Pixtral Large 2411 ist ein multimodales Modell mit 124 Milliarden Parametern von Mistral AI. Es kombiniert einen Decoder mit 123 Milliarden Parametern mit einem Vision-Encoder mit 1 Milliarde Parametern und basiert auf Mistral Large 2. Der Hersteller beschreibt neben Textaufgaben auch das Verstehen von Dokumenten, Diagrammen und natürlichen Bildern bei einem Kontextfenster von 128K.
Kennzeichnen Sie jedes Bild und geben Sie an, welches Detail die Antwort untersuchen soll. Bei einer Diagrammaufgabe können Sie nach dem sichtbaren Trend, den relevanten Beschriftungen und den Werten fragen, die eine Beobachtung stützen. Bei einem Dokumentbild können Sie Informationen aus einem benannten Feld oder Abschnitt anfordern. Ergänzen Sie schriftlichen Kontext, wenn er erklärt, warum das Detail wichtig ist.
Benennen Sie bei mehreren Bildern die zu vergleichenden Merkmale und fordern Sie für jede gekennzeichnete Quelle eine eigene Beobachtung an. Binden Sie die Antwort an das bereitgestellte Material und bewahren Sie Bild- oder Seitenkennzeichnungen zusammen mit den extrahierten Informationen auf. Prüfen Sie diese Details am Original, bevor Sie sie in einem weiteren Vorgang verwenden.
Wählen Sie die Textstellen und Bilder aus, die für die aktuelle Frage relevant sind. Für ein Briefing können Sie eine Erklärung anfordern, wie eine Abbildung mit dem begleitenden Text zusammenhängt. Für einen Vergleich können Sie die quellenübergreifend zu untersuchenden Aspekte benennen und die zugehörigen Beschriftungen neben den Ergebnissen anfordern.
Legen Sie das gewünschte Ergebnis und seine Länge fest, bevor Sie das Material senden. Eine knappe Beschreibung, eine Reihe extrahierter Felder oder eine Vergleichstabelle gibt der Prüfung ein konkretes Ziel. Bewahren Sie Namen, Mengen und Quellenkennungen, die das Ergebnis beeinflussen.
Der Hersteller empfiehlt einen System-Prompt, der den Zweck des Assistenten klar beschreibt. Geben Sie die Aufgabenbedingungen und den gewünschten Antwortstil ausdrücklich an, auch wenn die Rollenbeschreibung kurz ist. Das dokumentierte Anweisungsformat des Modells hat eine eigene Verarbeitung von System-Prompts für direkte Modellbereitstellungen.
Die benannte gehostete Katalogvariante führt einen Kontext von 128.000 Tokens auf. Bereiten Sie die relevanten Texte, Bilder und Gesprächsinhalte innerhalb des Arbeitsbudgets dieser Variante vor und lassen Sie Platz für die Antwort. Bildaufbereitung und Grenzen je Anfrage hängen von der Bereitstellungskonfiguration ab; die vom Anbieter genannten beispielhaften Bildanzahlen sind Beispiele und keine universellen Grenzen für jeden Endpunkt.
", "aboutText": "Pixtral Large 2411 ist ein multimodales Modell mit 124 Milliarden Parametern von Mistral AI. Es kombiniert einen Decoder mit 123 Milliarden Parametern mit einem Vision-Encoder mit 1 Milliarde Parametern und basiert auf Mistral Large 2. Der Hersteller beschreibt neben Textaufgaben auch das Verstehen von Dokumenten, Diagrammen und natürlichen Bildern bei einem Kontextfenster von 128K.\n\n### Stellen Sie eine präzise Frage zum Bildmaterial\n\nKennzeichnen Sie jedes Bild und geben Sie an, welches Detail die Antwort untersuchen soll. Bei einer Diagrammaufgabe können Sie nach dem sichtbaren Trend, den relevanten Beschriftungen und den Werten fragen, die eine Beobachtung stützen. Bei einem Dokumentbild können Sie Informationen aus einem benannten Feld oder Abschnitt anfordern. Ergänzen Sie schriftlichen Kontext, wenn er erklärt, warum das Detail wichtig ist.\n\nBenennen Sie bei mehreren Bildern die zu vergleichenden Merkmale und fordern Sie für jede gekennzeichnete Quelle eine eigene Beobachtung an. Binden Sie die Antwort an das bereitgestellte Material und bewahren Sie Bild- oder Seitenkennzeichnungen zusammen mit den extrahierten Informationen auf. Prüfen Sie diese Details am Original, bevor Sie sie in einem weiteren Vorgang verwenden.\n\n### Kombinieren Sie Fließtext und Bilder in einer Aufgabe\n\nWählen Sie die Textstellen und Bilder aus, die für die aktuelle Frage relevant sind. Für ein Briefing können Sie eine Erklärung anfordern, wie eine Abbildung mit dem begleitenden Text zusammenhängt. Für einen Vergleich können Sie die quellenübergreifend zu untersuchenden Aspekte benennen und die zugehörigen Beschriftungen neben den Ergebnissen anfordern.\n\nLegen Sie das gewünschte Ergebnis und seine Länge fest, bevor Sie das Material senden. Eine knappe Beschreibung, eine Reihe extrahierter Felder oder eine Vergleichstabelle gibt der Prüfung ein konkretes Ziel. Bewahren Sie Namen, Mengen und Quellenkennungen, die das Ergebnis beeinflussen.\n\n### Benennen Sie den Zweck und planen Sie den Kontext\n\nDer Hersteller empfiehlt einen System-Prompt, der den Zweck des Assistenten klar beschreibt. Geben Sie die Aufgabenbedingungen und den gewünschten Antwortstil ausdrücklich an, auch wenn die Rollenbeschreibung kurz ist. Das dokumentierte Anweisungsformat des Modells hat eine eigene Verarbeitung von System-Prompts für direkte Modellbereitstellungen.\n\nDie benannte gehostete Katalogvariante führt einen Kontext von 128.000 Tokens auf. Bereiten Sie die relevanten Texte, Bilder und Gesprächsinhalte innerhalb des Arbeitsbudgets dieser Variante vor und lassen Sie Platz für die Antwort. Bildaufbereitung und Grenzen je Anfrage hängen von der Bereitstellungskonfiguration ab; die vom Anbieter genannten beispielhaften Bildanzahlen sind Beispiele und keine universellen Grenzen für jeden Endpunkt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Reconcile a chart caption with values\n\nCompare this transcribed figure with its accompanying prose. [FIGURE] January 100 cases; February 130; March 110. [CAPTION] Cases increased every month during the quarter. State whether the caption follows from the values, provide a more accurate one-sentence caption and list the values supporting it. Use the transcribed text only.A source-labeled consistency assessment, a corrected caption and the supporting values.Check the revised caption accounts for the February-to-March decrease.pixtral-large-2411Pixtral Large 2411 ist das multimodale Modell von Mistral AI zum Verstehen von Text und Bildern, darunter Dokumente, Diagramme und natürliche Bilder. Der Hersteller nennt einen Decoder mit 123 Milliarden Parametern, einen Vision-Encoder mit 1 Milliarde Parametern und einen Kontext von 128K; stellen Sie ihm eine gezielte Frage zum Bildmaterial und kennzeichnen Sie die zugehörigen Belege.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Pixtral Large 2411 ist ein multimodales Modell mit 124 Milliarden Parametern von Mistral AI. Es kombiniert einen Decoder mit 123 Milliarden Parametern mit einem Vision-Encoder mit 1 Milliarde Parametern und basiert auf Mistral Large 2. Der Hersteller beschreibt neben Textaufgaben auch das Verstehen von Dokumenten, Diagrammen und natürlichen Bildern bei einem Kontextfenster von 128K.
Kennzeichnen Sie jedes Bild und geben Sie an, welches Detail die Antwort untersuchen soll. Bei einer Diagrammaufgabe können Sie nach dem sichtbaren Trend, den relevanten Beschriftungen und den Werten fragen, die eine Beobachtung stützen. Bei einem Dokumentbild können Sie Informationen aus einem benannten Feld oder Abschnitt anfordern. Ergänzen Sie schriftlichen Kontext, wenn er erklärt, warum das Detail wichtig ist.
Benennen Sie bei mehreren Bildern die zu vergleichenden Merkmale und fordern Sie für jede gekennzeichnete Quelle eine eigene Beobachtung an. Binden Sie die Antwort an das bereitgestellte Material und bewahren Sie Bild- oder Seitenkennzeichnungen zusammen mit den extrahierten Informationen auf. Prüfen Sie diese Details am Original, bevor Sie sie in einem weiteren Vorgang verwenden.
Wählen Sie die Textstellen und Bilder aus, die für die aktuelle Frage relevant sind. Für ein Briefing können Sie eine Erklärung anfordern, wie eine Abbildung mit dem begleitenden Text zusammenhängt. Für einen Vergleich können Sie die quellenübergreifend zu untersuchenden Aspekte benennen und die zugehörigen Beschriftungen neben den Ergebnissen anfordern.
Legen Sie das gewünschte Ergebnis und seine Länge fest, bevor Sie das Material senden. Eine knappe Beschreibung, eine Reihe extrahierter Felder oder eine Vergleichstabelle gibt der Prüfung ein konkretes Ziel. Bewahren Sie Namen, Mengen und Quellenkennungen, die das Ergebnis beeinflussen.
Der Hersteller empfiehlt einen System-Prompt, der den Zweck des Assistenten klar beschreibt. Geben Sie die Aufgabenbedingungen und den gewünschten Antwortstil ausdrücklich an, auch wenn die Rollenbeschreibung kurz ist. Das dokumentierte Anweisungsformat des Modells hat eine eigene Verarbeitung von System-Prompts für direkte Modellbereitstellungen.
Die benannte gehostete Katalogvariante führt einen Kontext von 128.000 Tokens auf. Bereiten Sie die relevanten Texte, Bilder und Gesprächsinhalte innerhalb des Arbeitsbudgets dieser Variante vor und lassen Sie Platz für die Antwort. Bildaufbereitung und Grenzen je Anfrage hängen von der Bereitstellungskonfiguration ab; die vom Anbieter genannten beispielhaften Bildanzahlen sind Beispiele und keine universellen Grenzen für jeden Endpunkt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits pixtral-large-2411 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0044 / 1K Token Ausgabe · Ausgabetoken $0.0132 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "pixtral-large-2411", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='pixtral-large-2411',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='pixtral-large-2411',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra pixtral-large-2411
Verwenden Sie die oben angezeigten Methodenpfade.
pixtral-large-2411Pixtral Large 2411 ist das multimodale Modell von Mistral AI zum Verstehen von Text und Bildern, darunter Dokumente, Diagramme und natürliche Bilder. Der Hersteller nennt einen Decoder mit 123 Milliarden Parametern, einen Vision-Encoder mit 1 Milliarde Parametern und einen Kontext von 128K; stellen Sie ihm eine gezielte Frage zum Bildmaterial und kennzeichnen Sie die zugehörigen Belege.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Pixtral Large 2411 ist ein multimodales Modell mit 124 Milliarden Parametern von Mistral AI. Es kombiniert einen Decoder mit 123 Milliarden Parametern mit einem Vision-Encoder mit 1 Milliarde Parametern und basiert auf Mistral Large 2. Der Hersteller beschreibt neben Textaufgaben auch das Verstehen von Dokumenten, Diagrammen und natürlichen Bildern bei einem Kontextfenster von 128K.
Kennzeichnen Sie jedes Bild und geben Sie an, welches Detail die Antwort untersuchen soll. Bei einer Diagrammaufgabe können Sie nach dem sichtbaren Trend, den relevanten Beschriftungen und den Werten fragen, die eine Beobachtung stützen. Bei einem Dokumentbild können Sie Informationen aus einem benannten Feld oder Abschnitt anfordern. Ergänzen Sie schriftlichen Kontext, wenn er erklärt, warum das Detail wichtig ist.
Benennen Sie bei mehreren Bildern die zu vergleichenden Merkmale und fordern Sie für jede gekennzeichnete Quelle eine eigene Beobachtung an. Binden Sie die Antwort an das bereitgestellte Material und bewahren Sie Bild- oder Seitenkennzeichnungen zusammen mit den extrahierten Informationen auf. Prüfen Sie diese Details am Original, bevor Sie sie in einem weiteren Vorgang verwenden.
Wählen Sie die Textstellen und Bilder aus, die für die aktuelle Frage relevant sind. Für ein Briefing können Sie eine Erklärung anfordern, wie eine Abbildung mit dem begleitenden Text zusammenhängt. Für einen Vergleich können Sie die quellenübergreifend zu untersuchenden Aspekte benennen und die zugehörigen Beschriftungen neben den Ergebnissen anfordern.
Legen Sie das gewünschte Ergebnis und seine Länge fest, bevor Sie das Material senden. Eine knappe Beschreibung, eine Reihe extrahierter Felder oder eine Vergleichstabelle gibt der Prüfung ein konkretes Ziel. Bewahren Sie Namen, Mengen und Quellenkennungen, die das Ergebnis beeinflussen.
Der Hersteller empfiehlt einen System-Prompt, der den Zweck des Assistenten klar beschreibt. Geben Sie die Aufgabenbedingungen und den gewünschten Antwortstil ausdrücklich an, auch wenn die Rollenbeschreibung kurz ist. Das dokumentierte Anweisungsformat des Modells hat eine eigene Verarbeitung von System-Prompts für direkte Modellbereitstellungen.
Die benannte gehostete Katalogvariante führt einen Kontext von 128.000 Tokens auf. Bereiten Sie die relevanten Texte, Bilder und Gesprächsinhalte innerhalb des Arbeitsbudgets dieser Variante vor und lassen Sie Platz für die Antwort. Bildaufbereitung und Grenzen je Anfrage hängen von der Bereitstellungskonfiguration ab; die vom Anbieter genannten beispielhaften Bildanzahlen sind Beispiele und keine universellen Grenzen für jeden Endpunkt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits pixtral-large-2411 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0044 / 1K Token Ausgabe · Ausgabetoken $0.0132 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "pixtral-large-2411",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'pixtral-large-2411', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'pixtral-large-2411', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra pixtral-large-2411
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Reconcile a chart caption with values\n\nCompare this transcribed figure with its accompanying prose. [FIGURE] January 100 cases; February 130; March 110. [CAPTION] Cases increased every month during the quarter. State whether the caption follows from the values, provide a more accurate one-sentence caption and list the values supporting it. Use the transcribed text only.A source-labeled consistency assessment, a corrected caption and the supporting values.Check the revised caption accounts for the February-to-March decrease.