Mistral Medium es la familia de Mistral AI para asistentes de aplicaciones, trabajo documental y agentes de software. La edición Medium 3.5 combina seguimiento de instrucciones, razonamiento y programación en un modelo denso de 128,000 millones de parámetros con una ventana de contexto de 256K. Comprende texto y material visual y produce texto, código o resultados estructurados. Su codificador visual se entrenó para manejar imágenes de tamaños y relaciones de aspecto variables, lo que permite combinar requisitos escritos con capturas de pantalla, páginas de documentos u otra evidencia visual en una tarea.
Las funciones del modelo comienzan con la salida estructurada y las llamadas a funciones. La salida JSON es útil cuando la respuesta debe conservar una estructura legible por máquinas; un esquema personalizado define los campos requeridos y sus tipos. Una tarea documental puede devolver una tabla de hechos extraídos, una comparación de secciones o un resumen con preguntas pendientes. Las preguntas sobre documentos combinan la extracción del texto y la estructura del documento con la comprensión del modelo de lenguaje, para relacionar la pregunta con el contenido pertinente en lugar de hacer una suposición libre.
En una tarea asistida por herramientas, la aplicación describe sus funciones y los argumentos que aceptan. El modelo elige una función, prepara los argumentos y recibe el resultado después de que la aplicación ejecuta la acción. La conversación puede continuar con otra llamada a herramienta o con una respuesta final. El uso paralelo de herramientas permite solicitar juntas llamadas independientes cuando la aplicación lo permite. Los controles de selección de herramientas pueden dejar que el modelo decida, exigir una herramienta o mantener la tarea dentro de una respuesta de texto.
Medium 3.5 ajusta el esfuerzo de razonamiento por solicitud. Un ajuste de razonamiento mínimo devuelve la respuesta directamente; el esfuerzo alto incluye un segmento de razonamiento antes de la respuesta final y se recomienda para tareas con agentes y de programación. En una conversación de razonamiento de varios turnos, los mensajes completos del asistente conservan la información necesaria para continuar el trabajo. Las salidas predichas ayudan al revisar código o un documento con pasajes conocidos, y un prefijo proporcionado puede fijar el inicio de la respuesta. Los flujos por lotes pueden procesar una colección de solicitudes independientes de forma asíncrona.
La edición está diseñada para trabajo que continúa durante muchos pasos. Los ejemplos de programación incluyen refactorización de módulos, corrección de errores, generación de comprobaciones, actualización de dependencias e investigación de flujos de desarrollo que han fallado. Una asignación útil proporciona los archivos afectados, el comportamiento requerido y un criterio claro de finalización. El modelo puede usar los resultados de la exploración del repositorio y de las comprobaciones ejecutadas por la aplicación para revisar su propuesta de solución; las herramientas y el acceso a archivos son controlados por el entorno del agente que lo integra.
Para el trabajo de conocimiento, su desarrollador describe investigación, síntesis y flujos a través de herramientas conectadas. Una tarea con la API de Ailoot puede pedir un informe estructurado elaborado a partir de documentos proporcionados, una comparación de opciones técnicas o un borrador basado en información recuperada. Especifica qué observaciones respaldan la conclusión y qué artefacto debe completar la tarea. El modelo prepara el razonamiento y el resultado; la aplicación proporciona acceso a la información, realiza acciones y presenta el entregable. El nombre de la familia Medium sigue siendo una selección actualizada, mientras que la arquitectura numérica, el procesamiento visual y los modos de razonamiento descritos aquí pertenecen a la edición explícitamente identificada como Medium 3.5.
", "aboutText": "Mistral Medium es la familia de Mistral AI para asistentes de aplicaciones, trabajo documental y agentes de software. La edición Medium 3.5 combina seguimiento de instrucciones, razonamiento y programación en un modelo denso de 128,000 millones de parámetros con una ventana de contexto de 256K. Comprende texto y material visual y produce texto, código o resultados estructurados. Su codificador visual se entrenó para manejar imágenes de tamaños y relaciones de aspecto variables, lo que permite combinar requisitos escritos con capturas de pantalla, páginas de documentos u otra evidencia visual en una tarea.\n\nLas funciones del modelo comienzan con la salida estructurada y las llamadas a funciones. La salida JSON es útil cuando la respuesta debe conservar una estructura legible por máquinas; un esquema personalizado define los campos requeridos y sus tipos. Una tarea documental puede devolver una tabla de hechos extraídos, una comparación de secciones o un resumen con preguntas pendientes. Las preguntas sobre documentos combinan la extracción del texto y la estructura del documento con la comprensión del modelo de lenguaje, para relacionar la pregunta con el contenido pertinente en lugar de hacer una suposición libre.\n\nEn una tarea asistida por herramientas, la aplicación describe sus funciones y los argumentos que aceptan. El modelo elige una función, prepara los argumentos y recibe el resultado después de que la aplicación ejecuta la acción. La conversación puede continuar con otra llamada a herramienta o con una respuesta final. El uso paralelo de herramientas permite solicitar juntas llamadas independientes cuando la aplicación lo permite. Los controles de selección de herramientas pueden dejar que el modelo decida, exigir una herramienta o mantener la tarea dentro de una respuesta de texto.\n\nMedium 3.5 ajusta el esfuerzo de razonamiento por solicitud. Un ajuste de razonamiento mínimo devuelve la respuesta directamente; el esfuerzo alto incluye un segmento de razonamiento antes de la respuesta final y se recomienda para tareas con agentes y de programación. En una conversación de razonamiento de varios turnos, los mensajes completos del asistente conservan la información necesaria para continuar el trabajo. Las salidas predichas ayudan al revisar código o un documento con pasajes conocidos, y un prefijo proporcionado puede fijar el inicio de la respuesta. Los flujos por lotes pueden procesar una colección de solicitudes independientes de forma asíncrona.\n\nLa edición está diseñada para trabajo que continúa durante muchos pasos. Los ejemplos de programación incluyen refactorización de módulos, corrección de errores, generación de comprobaciones, actualización de dependencias e investigación de flujos de desarrollo que han fallado. Una asignación útil proporciona los archivos afectados, el comportamiento requerido y un criterio claro de finalización. El modelo puede usar los resultados de la exploración del repositorio y de las comprobaciones ejecutadas por la aplicación para revisar su propuesta de solución; las herramientas y el acceso a archivos son controlados por el entorno del agente que lo integra.\n\nPara el trabajo de conocimiento, su desarrollador describe investigación, síntesis y flujos a través de herramientas conectadas. Una tarea con la API de Ailoot puede pedir un informe estructurado elaborado a partir de documentos proporcionados, una comparación de opciones técnicas o un borrador basado en información recuperada. Especifica qué observaciones respaldan la conclusión y qué artefacto debe completar la tarea. El modelo prepara el razonamiento y el resultado; la aplicación proporciona acceso a la información, realiza acciones y presenta el entregable. El nombre de la familia Medium sigue siendo una selección actualizada, mientras que la arquitectura numérica, el procesamiento visual y los modos de razonamiento descritos aquí pertenecen a la edición explícitamente identificada como Medium 3.5.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Extract obligations from a supplier note\n\nPrepare a document brief from this note: 'The supplier will send samples by 6 June. The buyer must approve the color before production starts. The production lead time is 20 business days after approval. No shipping date has been agreed.' Return obligations, dependency and unresolved information, preserving the distinction between sample delivery and production timing.A concise obligation table and a separate list of unresolved scheduling information.The brief does not calculate an agreed shipping date from a production lead time alone.mistral-medium-latestLa familia Medium de Mistral AI admite comprensión de documentos, programación y agentes que trabajan en varios pasos asistidos por herramientas. Su edición Medium 3.5 combina seguimiento de instrucciones y razonamiento ajustable en un modelo multimodal con una ventana de contexto de 256K.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Medium es la familia de Mistral AI para asistentes de aplicaciones, trabajo documental y agentes de software. La edición Medium 3.5 combina seguimiento de instrucciones, razonamiento y programación en un modelo denso de 128,000 millones de parámetros con una ventana de contexto de 256K. Comprende texto y material visual y produce texto, código o resultados estructurados. Su codificador visual se entrenó para manejar imágenes de tamaños y relaciones de aspecto variables, lo que permite combinar requisitos escritos con capturas de pantalla, páginas de documentos u otra evidencia visual en una tarea.
Las funciones del modelo comienzan con la salida estructurada y las llamadas a funciones. La salida JSON es útil cuando la respuesta debe conservar una estructura legible por máquinas; un esquema personalizado define los campos requeridos y sus tipos. Una tarea documental puede devolver una tabla de hechos extraídos, una comparación de secciones o un resumen con preguntas pendientes. Las preguntas sobre documentos combinan la extracción del texto y la estructura del documento con la comprensión del modelo de lenguaje, para relacionar la pregunta con el contenido pertinente en lugar de hacer una suposición libre.
En una tarea asistida por herramientas, la aplicación describe sus funciones y los argumentos que aceptan. El modelo elige una función, prepara los argumentos y recibe el resultado después de que la aplicación ejecuta la acción. La conversación puede continuar con otra llamada a herramienta o con una respuesta final. El uso paralelo de herramientas permite solicitar juntas llamadas independientes cuando la aplicación lo permite. Los controles de selección de herramientas pueden dejar que el modelo decida, exigir una herramienta o mantener la tarea dentro de una respuesta de texto.
Medium 3.5 ajusta el esfuerzo de razonamiento por solicitud. Un ajuste de razonamiento mínimo devuelve la respuesta directamente; el esfuerzo alto incluye un segmento de razonamiento antes de la respuesta final y se recomienda para tareas con agentes y de programación. En una conversación de razonamiento de varios turnos, los mensajes completos del asistente conservan la información necesaria para continuar el trabajo. Las salidas predichas ayudan al revisar código o un documento con pasajes conocidos, y un prefijo proporcionado puede fijar el inicio de la respuesta. Los flujos por lotes pueden procesar una colección de solicitudes independientes de forma asíncrona.
La edición está diseñada para trabajo que continúa durante muchos pasos. Los ejemplos de programación incluyen refactorización de módulos, corrección de errores, generación de comprobaciones, actualización de dependencias e investigación de flujos de desarrollo que han fallado. Una asignación útil proporciona los archivos afectados, el comportamiento requerido y un criterio claro de finalización. El modelo puede usar los resultados de la exploración del repositorio y de las comprobaciones ejecutadas por la aplicación para revisar su propuesta de solución; las herramientas y el acceso a archivos son controlados por el entorno del agente que lo integra.
Para el trabajo de conocimiento, su desarrollador describe investigación, síntesis y flujos a través de herramientas conectadas. Una tarea con la API de Ailoot puede pedir un informe estructurado elaborado a partir de documentos proporcionados, una comparación de opciones técnicas o un borrador basado en información recuperada. Especifica qué observaciones respaldan la conclusión y qué artefacto debe completar la tarea. El modelo prepara el razonamiento y el resultado; la aplicación proporciona acceso a la información, realiza acciones y presenta el entregable. El nombre de la familia Medium sigue siendo una selección actualizada, mientras que la arquitectura numérica, el procesamiento visual y los modos de razonamiento descritos aquí pertenecen a la edición explícitamente identificada como Medium 3.5.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistral-medium-latest | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00088 / 1K tokens Salida · Tokens de salida $0.0132 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-medium-latest", "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='mistral-medium-latest',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='mistral-medium-latest',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mistral-medium-latest
Usa las rutas de método indicadas arriba.
mistral-medium-latestLa familia Medium de Mistral AI admite comprensión de documentos, programación y agentes que trabajan en varios pasos asistidos por herramientas. Su edición Medium 3.5 combina seguimiento de instrucciones y razonamiento ajustable en un modelo multimodal con una ventana de contexto de 256K.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Medium es la familia de Mistral AI para asistentes de aplicaciones, trabajo documental y agentes de software. La edición Medium 3.5 combina seguimiento de instrucciones, razonamiento y programación en un modelo denso de 128,000 millones de parámetros con una ventana de contexto de 256K. Comprende texto y material visual y produce texto, código o resultados estructurados. Su codificador visual se entrenó para manejar imágenes de tamaños y relaciones de aspecto variables, lo que permite combinar requisitos escritos con capturas de pantalla, páginas de documentos u otra evidencia visual en una tarea.
Las funciones del modelo comienzan con la salida estructurada y las llamadas a funciones. La salida JSON es útil cuando la respuesta debe conservar una estructura legible por máquinas; un esquema personalizado define los campos requeridos y sus tipos. Una tarea documental puede devolver una tabla de hechos extraídos, una comparación de secciones o un resumen con preguntas pendientes. Las preguntas sobre documentos combinan la extracción del texto y la estructura del documento con la comprensión del modelo de lenguaje, para relacionar la pregunta con el contenido pertinente en lugar de hacer una suposición libre.
En una tarea asistida por herramientas, la aplicación describe sus funciones y los argumentos que aceptan. El modelo elige una función, prepara los argumentos y recibe el resultado después de que la aplicación ejecuta la acción. La conversación puede continuar con otra llamada a herramienta o con una respuesta final. El uso paralelo de herramientas permite solicitar juntas llamadas independientes cuando la aplicación lo permite. Los controles de selección de herramientas pueden dejar que el modelo decida, exigir una herramienta o mantener la tarea dentro de una respuesta de texto.
Medium 3.5 ajusta el esfuerzo de razonamiento por solicitud. Un ajuste de razonamiento mínimo devuelve la respuesta directamente; el esfuerzo alto incluye un segmento de razonamiento antes de la respuesta final y se recomienda para tareas con agentes y de programación. En una conversación de razonamiento de varios turnos, los mensajes completos del asistente conservan la información necesaria para continuar el trabajo. Las salidas predichas ayudan al revisar código o un documento con pasajes conocidos, y un prefijo proporcionado puede fijar el inicio de la respuesta. Los flujos por lotes pueden procesar una colección de solicitudes independientes de forma asíncrona.
La edición está diseñada para trabajo que continúa durante muchos pasos. Los ejemplos de programación incluyen refactorización de módulos, corrección de errores, generación de comprobaciones, actualización de dependencias e investigación de flujos de desarrollo que han fallado. Una asignación útil proporciona los archivos afectados, el comportamiento requerido y un criterio claro de finalización. El modelo puede usar los resultados de la exploración del repositorio y de las comprobaciones ejecutadas por la aplicación para revisar su propuesta de solución; las herramientas y el acceso a archivos son controlados por el entorno del agente que lo integra.
Para el trabajo de conocimiento, su desarrollador describe investigación, síntesis y flujos a través de herramientas conectadas. Una tarea con la API de Ailoot puede pedir un informe estructurado elaborado a partir de documentos proporcionados, una comparación de opciones técnicas o un borrador basado en información recuperada. Especifica qué observaciones respaldan la conclusión y qué artefacto debe completar la tarea. El modelo prepara el razonamiento y el resultado; la aplicación proporciona acceso a la información, realiza acciones y presenta el entregable. El nombre de la familia Medium sigue siendo una selección actualizada, mientras que la arquitectura numérica, el procesamiento visual y los modos de razonamiento descritos aquí pertenecen a la edición explícitamente identificada como Medium 3.5.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistral-medium-latest | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00088 / 1K tokens Salida · Tokens de salida $0.0132 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistral-medium-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-medium-latest', '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': 'mistral-medium-latest', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mistral-medium-latest
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Extract obligations from a supplier note\n\nPrepare a document brief from this note: 'The supplier will send samples by 6 June. The buyer must approve the color before production starts. The production lead time is 20 business days after approval. No shipping date has been agreed.' Return obligations, dependency and unresolved information, preserving the distinction between sample delivery and production timing.A concise obligation table and a separate list of unresolved scheduling information.The brief does not calculate an agreed shipping date from a production lead time alone.