Modell um ein vollständig neues Dokument zu bitten.
Ein Antwortpräfix liefert einen bekannten Anfang für den erzeugten Assistententext, der dann von diesem Anfang aus fortgesetzt wird. Stapelverarbeitung ändert die Einreichung von Aufgaben, während eine Agenten-/Dialogschnittstelle einen verbundenen Ablauf verwaltet. Die genannten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie ergänzen keine weitere Inhaltsmodalität des zugrunde liegenden Modells und führen ohne die verbundene Umgebung keine Handlung aus.
Programmierung und Domänenanpassung
Stelle für einen Programmierauftrag die Anforderung, die betroffene Funktion, relevante Deklarationen und die erwartete Ein- und Ausgabe bereit. Fordere die vorgeschlagene Änderung, ihre Annahmen und Beispiele an, die das beabsichtigte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und fragen, welcher Pfad durch den Quellcode sie erklärt. Repository-Zugriff, Codeausführung und das Anwenden der Änderung stammen aus den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt benutzerdefiniertes Post-Training und Fine-Tuning für domänenspezifische Unternehmenskontexte und Wissensbasen. Dies ist ein eigenständiger Anpassungsprozess und keine Behauptung, dass das Standardmodell die Dokumente einer bestimmten Organisation bereits kennt. Stelle für eine quellengestützte Antwort die relevanten Dokumente und die Terminologie direkt mit der Aufgabe bereit und definiere die Antwortregeln.
Grenzen der Ausgabe und des Ergebnisses
Dieser Eintrag bewahrt die Identität 2505 und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Parameterzahl und die konfigurierbaren hybriden Reasoning-Steuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die genaue Modellseite veröffentlicht weder eine Parameterzahl noch eine separate harte maximale Antwortlänge, die aus einer späteren Veröffentlichung übernommen werden könnte.
Bereite das beabsichtigte Ergebnis vor der Anfrage vor: eine Erklärung, strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halte schriftliche und visuelle Belege, Quellenidentitäten und Ergebnisse verbundener Werkzeuge ausdrücklich fest, damit sich die Antwort prüfen und im nächsten Anwendungsschritt verwenden lässt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-medium-3 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00008 / 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 $0.0008 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00008 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-medium-3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-medium-3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-medium-3
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-medium-3Mistral Medium 3 ist ein multimodales Modell für professionelle Text-, Bildverständnis- und Programmieraufgaben. Sein vom Hersteller angegebener Kontext von 128k und dokumentierte strukturierte Ausgaben, Funktionsaufrufe, Fragen zu Dokumenten sowie vorhersehbare Änderungen unterstützen quellengestützte Erklärungen und Anwendungsabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Medium 3 ist das multimodale Modell von Mistral AI für professionelle Arbeit mit Text, visuellem Verständnis und Code. Die ursprüngliche Veröffentlichung hebt Programmier- und MINT-Aufgaben sowie die Anpassung an Unternehmenswissen und -abläufe hervor. Es verarbeitet schriftliches und visuelles Material und erzeugt Text, darunter eine Dokumenterklärung, einen strukturierten Datensatz oder eine vorgeschlagene Implementierung. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2505.
Kontext und professionelles Quellenmaterial
Die Modellseite nennt ein Kontextfenster von 128k. Nutze diesen Kontext, um die Quellpassagen, den Dialog und die Anweisungen zu bewahren, die das gewünschte Artefakt bestimmen. Benenne für einen Dokumentvergleich, welche Quelle die aktuelle Anforderung darstellt, welche die vorgeschlagene Überarbeitung und welche Frage geklärt werden soll. Fordere das stützende Dokument und den Abschnitt neben jedem Befund an.
Eine praktische Erklärungsaufgabe kann ein Verfahren und eine Nutzerfrage bereitstellen und anschließend nach der relevanten Handlung und der Bedingung fragen, unter der sie anwendbar ist. Eine technische Analyse kann Quelldaten, Definitionen und das Vergleichskriterium enthalten. Das Ziel ist ein Ergebnis mit Bezug zum bereitgestellten Material statt einer allgemeinen Beschreibung des Themas.
Strukturierte Ausgaben und Funktionen
Die Seite nennt strukturierte Ausgaben und Funktionsaufrufe. Definiere für eine Extraktion die Feldnamen, Typen und die Darstellung fehlender Quelleninformationen. Ein nützlicher Datensatz kann Kennung, Quellaussage, Interpretation und offene Frage trennen. Mistrals gemeinsame Anleitung unterscheidet den JSON-Modus von einem benutzerdefinierten Schema und verlangt eine ausdrückliche Aufforderung zum gewünschten JSON-Format.
Funktionsaufrufe verbinden die Interpretation des Modells mit Operationen, die die Anwendung beschreibt. Das Modell wählt eine Funktion und bereitet Argumente vor, die Anwendung führt die Funktion aus und ihr Ergebnis wird zum Kontext für die nächste Antwort. Eine Abfrage kann einen fehlenden Referenzwert liefern; eine Berechnung kann ein Ergebnis liefern, das für die Erklärung benötigt wird. Bewahre das Ergebnis zusammen mit der Operation, die es erzeugt hat, statt den vorgeschlagenen Aufruf als ausgeführte Handlung zu behandeln.
Fragen zu Dokumenten und Bildern
Fragen zu Dokumenten werden für diese Ausgabe ebenfalls genannt. Der dokumentierte Ablauf des Herstellers bereitet Text, Struktur und Formatierung eines Dokuments mittels OCR vor der Sprachmodellanalyse auf. Frage nach der konkreten Anforderung, Passage oder Beziehung, die die Aufgabe benötigt. Bewahre bei mehreren Dokumenten deren Identitäten und fordere einen Vergleich mit der Quellstelle neben jeder Schlussfolgerung an.
Kombiniere visuelles Material mit einer definierten Frage und bewahre die Bezeichnungen, Einheiten und Bereiche, die zu ihrer Beantwortung nötig sind. Bei einem Diagramm kann nach einem Vergleich benannter Datenreihen gefragt werden; bei einer schematischen Darstellung danach, welche Verbindung eine vorgegebene Anforderung stützt. Ein lesbares Dokumentbild und ein mittels OCR aufbereitetes Dokument sind unterschiedliche Eingabevorbereitungen, auch wenn beide demselben Ziel der Fragebeantwortung dienen.
Bearbeitung, Präfixe und Abläufe
Die Modellseite nennt vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Vorhergesagte Ausgaben nutzen bekannten Inhalt, wenn der größte Teil eines Dokuments oder einer Codedatei erhalten bleiben soll und nur ein begrenzter Teil geändert wird. Stelle den vorhandenen Inhalt bereit, spezifiere die Änderung und benenne das zu bewahrende Material. Dies unterscheidet sich davon, das Modell um ein vollständig neues Dokument zu bitten.
Ein Antwortpräfix liefert einen bekannten Anfang für den erzeugten Assistententext, der dann von diesem Anfang aus fortgesetzt wird. Stapelverarbeitung ändert die Einreichung von Aufgaben, während eine Agenten-/Dialogschnittstelle einen verbundenen Ablauf verwaltet. Die genannten eingebauten Werkzeuge gehören zu dieser Herstellerschnittstelle; sie ergänzen keine weitere Inhaltsmodalität des zugrunde liegenden Modells und führen ohne die verbundene Umgebung keine Handlung aus.
Programmierung und Domänenanpassung
Stelle für einen Programmierauftrag die Anforderung, die betroffene Funktion, relevante Deklarationen und die erwartete Ein- und Ausgabe bereit. Fordere die vorgeschlagene Änderung, ihre Annahmen und Beispiele an, die das beabsichtigte Verhalten unterscheiden. Eine Debugging-Frage kann die Fehlerbelege enthalten und fragen, welcher Pfad durch den Quellcode sie erklärt. Repository-Zugriff, Codeausführung und das Anwenden der Änderung stammen aus den umgebenden Entwicklungswerkzeugen.
Die ursprüngliche Ankündigung beschreibt benutzerdefiniertes Post-Training und Fine-Tuning für domänenspezifische Unternehmenskontexte und Wissensbasen. Dies ist ein eigenständiger Anpassungsprozess und keine Behauptung, dass das Standardmodell die Dokumente einer bestimmten Organisation bereits kennt. Stelle für eine quellengestützte Antwort die relevanten Dokumente und die Terminologie direkt mit der Aufgabe bereit und definiere die Antwortregeln.
Grenzen der Ausgabe und des Ergebnisses
Dieser Eintrag bewahrt die Identität 2505 und den Kontext von 128k von Medium 3. Die später für Medium 3.5 dokumentierte Parameterzahl und die konfigurierbaren hybriden Reasoning-Steuerungen gehören nicht zur angegebenen Spezifikation dieser Ausgabe. Die genaue Modellseite veröffentlicht weder eine Parameterzahl noch eine separate harte maximale Antwortlänge, die aus einer späteren Veröffentlichung übernommen werden könnte.
Bereite das beabsichtigte Ergebnis vor der Anfrage vor: eine Erklärung, strukturierte Extraktion, einen überarbeiteten Abschnitt oder vorgeschlagenen Code. Halte schriftliche und visuelle Belege, Quellenidentitäten und Ergebnisse verbundener Werkzeuge ausdrücklich fest, damit sich die Antwort prüfen und im nächsten Anwendungsschritt verwenden lässt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-medium-3 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00008 / 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 $0.0008 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00008 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-medium-3
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.